AI新創Appier挖角IBM、Criteo業務大將，正式插旗歐洲市場|數位時代 BusinessNext

Appier挖角IBM、Criteo業務大將，正式插旗歐洲市場

Appier在延攬人才上相當積極，先是不斷從學界挖來大咖教授，現在則是瞄準全球市場拓展，挖角IBM與Criteo的大將擔任要職。

IBM、Criteo戰將加入，擴大全球市場

Appier目前在全球擁有15個營業據點，包含日本、印度與台灣等。為強化企業級市場開拓，Appier宣布延攬Michelle Wong擔任Appier企業業務資深副總。

在此之前，Michelle Wong曾服務於IBM將近24年的時間，期間歷任多項管理職務並擔任IBM東協（ASEAN）技術支援服務部總經理。在擔任該職務期間，Michelle Wong曾帶領IBM業務、營運和交付團隊，負責整個東協國家的損益表現。

Michelle Wong在企業級市場累積超過30年的深厚經驗，並擁有新加坡國立大學計算機科學學位，加入Appier後，她會帶領全球企業級商用團隊，負責推動Appier企業級AI和數據科學平台業務，並將往返於新加坡和台灣兩地辦公。

同時，Appier也宣布延攬Alban Villani以引領歐洲市場的擴張，Alban Villani將擔任Appier全球業務資深副總，負責管理歐洲、中東、非洲（EMEA）與東南亞地區的業務，他將以法國巴黎為據點開展業務。

在加入Appier之前，Alban Villani曾擔任Criteo的區域總經理，推動整個亞太地區以及橫跨零售、旅遊和金融等垂直行業的業務增長。在領導Appier全球業務的期間，Villani將與品牌和代理商緊密合作，運用深度學習技術為其產品和服務尋找新的受眾。

學界、業界兩邊挖，Appier積極吸納人才

在新冠狀病毒（COVID-19，俗稱武漢肺炎）席捲全球之時，企業運用AI加速數位轉型並提升效率已成必做的功課。Appier執行長暨共同創辦人游直翰表示：「對企業來說，現在正是最關鍵的時刻。Alban Villani和Michelle Wong是公認的全球業務領導者，他們兩位正幫助Appier的客戶運用AI和深度學習來實現並超越其業務目標，同時也將持續發展和領軍Appier遍布各地的國際菁英團隊。」

Appier在招募人才上一直都相當積極，除了瞄準能拓展全球業務的人才外，也不斷向學界遞出橄欖枝。

2016年，Appier找來有「機器學習之神」之稱的台大資工副教授林軒田擔任首席資料科學家；2018年，延攬師承Google Brain共同創辦人吳恩達、Google Cloud前AI負責人與首席科學家李飛飛的清大電機系教授孫民加入Appier，擔任首席人工智慧科學家；2020年3月，在台大資工系任職14年的林守德教授宣布加入Appier擔任首席機器學習科學家。

Google台灣的1號員工、前Google董事總經理簡立峰也在退休後加入Appier董事會。

人才絕對是企業起飛最重要與依賴的能量，從招募的力道上也能窺探一家企業的未來與方向，從業界與學界不斷挖來人才的Appier，短期內在拓展市場上的成果令外界期待。

責任編輯：陳映璇

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。