打通醫藥體系經脈|數位時代 BusinessNext

亞洲醫藥網最初的想法就是從這裡出發，希望在藥商與診所之間重新建立集體議價採購的管道，降低藥商在行銷、人事上的開銷，轉而變成對醫療院所的價格優惠。幾年之間，從一個簡單的創業計畫，演變成橫跨台灣、大陸、日本、美國，員工人數將近150人的大型網路公司。這個起點，來自於現任董事長，前立法委員郁慕明。
郁慕明回憶當時，還在證券業服務的曾彥杰帶著一套重新打造藥商與醫療院所之間的通路方案來找他，「我不懂網路，但是我瞭解趨勢，」具備藥學背景的郁慕明說，「但的確沒想到會有現在這個規模。」
今年，亞洲醫藥網預計營業額約為新台幣十億，並且要開始前進北京、上海、廣州等重要據點。亞洲醫藥網總經理曾彥杰，邊想邊算著，台灣、大陸、香港、日本，總計大約150人。曾彥杰指出，台灣醫藥產業的上下游分工相當清晰，因此，台灣本部的四十多個人中，大都與業務開拓有關，相對的，大陸的醫藥產業才剛剛從一切看國家的公醫制度中釋放出來，私人醫療院所慢慢出現，因此，擺在大陸的人力就著重在產業環境研究。
亞洲醫藥網鎖定中小診所，召集會員，協助會員整理藥品採購需求，透過集體採購機制，協助中小診所向藥商爭取更優惠的價格，曾彥杰分析，一家小型診所每個月的藥費要十幾萬，中大型診所就可能高達四、五十萬，「每一個百分點都很重要。」
亞洲醫藥網從一開始就鎖定個人診所作為主要客群，長期經營下來，已經有了上千名客戶，原先還想要購併專為中小型診所設計管理軟體的展望資訊，雖然購併不成，但仍維持著相當密切的合作關係。如果光是切進採購藥品的通道，跟網路其實可以一點關係也沒有。「我們當然是網路公司，」曾彥杰說，「我們也為會員設計了專屬的交易平台，月底，馬上就有一百家中大型診所上網採購。」
「我們先從資訊交流的平台做起，然後才能建立會員在這裡交易的信賴感，」曾彥杰說。為此，亞洲醫療網還為醫生會員們設計了專屬的社群交流空間，未來還要提供會員整合型態的交流服務，「透過亞洲醫藥網上交流區，電話、呼叫器、免費信箱、電腦等等都可以整合起來。」
郁慕明自謙不懂網路，但是他也看到了網路無國界的特性，「如果只是台灣，發展一定會遭遇障礙，所以，亞洲醫療網必須鎖定華文、醫藥兩個特色，全力建立關鍵地位，這才是永續發展的基礎。」

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。