ASML第3季營收亮眼！美國禁令加上客戶砍支出，接下來怎麼應對？|數位時代 BusinessNext

地緣政治不會延燒ASML？分析師：仍有隱憂

Dassen表示，ASML本質上是一間歐洲企業，而在EUV中也並未包含太多的美國技術，自然受到限制的情況並不多，「但ASML還是會盡全力遵守禁令規範，並持續出口非EUV的產品到中國。」

不過，《路透社》引用一份瑞士信貸（Credit Suisse）的分析師報告指出，雖然已預期ASML本季的財務表現相當正面，不過仍預期在2023年，持續會有隱憂。其中，白宮對中國的防堵政策是其中一大考驗。

ASML雖然是一間歐洲公司，但在2019年時中國地區佔其營收仍已達到16%，美國政府近來更是絞盡腦汁，希望ASML停止提供機台給中國。此外，ASML也證實，已要求旗下的美國員工，停止直接或間接地，為中國客戶提供任何服務，直到另行通知為止。

事實上，美國禁令不只燒到ASML，一位任職中國科林研發（Lam Research）且負責長江、長鑫存儲的員工便指出，在本月12日禁令正式生效後，大部分在中國科林研發工作的人員，都已經開始撤離現場，就連之前下的訂單，也全數不可交付，科林甚至必須退回預付款項，顯見禁令衝擊在設備業者身上，已開始發酵。

台積電、美光都砍資本支出，2023年ASML情況未明

另外，隨著半導體進入週期性的景氣下滑循環，富邦投顧指出，ASML最大客戶的台積電，已在上週的法說中表示2022、2023年會下修10%的資本支出至360億美元；記憶體大廠如SK海力士（SK Hynix）、美光（Micron）、鎧俠（KIOXIA）也將縮減資本支出。

雖然上述ASML的客戶群不段傳出大砍資本支出，Dassen對於今年度的市場需求仍非常有信心。他指出，仍有不少客戶希望能儘快的交付產品，「目前的需求仍大於供給。」不過富邦投顧卻認為，ASML過去幾季訂單金額持續增加的狀況，在未來可能出現反轉。

而對於2023年的展望預期，Dassen則表示：「現在談還為時過早。」不過他也重申，艾司摩爾對於明年將交付60台EUV和375台DUV（深紫外光曝光機）的目標，仍未改變。

ASML第三季營收直衝58億歐元，高於市場預期

雖然在地緣政治的影響下仍有陰霾，不過ASML第三季的財務表現相當亮眼。銷售淨額 (net sales) 為 58 億歐元，其中的15億歐元來自軟體與安裝服務收入，高於ASML先前的預期，同時優於市場預期的9%。其中，第三季EUV的出貨總數為12台。

Dassen分析，本季表現強勁的原因有三。首先，安裝的速度遠高於預期，這表示營收的進帳也會跟著上升；其次，高於預期的產業升級情況，帶動了安裝收入的提升；最後，由於在過去幾季，我們祭出了一個特殊的工廠解決方案，必須先向客戶展示該方案的價值所在，因而延後的營收的貢獻時間。

基於上述原因，ASML本季的毛利率也衝到51.8%，同樣高於預期。此外，Q3的淨收入為17 億歐元；而設備訂單金額也於本季再創新高，達 89 億歐元，包含38億歐的先進0.33NA（NA為數值孔徑）機台，以及和0.55NA的EUV設備，皆用於先進製程的生產。

對於第四季，Dassen表示，預估銷售淨額將落在61至66億歐元間，其中將包含16億的安裝收入，毛利率則會落在約49%。ASML並未解釋原因，僅強調預估2022全年毛利率有望落在約50%，全年營收預計將落在211億歐元。

責任編輯：錢玉紘

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。