GM,老大象跳恰恰
GM,老大象跳恰恰
1999.11.01 |

在美國,網路上賣車的獨立線上經銷商,已經開始重寫汽車銷售的遊戲規則。
根據統計,近三成的消費者會在購車前,透過Internet比價與蒐集資訊。各地經銷商則付費給網路經銷商,試圖取得「區域專屬權」,讓網路經銷商如Auto-By-Tel、Carpoint、Autoweb.com等,為實體經銷商帶入銷售客源。

**尋變1
先在加州、華盛頓、奧瑞岡、愛達荷四州設立「Buy Power」網站,測試線上購車

**
這件事讓汽車製造商和經銷商傷透腦筋,因為網際網路的比價功能,讓原本擔任中介角色的經銷商必須不斷向聰明的消費者證明他們的誠實。網路讓購車者很容易做事前的準備,他們可以拿著調查到的最低價,到經銷點和業務人員「要價」,而不是相信製造商建議的經銷價格。
「消費者即將抓住購車過程中的控制權,汽車業者必須完全服膺消費者要我們做的事,才能留在業內,不被淘汰,」美國克萊斯勒董事長Robert Eaton在全美汽車經銷商大會中如是警告。
線上購車的趨勢迫使三大汽車廠思考:線上購車究竟是未來趨勢還是一時風潮?如果消費者持續在網路上買車,未來的經銷體系價值何在?什麼是汽車製造商未來最佳的營運模式(Business Model)?什麼是未來汽車銷售的通路主流?
製造Opel、Cadillac、Buick等車系的美國第一大汽車製造廠──通用汽車(GM, General Motors),兩年前開始進入網際網路的新世界,企圖為Internet時代的汽車製造商,找出未來的出路與模式。
他們先是「大膽」地開設了線上購車網站「BuyPower」,初期只在美國加州、華盛頓、奧瑞岡、愛達荷四個州進行測試。BuyPower可以讓消費者看到GM各經銷商的庫存情況、了解比較各經銷商的價格,也可以比較其他類似配備等級的競爭品牌車的價格,同時讓消費者在線上申請汽車貸款。
但是網站一推出,卻遭到各種困難及質疑。不是每個競爭品牌製造商都願意公開價格,也不是每個經銷商都樂於開放庫存數量好讓消費者聰明地殺下他的利潤。在初期實驗的四個州,只有60%的GM經銷商願意和BuyPower簽約。

**尋變2
這個測試網站無法吸引非GM的客戶,外界掌聲不多

**
外界也並沒有給予GM的勇於嘗試太多掌聲。波士頓顧問集團Khaykin說,GM的網站無法吸引非GM的客戶,「他們並沒有創造新的企業模式,他們只是用一種新的媒體重新回收(recycle)他們的客戶。」
賣車網站Autoweb.com的創辦人Payam Zamani認為,GM應該後退一步,「他們應該把Internet當作是廣告媒體,就像電視和收音機一樣,而不是自己開始去經營一個電視台。」GM的積極,也引發經銷體系的不滿,認為他們很有可能成為經銷商未來的競爭者。
但是GM的布局背後顯示著他們的憂慮:美國共有2萬3000家經銷商,經銷體系已經過於飽和,太多的經銷商追逐太少的買主,已被認為是「自負而無效率」。分析家預估,當經銷商縮減到9000至1萬2000家時,製造商將大幅節省通路的成本,縮減所有成本的15%。

**尋變3
經銷商危機帶來壓力,台灣GM開始網路賣車

**
更重要的是,GM已經感受到,在一個以消費者為中心的網路時代,他們必須更貼近消費者的需求,才能避免被淘汰。
在美國巔巔簸簸的實驗過程,還沒找到結論,在台灣,GM卻因著一個「意外」,成為開創台灣網路賣車的先驅。
今年六月,台灣GM開始透過網路賣車,成為台灣第一個線上賣車的汽車製造商。與其說是因為遠見,不如說是危機帶來的壓力。
台灣通用主要的經銷體系——國產汽車發生財務危機之後,台灣通用苦思新的銷售可能性,在這種狀況下,網路購車便成為值得投注的新管道。
沒想到,三個月內,台灣GM透過網路賣出50幾輛車。台灣GM總裁蔣泰瑞說,他們的模式結合了虛擬與實體(click and motar)的操作過程:網路提供資訊,代替實體Showroom的功能,線上諮詢服務人員則透過網路解答消費者疑問,同時提供消費者到府試車的服務。
台灣GM發現,低價車比較適合網路銷售,在網路上提供實際的價格折扣,則是吸引消費者的不二法則。GM目前的銷售也以庫存車為主。
台灣的模式已經吸引全球總部的注意,決定將台灣納入全球四大「領航計畫」(pilot project),做為實驗電子商務模式的灘頭堡。

**尋變4
效果不錯的台灣經驗,成了GM全球總部電子商務模式的灘頭堡

**
台灣通用汽車總裁蔣泰瑞指出,之所以選擇台灣,主要是因為美國的實體銷售體系與機制已經非常成熟,改變要付出的代價與困難也較大;而台灣市場對於新科技導入與新的購物型態,接受度很高,台灣通用的成績也證明台灣發展電子商務的潛力。
台灣當然也有類似的利益衝突。「要讓消費者接受,可能要比內部人接受容易,」負責規劃線上購車的台灣通用汽車網路行銷經理林瑤容感嘆地說,經銷商曾經為了抵制網路賣車小組,在一夜之間提走了所有的庫存車,讓網路購車小組無車可賣;也因為和實體經銷商的利益衝突,讓網路購車一直無法定位價格,提供較好的價格折扣。財務人員也一直不能理解網路部門的投資要如何看到回收,因而時時掣肘。
全球總部的支持,給了網路小組一計強心針,在領航計畫中,台灣GM的網站將從現在的「陽春型」服務,擴大到線上汽車貸款、線上付款、甚至可以依消費者喜好訂出「個人化車型」、供應商可以透過網路看到每小時訂單的狀況……。
台灣和美國的實驗才要開始,沒有人知道什麼模式才是最好的「答案」。美國媒體曾用「大象跳恰恰」,形容GM的轉型。不論他們成功與否,但是這隻大象勇於挑戰未來的精神,應該能讓他們有更豐富的學習。

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
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」(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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓