西門子、Uber都是它客戶！Celonis首創「流程挖掘」技術，如何幫企業解決內部痛點？|數位時代 BusinessNext

西門子、Uber都是它客戶！Celonis首創「流程挖掘」技術，如何幫企業解決內部痛點？

企業軟體服務獨角獸Celonis首創「流程挖掘」技術，幫助各大企業簡化內部流程，不僅獲得投資人青睞，其估值也飆至110億美元。

首創「流程挖掘」技術，協助企業簡化內部流程

Celonis是由亞歷山大．林克（Alexander Rinke）和他的兩位大學好朋友共同創立於2011年，總部位於慕尼黑。其實，三人最初是在慕尼黑大學一起進行研究計畫，其主題為「如何幫助企業現實改善客戶服務」，但在進行企業訪談時，他們發現企業很難檢討自己，例如一家企業要花5天才能提出簡單的解決方案；而與員工進行訪談時，發現沒有人願意說實話，因為大家都不想負責任。為了解決這個問題，三人想到可以直接將企業中「人」的因素去除，以了解企業流程。

畢業後，他們決定把該專案擴展成真正的新創事業，並創立了Celonis。使用資料探勘、資料分析等軟體技術，判斷企業當前的表現及需要改善的方向，進而協助企業提升經營效率。其中，Celonis最著名的就是首創的商業「流程挖掘」（Process Mining）技術，透過對公司事件和log中的資料進行分析，協助企業輕易地從各部門系統中擷取資訊，並提供關鍵流程執行方式的詳細資訊，實現簡化公司的內部流程。

為各大企業提升效率！將日本企業界視為下一個目標

流程挖掘可以幫助企業解決兩項常見的問題。 第一，協助企業說明某個商業流程目前是如何執行的 。一般在改造商業流程時，企業都只關注改善後的「期望」流程，沒有興趣探究「現狀」，但了解企業內部的當前流程，才能知道是否值得投資於改善流程、績效等問題，以及整個組織在流程上有多少種不同的做法。 第二，企業中的商業流程與其資訊系統間通常缺乏連結 。儘管有些企業系統是流程導向，如SAP，可能有「訂單到現金」（order-to-cash）、「採購到付款」（procure-to-pay）之類的流程，然而，卻沒有一種簡單的方法可以解釋流程與資訊系統之間的關係。

以科慕公司（Chemours）為例，科慕是杜邦公司（DuPont）於2015年分拆旗下高性能化學品事業部而成立，承襲杜邦的商業流程和一個過時的傳統企業資源規劃（ERP）系統。借助Celonis，科慕希望改善的第一個目標是「訂單到現金」流程（O2C）。然而，當時沒有人能真正說明科慕的O2C流程是如何執行的，因為人們通常只看到自己在流程中的那一個部分，而不關心整個流程。

Celonis花了四個月進行流程挖掘，將公司各系統所記錄的事件及log進行逐筆分析， 在過程中把「人」的因素去掉 ，用完全理性的電腦資料分析及演算法方式評估企業流程，最後才挖掘出科慕公司流程的實際執行情況，讓所有人了解整個流程，並揭露一些明顯的問題。例如信用保留（credit hold），企業會把策略性客戶置於信用保留狀態，以便O2C流程中的手動步驟得以進行，但這其實是一項不必要且多餘的流程。

自成立以來，Celonis已利用流程挖掘技術幫助許多來自世界各國的大型企業，完成公司內部流程簡化，例如綜合機電大廠西門子（Siemens）、Uber、3M公司、跨國醫療及工業儀器製造商丹納赫（Danaher）、漢莎航空（Lufthansa）等全球領先的企業都依靠Celonis提高其財務、供應鏈、資訊科技、銷售和客戶服務職能的各項效率。

目前，Celonis正積極開發及精進一個適合處理全球500強公司巨量資料的流程挖掘方法。未來，Celonis將著重於提高市場戰略，改善公司技術，並進一步地擴大全球市場。Celonis的下一個目標，是希望能打進對於效率、改進極為重視的日本企業界。

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。