讓下一戰,贏在企業內部數據開放
讓下一戰,贏在企業內部數據開放

「如果未來10年,企業科技強度是決勝市場的關鍵,那AI擁抱程度,企業是否有預測市場的能力,將是差異化的核心。」在去年底全球活動上,微軟執行長薩帝亞.納德拉(Satya Nadella)提出了這樣的見解。

多年來,市場不斷提起,擁抱數據的重要性,數據如何幫助決策,或呼喊著,企業們都該趕緊轉型成「數據決策型企業」!而當數據已成為一種新能源,企業的「挖礦」實力成了勝負重點。

然在邁向2021,我們看到,數據影響的不只是決策,更是一間企業是否具有勇往向前的文化。

幾年前,微軟執行副總裁暨首席財務長Amy Hood受訪時指出:「以前,我們總是將讚賞那些記住許多數據,或可以快速回答問題的員工,但在未來,重要的不是每一位員工記住多少資訊,而是讓『員工都可以輕鬆取得所需資訊』,建立共識並加速決策與創新。」

過去,多數的組織皆是各部門擁有各部門的數據,行銷了解廣告投放成效,業務掌握客戶,團隊間數據不流通,不但讓績效難以衡量,跨部門溝通缺少一致的依據,更造成團隊間的互相猜忌。

然而我們也聽到越來越多企業的一線員工高喊「我需要更全面的資訊!」

試想,在過去資訊壁壘的時代,我們是否因此錯失了許多市場機會?

disconnect
圖/ 聯影

或許我們都在錯誤航道上決策

過去企業內部資訊不流通時代,各部門各自掌握著組織營運中的片面資訊,再擷取重要資訊上呈,提供給核心決策者裁決。然而,當員工無法看見全貌,又如何能提供準確資訊?也或許,決策者一直都在錯誤的航道上發號施令。更讓人擔憂的是,事事都須回報上呈的決策模式,以客戶優先的企業中,決策核心團隊的真正核心,是賦能一線員工能快速靈活地上戰場。 此時,數據的開放,就成了重要的關鍵。

而我們看到越來越多的企業正在從組織布局開始轉向,相比過去各部門獨立分析數據,以Central of Excellence為概念,成立轉型或數位決策相關部門,啟動內部數據串聯,解決過去各部門因KPI不同,各自為政的現象已成趨勢。

讓團隊從回顧過去,轉向著眼未來

這應該是決策者都很熟悉的場景,內部會議上,各部門的員工報告著過去一月或一季的表現成效,再勉為其難的,向公司承諾下一個月或下一季的目標。隨著數據分析工具、數據平台、AI數據預測等工具廣泛的被運用,員工能夠在正向循環中收集更多消費者洞察,使員工在擁有數據作為靠山下,企業的內部會議,就能從被動的報告過去(report the past),轉向為主動的預測未來(predict the future)。

2020年,所有企業都度過了疫情下的動盪時代,而這更讓我們看見,企業有主動對市場進行回應的韌性與能力,有多麼重要。

past future present choice shutterstock
past future present choice shutterstock
圖/ ShutterStock

一起勇往向前的文化

微軟執行長薩帝亞.納德拉(Satya Nadella) 更曾提及「組織衡量轉型成功的主要指標,包含是否有市場預測和分析能力。」如果一個組織跨部門間缺乏協同的掌握性,將無法為更重大的決策承擔責任。這更讓我們看到,「數據之前,人人平等」的文化,如何成為企業背後強勁的力量。

有一次我深刻體悟到,開放的數位工具,如何讓團隊快速因應市場。某天,我向業務團隊要求一份客戶報告,我原本預期兩天後會收到一份Power Point檔案,但沒想到下一秒,Teams傳來了一個Power BI的報表連結,數分鐘後,我們就在Teams上完成了討論,同仁們也快速地往下一步執行。

想要用數據預測市場機會,這條路該怎麼走?企業們只須記得三個關鍵步驟,「找出關鍵數據,善用BI工具分析,最後才有機會走到AI預測」。而企業們完全不需擔心缺乏適當工具,目前市面上的技術已超前,就缺企業的思維要趕快跟上!

當然,要做到組織內所有人員,都能理解數據懂得AI應用,培養員工基本數位素養,是所有企業的第一步。疫後,微軟看見了市場的急迫需求,在全球加推出了包含AI、資料庫等基礎課程免費上課考證,我們看見許多企業員工非常踴躍地爭取與參與,這讓我們無比欣慰!

Taiwan Startup Eyes Corner of Massive Edu-Tech Mar
圖/ Depositphotos

產業的未來機會點?

然而,我們也看到台灣許多品牌已加速走上擁抱數據。舉零售業為例,疫後的世界,消費者行為大幅轉變,在微軟新創加速器中,有一家專門為零售業做數據分析的深義資訊Deep Insight,他們提供了資料與AI分析的服務,幫助零售業整合來自POS、ERP、CRM等資料,分析消費者線上、線下的⾏為軌跡,輔佐品牌進行廣告投放或商業決策,疫情下就開始接到許多零售業者的訊問。

而我們也看見,全球面板製造領導廠商友達光電,更透過收集產線數據,進行分析預測,來降低產線的錯誤率,增加其產能,並迎戰變化快速國際市場。

上述製造業的應用,更讓我思考,過去10年我們大舉談著工業4.0,而隨著越來越多產業夥伴開始運用數據與AI,工業5.0基礎的「人」「機」結合已悄悄發生。台灣產業擁有絕佳的環境與基礎,在搶在工業5.0來臨前站上先發地位,但首要之務,就是「開放數據、擁抱AI」。

責任編輯:郭昱彣、陳建鈞

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場)

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
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」(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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓