替Uber「大車隊」暖身？交通部開放多元計程車免跳表、APP算車資|數位時代 BusinessNext

多元計程車修法「免跳表」，費率調整才是真難題

「彈性費率」是Uber主打的演算法機制。消費者僅需輸入上、下車地點，系統會以附近可載客車輛多寡、叫車人數、行駛距離等因素即時計算車資。以台北市捷運大湖公園站至國父紀念館站為例，4日凌晨12點多搭乘「菁英優步」的報價為230元。

現行多元計程車的計費方式，比照一般計程車跳表，雖開放車隊自訂費用，價格彈性卻很有限，業者多半選擇在跳表價區分尖峰、離峰，或直接把跳表費用乘上固定費率。

同樣是凌晨自內湖到台北市區，以台灣大車隊為例，豪華車型多元計程車費率為跳表金額1.4倍，雖然也可預估車資，但金額浮動差異不小，落在378至497元之間，且會註明「實際車資以服務總里程計算為準」。消費者最終還是要看跳表價，預估車資僅能用來參考。

此次修法後，搭多元計程車可省去跳表方式，比照Uber「估多少付多少」。不過，由於主導計程車價格的主管機關為各地方政府，即便Uber最終選擇成立大車隊，能否順利爭取到理想的彈性費率方式，仍是未知數。

交通部表示，目前多元化計程車已有預估車資功能，為了更貼近消費者期待，再放寬多元化計程車可使用APP預先報價，讓民眾在搭車前就能充分瞭解乘車價格，減少雙方爭議。

今年5月，交通部訂定「Uber條款」—「汽車運輸業管理規則」103-1條修正草案，將於公告期滿的10月初正式取締，依法可開罰9千至9萬元罰鍰。

面對台灣政府開出的合法期限，至今Uber仍在積極溝通，尚未點頭成立計程車隊，但透過聲明表示「我們樂見交通部肯定科技可以協助提升消費者選擇和交通產業轉型。這是第一步，但還有需要解決的問題。我們期待與交通部和計程車產業持續努力，確保平台駕駛和合作租賃公司順利轉型。」

據了解，Uber合法化的卡關原因，除了他們擔心未來費率計算方式和現行機制差距太大，另一點則是想避免在全球開啟成立計程車隊的先例。

一直以來，Uber都希望在各國以「網約車」形式符合法令規範，即便與小黃車隊合作推出Uber Taxi服務，也是藉由平台替計程車隊、司機招攬生意。

交通部推動多元計程車至今約3年時間，全台僅有約2,000輛加入。此次修改法規讓APP能計算實際車資，看似是替Uber合法大門開了縫隙，但最終大結局如何，還有得吵。

責任編輯：蕭閔云

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。