深夜超商無店員！日本企業出3招對付缺工現象，實際成效如何？|數位時代 BusinessNext

深夜超商無店員！日本企業出3招對付缺工現象，實際成效如何？

日本各行業都面臨人手不足的問題，餐飲業非正職人力人手不足的情況達78.6%；飲料食品零售業者則約63.9%。欠缺人手，該怎麼提供好的服務？

1.深夜時段無店員

便利商店Lawson，去年8月起實驗部分門市深夜改成無店員模式。像是橫濱市的水取沢町店，深夜零時到早上5點沒有店員，消費者進店時，須出示手機App的條碼辨識會員身分，大門口也和攝影機連動。運用自助櫃台結帳，且不能購買有年齡限制的商品如菸酒。

Lawson部長長澤拓彌表示，實驗一個月後，因為部分商品和服務停止的關係，營收受到影響，但因為人事成本也減少，實際上店面獲利的差異不大。

2.自助點餐系統紓解尖峰時段人力

JR東日本經營的餐廳R．BECKER'S池袋東口店導入了自助點餐機，具備商品選擇、點餐、結帳等功能，支援各種電子支付與信用卡。販促、宣傳部長森大祐表示，用自助點餐機，就算人潮眾多時，顧客也可以順利取餐，店家也可以減少人事成本和工作時間，作業更有效率，員工更有餘裕。導入兩個月之後，到店的顧客15人中有10人會使用自助點餐機結帳。

JR東日本也在旗下另一家烘焙坊導入圖像辨識系統，只要把商品擺在櫃台前，攝影機辨識商品後自動算出總額，減少顧客在櫃台等結帳的時間。

3.店內設置取餐盒

原本銷售餐飲設備的UBO社長佐藤丈彥，2018年底在秋葉原開了一家壽司店Beeat Sushi Burrito Tokyo，顧客在到店之前可先點餐、結帳，在指定的時間到店後，在店內專用的盒子內取餐。店裡只需要備餐的人手，不需要服務人員，也不需要結帳，裝潢可以更簡約。

佐藤說，因應食物外送的需求大幅提高，電子支付的比例也愈來愈普及，20～40歲的人已經開始習慣用手機點餐結帳。但對消費者來說很方便的外送模式，對店家來說會增加不少出餐、和外送員溝通的工作，所以UBO乾脆自己跳下來做設備，店家只要把餐點放在指定的盒子裡，外送員直接取餐，省下中間的溝通成本。

責任編輯：林芳如、蕭閔云

本文授權轉載自：經理人月刊

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。