五百個陳文琦|數位時代 BusinessNext

大與小的對比，總是讓人氣惱；幸運的是，大通常代表舊，小通常代表新。小的通常慢慢變大，大的，則往往急速變小。這個過程，我們叫它「企業循環」。
新而小的企業，通常離消費者比較近－它們年輕，天生跟成長中的未來消費中堅站在一起；它們一無所有，只能拼命向前。更重要的是，當20世紀中科技開始左右經濟的變遷，它們是「發明」又「真誠相信」（true believe）的人。
所以它們中間有些能由小變大，緩慢，但是果敢。
大而舊的企業，相信它過往由小變大的事功，無法感受新科技的潛力、拒絕新人類的需要。它長年周旋在金融家晚宴與果嶺球場間，即使它對顧客有使命感，它也必定離顧客的喜怒哀樂很遠。
所以它們大部分都急速歸零，只留下錯愕的CEO自傳。
今年比爾蓋茲又在他西雅圖的豪宅舉辦年度總裁高峰會，感受特別令人深刻。照例，全世界各國大企業的CEO齊聚一堂，分享他們對未來世界的想法，這樣的做法，在九○年代看起來多麼新穎，但在今天，卻又感受些許老舊。
並非微軟的官司，使我們對它產生了偏見，而是我們驚覺金童蓋茲竟然無法感受Internet世界的自由與開放，他選擇了菁英，遠離了平民－過去一直付錢給他的多數人。在這個時空裡，企業的競爭與成功，「聽消費者聲音」、「與消費者站在一起」，遠比眾CEO的二手解讀來得重要，而且這「1-click-away」的時點，比這即將離去世紀的每一刻，更來得迫切。
即便如此，蓋茲也絕不邀請他的對手－甲骨文（Oracle）的拉瑞艾理森、昇陽（Sun）的約翰麥理尼以及美國線上（AOL）的史提夫凱斯，縱然這些角色佔據了網路時代關鍵再關鍵的角色。其中艾理森的身價，還在上個月超越了蓋茲。
蓋茲心中的企業藍圖，究竟是新經濟，還是舊經濟呢？
企業老化的速度很快，根據統計，全美五百大企業中，80%在30年內就退出榜外。但是國家老化的速度就慢得多，因為國家裡的企業會進行破產與創業間的新陳代謝。愈能「鼓勵」創業的國家，可以長青過祖宗三代，美國就是例子；愈難創業的國度，痛苦指數愈高，「高收入、低所得」的日本是負面教材。
科技不連續性競爭的時代，昔日資產就是負債，新價值必須靠新創事業（Start Up）來創造。國際智慧集合競爭的Internet時代，企業再也難以築造競爭壁壘，除了不斷提出創意的服務，再也不能坐收消費者「含恨」付出的「租佣」（rent）。美國東岸波士頓的高科技國防工業，瞬間被西岸的民生電腦工業取代，毫無還手之力；小一點的例子，昨天的防毒軟體巨人美國Symentec不敵台灣的趨勢科技，看似也不過五分鐘就山河易色。
新創事業除了掌握新科技，他們也在與市場的謙虛互動中，發現企業、產品、消費者最佳化的互動模式，比老大哥更能建構一個準確有效的商業模型。他們隨後的成功（reward），就是跟上社會心靈群組（mindset）演變的獎賞。威盛能夠在晶片組市場擊破Intel防線與觀察家眼鏡，就是這家不到十歲的小公司，了解了主機板客戶以及「客戶的客戶」－PC系統廠商的需要。
當然，新創事業的失敗者遠多於成功者，根據美林證券的統計，在1980至1999年的二十年間，美國共有1502家公司上市，但是只有其中的5%，創造了該項產業其中77%的總市值。然而縱然如此，也比50年前創辦的事業成功得多，今天沒有人再議論新英格蘭製鐵、摩根銀行這些昔日藍籌股；而思科一家的總市值，超過美國三大汽車廠的總和。
對比歐洲與日本，我們有理由相信：台灣正進入新高成長的跑道中。台灣是一個破產與創業都很容易的國家（除了金融業）；台灣在過去高科技市場的爭戰中，磨練出對科技敏銳的感受力；而且台灣高教育的知識工作者，正佔據就業市場最多人口；台灣是海島型經濟，從來沒有「自大」過……。
我們也許不會有一個比爾蓋茲，但是不妨期待有五百位威盛陳文琦總經理，他們的新創Cool Company，將共同創造匹敵今日微軟的價值！

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。