生成式 AI 席捲各行各業，但企業導入後「開局精彩、落地失敗」的情況卻屢見不鮮。由於技術與業務脫節、導入週期冗長、人員無法操作等問題，許多專案難以發揮預期效益。2019 年成立的 Data-DI Solutions 看見這樣的斷層，提出「No Code AI + AI Landing」雙軸策略，專注解決企業在導入過程中的落地困境，協助中大型企業以可控成本與快速周期完成導入，帶動實際營運成長。
AI Landing，陪跑企業落地應用
「AI 不是萬能，要能發揮效益，企業必須先有系統化的資料與數位化流程。」Data-DI 解決方案顧問包威棣指出，許多企業導入生成式 AI 時，往往高估技術能力，卻忽略自身基礎建設與後續驗證的重要。AI 若要優化效率，前提是企業先具備穩定的資料與流程架構，否則就像在沙地上蓋屋，難以長久。
Data-DI 的解法，是以「AI Landing 陪跑計畫」協助企業跨越導入瓶頸。顧問團隊從需求定義、流程設計到上線驗證全程參與，協助釐清問題、建立可驗證的導入路徑。透過系統化的四步驟流程，企業可在五週內完成導入，並逐步培養內部使用習慣與評估機制。
包威棣以汽車集團的案例說明，Data-DI 透過 16 小時工作坊，讓員工實際參與 AI Agent 的設計與測試，最終使流程時間縮短三成。「當員工親眼看到效率被釋放，信任與採用意願自然就會提升。」他說。
創立六年來，Data-DI 以顧問式導入模式深耕企業市場，創下 90% 續約率與 120% 續費率，反映其服務在導入成效與信任關係上已獲市場驗證。
AltaBots.ai，實現 No Code 的 AI 應用
若說 AI Landing 解決的是導入成功率的問題，那麼 No Code AI 則打開了使用門檻。包威棣指出，過去 AI 專案常由工程師主導，但技術懂架構、不懂業務；業務懂需求，卻難以轉化為程式語言。「AI 要真正落地，就必須讓最懂現場的人能自己動手。」
因此，Data-DI 推出企業級 No Code AI Agent 平台 AltaBots.ai，即使非技術背景的人也能在拖拉介面中建立 AI 應用。該平台內建超過百種模板，涵蓋客服、行銷、營運與數據分析等場景，並支援主流大型語言模型串接與負載平衡，也協助企業控制 LLM token 成本。
包威棣強調，No Code 的價值不僅是節省開發時間，更在於「讓 AI 民主化」。業務人員最熟悉顧客與流程，當他們能自行建立並驗證 AI 應用，技術就不再是難以摸索的黑盒子，而能持續被優化與調整。Data-DI 也因此打造企業級 AI Workspace，讓團隊能共享應用、協作優化，使 AI 從個別專案進化為組織文化的一部分。
Alta.DI，從客服到行銷的整合式 AI 引擎
Data-DI 的另一核心產品 Alta.DI，則將 AI 能力延伸到顧客服務與行銷前線。平台整合 LINE、Facebook、Instagram及網頁對話框等多通路訊息，協助企業處理大量客戶互動。系統採用 RAG（Retrieval-Augmented Generation）技術與 AI 反問機制，能理解語意並即時優化回覆，避免錯誤生成或資訊不一致。平均來看，AI 可處理高達八成重複問題，搭配 AI Copilot 工作台進行自動派單與知識優化，整體客服效率可提升約五成。
包威棣舉例，旅遊業者在旺季期間客服需求暴增，AI 能即時回覆行程、簽證或退改政策等常見問題，真人客服則可專注於客訴或特殊情境處理。日本社交平台客戶的例子更為明顯，過去近半人力都用於回覆重複問題，導入系統後有八成以上由 AI 自動應答，客服人員得以轉向更具價值的溝通。
與傳統 Chatbot 不同，Alta.DI 不是依賴關鍵字或預設選項，主要靠理解自然語言與上下文意圖；另外，也有 AI 標籤功能，例如偵測到詢價行為時，AI 能自動加註標籤並轉交真人客服報價，讓轉接更即時、更精準。
「企業要做 AI 轉型，首先要讓決策者有信心。」包威棣強調，這些案例也顯示，AI 導入必須與企業策略連結；當企業看見實際成果，不僅決策者會更有信心，也才有機會進一步培養組織內部的使用習慣。
他觀察，2024 年後企業對 AI 的信任度明顯提升，越來越多公司願意編列預算，嘗試讓 AI 與營運流程深度結合。因此，Data-DI 也鼓勵企業採取「小步快跑」策略，從具體場景驗證成效，再逐步擴大應用。
展望未來，他也以「整合」與「習慣」兩個關鍵字描述企業級 AI 的方向。整合，意味著 AI 不再是外掛工具，而要嵌入既有工作流程；習慣，則代表使用者的信任逐步養成。「當員工真的習慣使用 AI，產出自然會更好。AI 和人的關係也將從輔助變成共學。」
