最近科技業最紅的職缺，不是資料科學家，也不是提示工程師，而是把AI導入企業工作現場的「前線部署工程師」(Forward Deployed Engineer，FDE)。這個角色最早因美國軟體與服務公司帕蘭泰爾（Palantir）而成名，如今OpenAI、Anthropic、微軟這些巨頭也紛紛跟進，開始砸大錢成立專門組織，把工程師直接派進客戶現場。

FDE會紅的原因在於，再強大的模型，都沒有辦法靠員工個人、單點式的使用來落地，需要有人盤點流程和數據，決定在哪些地方使用 AI 或串接系統，才有辦法讓 AI 規模性的進入營運現場。

對於幫公司導入數位服務的資服業者來說，每一次派工程師進客戶現場解決問題後，能不能把經驗轉化成某種知識、變成下一個客戶也能用的東西，也因此變得格外重要。由於靠工程師進到企業現場，專案經驗無法累積、業務規模也高度依賴員工數量。但生成式AI到來後，這種「以人力堆疊營收」的模式迎來轉機。

數發部長林宜敬多次公開呼籲，資訊業者應該開始做產品，從單純做專案收費，到運用專案經驗、做出可複用的產品，提升人力服務的量能。AIF近期召開了一場專家會議，邀請產業及學界專家共同探討，資服業者如何利用 AI 帶來加速開發的機遇，讓營收不再受限於人力天花板。

深入具體場景做利基型產品

針對「AI 產品化」這個命題，專家討論一開始就碰上什麼是AI產品化的定義問題。與會專家都同意，單純在員工工作過程中運用 AI 加速產出，例如用AI寫程式碼、設計介面，不是 AI 產品化。

但產品裡有用到 AI 就算 AI 產品化嗎？AIF 的實地研究發現，AI 產品化遠比「把 AI 能力包進產品裡」來得多元。

有些業者確實是把 AI 加入既有的產品裡，也有業者是基於 AI 的能力做出產品，比如打造一套基於視覺辨識而搭建的流程自動化（RPA）平台。但也有業者是看好企業導入 AI 後衍生出的控管需求而開發出產品，並不必然是在既有產品中加入AI。

不過，與會專家一致認為，AI 產品如果沒有結合特定產業的領域知識（domain know-how），就難以真正解決企業問題。對於台灣的資服業者而言，單純比拼模型能力，不會是新創或中小型資服業者的戰場，與其在通用能力上跟 OpenAI、Anthropic 等大廠拼，不如往垂直、具體的場景裡找題目。

這也是水務新創企業臥龍智慧的優勢。這家公司鎖定的是傳統產業裡的水質監測處理問題。設備出狀況時，現場人員常常分不清究竟是水質本身出了問題，還是感測器本身故障，此外做水處理時要加什麼配方、加多少、什麼時候加，都依靠現場管理人員的經驗。即使有記錄，許多公司是用紙本，難以分析利用。

公司創辦人原本就在科技業大廠擔任廠務工程師，專門負責水質處理。一家傳產與他合作後，發現 AI判讀的精準度明顯高出人工經驗許多，接著花了約半年時間，把原本仰賴老師傅經驗、紙本記錄的水質管理流程，轉化成一套智慧化管理系統。由於幫客戶省下大量工時，連帶降低了藥劑用量的成本，客戶欣然買單，如今已使用超過3年。

從這個案例可以看出，真正被驗證有效的差異化策略，從來不是誰的模型更強，而是誰更早、更深地扎根進具體的產業場景，並且願意花幾年以上的時間，陪客戶試驗、調整、衡量成效，評估導入成果。

與會專家提醒，AI 產品落地不只是看客戶用了多久，還要看是否有根據客戶需求或技術持續演化，不是做好了賣出去就一勞永逸。

客戶不一定是產品的最終使用者

調查的第二個洞察是，做產品，並不代表每家資服業者都得靠自己從零累積某個行業的專業。如果自己還沒有能力把某個領域的know-how包裝成客戶用得上的東西，找到領域專家合作，一樣走得通。

根據 AIF 研究觀察，部分公司在發展產品的早期，也曾嘗試過直接找終端使用者解決問題，但發現終端使用者經常缺乏誘因，例如工地現場的工人對於配合規定或檢測往往缺乏動力，而使用產品的店家或工廠老闆，多半只在意「有沒有系統可以用」，未必想耗費心力參與解決問題的過程。

經過多次失敗經驗後，他們意識到，真正的客戶不是這些終端企業或使用者，而是那些在幫企業解決問題的系統整合商(SI)。

例如慧穩科技第一個真正成功的案例，其實是讓一家同業SI變成合作夥伴，由夥伴SI負責將產品推向市場，自己則專注在技術和產品研發上。業者需要做的，則是陪著客戶去了解使用者需求，把產品做出來。當客戶能因此獲得業務上的成功，自然會願意買單。

因此，不是所有公司都需要自己在一個產業場景蹲點，才能做到垂直深耕。有時候，真正的捷徑，是找到那個已經在領域裡有多年經驗的人，建立緊密的合作關係。

與會專家指出，不論harness、loop或prompt engineering怎麼做，SI都掌握著中小企業的資料入口，因為SI過去賣了很多系統給中小企業主，若能找到對流程理解深入的業者，會是打造產品很好的切入點。

資服業者產品化四大能力

如果資服業者要把自己的知識和能力變成產品，有沒有一些可供遵循的共通能力？會議最終收斂出資服業者需要的四大能力，分別是：了解產業領域的能力、把不同技術與流程整合起來的能力、把技術轉換成生意的商業能力，以及能陪著客戶走過漫長導入過程、建立長期關係的信任能力。

這四種能力，也正好呼應前面兩種切入點的核心邏輯。

了解產業領域的能力，是透過在場景裡蹲點觀察、靠時間換來的判斷力。整合能力與信任能力，則是業者要有辦法把自己的技術，跟SI既有的客戶關係、服務流程整合在一起，而且要願意陪著SI一起進到終端客戶的使用場景，了解自己的產品如何發揮價值。

至於商業模式能力，則是落實上述方法的大前提。不論是自己紮根，還是找夥伴合作，最終都要能講清楚，這筆生意的錢從哪裡來、怎麼持續進來，而不是靠一次性的專案費用。

資服業要走的產品化之路，是要學會歸納過往的經驗，把專案的工作過程拆解成一套可以持續累積、可以被下一個客戶複用的模組。不論是用什麼方法建立自己的產品，不可或缺的，都是要先找出能夠為其直接創造商業價值的客戶。

當 AI 衝擊資服業既有商業模式，如何將自身擅長的領域知識，與長久累積下來的客戶經驗，轉換為可規模化的產品？請見：2026 資訊服務業者經營賦能計畫

根據《2026台灣產業AI化調查》顯示，超過五成的企業在推動AI轉型過程中，優先選擇與原有合作的系統整合商（SI）或獨立軟體開發商（ISV）合作。這項數據凸顯了系統業者在台灣產業AI化進程中不可替代的樞紐地位。

然而，在龐大的AI生態系中，沒有任何一家企業能夠從底層晶片、工業硬體，一路包辦到上層演算法與應用。當市場對AI落地的期待普遍聚焦於「低成本、高安全性」時，台灣的軟體服務商、系統整合業者與工業硬體大廠，究竟該如何在各自的垂直領域中打破落地落差，共同打造具備高韌性的創新生態系？

高通於8月26日舉辦「高通AI生態共創論壇」，邀集領域專家與會，共同探討面對快速變革的產業環境，台灣軟體與系統整合商在不同產業中，該如何打破理想與現實之間的落差、找到關鍵著力點。

客戶不會為模型買單，而是為解決問題的能力

「客戶不會因為你做了一個很厲害的模型就買單，只會因為你幫忙解決實際問題而掏錢。」台灣智慧雲端有限公司策略長李立國一針見血地指出，AI 應用競爭優勢從來不在大模型本身，而在於團隊對客戶所處垂直產業領域知識、資料流與作業流程的理解，以及能否根據實際業務情境精準調校 AI Agent（智慧代理）。

這與台灣先進車用技術發展協會秘書長沈舉三的觀點呼應，他認為，多數企業客戶並非從零開始建置系統，而是已有累積架構、數據與傳統商業模式，因此SI的核心任務在於協助客戶掌握現況，進而在多重技術堆疊中轉型。

他同時也強調，對獨立軟體公司（ISV）而言，技術固然重要，但最終決定競爭力的關鍵，依然是能否建立起穩健且可持續的商業模式。

AI為台灣汽車產業帶來機會，但跨域整合是最難的一關

沈舉三進一步指出，系統整合又可分為「軟硬整合」、「虛實整合」與「跨域整合」三種層次，難度最高的就是跨域整合。以先進車協深耕的汽車領域為例，過去一輛車上的電子元件成本占比不到10%，如今已攀升至30%以上，這對過去三十年難以切入傳統封閉車用供應鏈的台灣ICT與軟體業者而言，無疑是前所未有的龐大商機。

在車載運算上，仰賴雲端運算會面臨即時反應的延遲風險。「一台車的晶片從早期的個位數，暴增到如今動輒上百顆，但車載算力不可能無上限增加。」他指出，如何透過邊緣AI（Edge AI）在有限算力與成本中達到極致平衡，正是當前車廠的共同挑戰。

沈舉三直言，「軟體定義車輛」最艱鉅的挑戰在於跨界融合，也就是軟體開發者不能只懂演算法，還必須深入理解車輛本體、車聯網協定、外在環境感知、座艙娛樂系統以及駕駛行為習慣。面對如此複雜的生態系，就算國際一線大廠也無法單打獨鬥包辦所有應用，而這正是台灣SI與ISV可以攜手共生、展現實力的機會。

透過模組化平台與供應鏈韌性打造新一代應用
而在工業領域，不同於追求快速迭代的消費型電腦，全球工業電腦龍頭研華科技協理王聖文指出，工業與醫療等場域具備極高的嚴苛性與特殊規格門檻，正是工業電腦無可取代的核心價值所在。面對AI時代晶片架構多元化與地緣政治的雙重挑戰，研華透過模組化硬體平台與彈性供應鏈製造，攜手SI與ISV，加速新一代智慧應用落地。

「研華的定位，是作為SI與ISV的堅實後盾。」王聖文表示，這樣的角色能協助合作夥伴大幅降低進入垂直市場的門檻。由於工業與垂直場域向來具備「少量多樣」的特質，多數ISV與SI難以獨自承受漫長的硬體開發週期及高昂的委託設計費用。因此，研華將服務範疇區分為兩大部分：其一是標準化現貨產品，將過去累積四十餘年的經驗，建構出一套具高度一致性與可預測性的產品發展藍圖（Roadmap），涵蓋工業主機板、單板電腦（SBC）、模組到完整系統，使客戶能無縫接軌當前與未來的硬體架構；其二則是針對出貨規模較大，或具備特殊規格限制的應用，提供量身定制的客製化開發服務。

王聖文將AI帶來的浪潮視為正向的轉型契機，尤其面對工業市場越來越多元的架構選擇，研華調整了傳統的開發思維，轉向以應用市場實際所需的I/O規格為出發點，例如高算力、低功耗、電池驅動，以及視覺辨識等需求，開發對應的產品。研華也運用更多元的平台，涵蓋不同的算力、功耗與I/O組合，藉此對準所聚焦的市場，包括傳統的醫療、零售、自動化，以及機器人、交通等新興產業。

台灣需要強化人才「專案規劃」的能力

艾陽科技營運長暨創辦人林鼎則從獨立軟體開發商的角度建議，台灣的人才培育應加強專案規劃能力的訓練。他以公司去年協助一家傳產客戶進行AI系統升級為例：該客戶過去仰賴Excel作業、缺乏數位化文件，須先將採購、來料檢驗、組裝測試、入庫到客訴處理等流程，依循ISO 27001、27701、14001等標準逐一數位化，才能進一步做資料分析與良率預測；若系統同時涉及全球多廠區的前後端辨識設定，衝突時如何取捨更考驗系統架構功力，而這類實務經驗往往是學校教育難以傳授的。

他以自己就讀柏克萊大學時透過「capstone project」（類似台灣產學合作計畫）接觸各產業真實需求的經驗說明，這正是多數企業傾向與既有系統業者合作的原因，在於業者最了解客戶的流程與系統脈絡。

政府補助不是給錢就好，要有規格與路徑

林鼎也觀察到，日韓政府對AI落地的支持力道相當積極，且補助審查機制相對嚴謹。例如一項三千萬元規模的補助案，會明確要求至少一半經費須投入AI設計與相關硬體建置。他對比指出，台灣過去不少大型企業取得補助後，僅以其中一小部分（如一百萬元）執行AI相關項目，驗收通過後案子便宣告結案，但這樣的做法其實無助於真正提升產業的整體承接能力。

他建議，政府補助應有明確的規格要求與執行路徑，並與國家整體政策方向緊密結合，同時建立後續查核機制，最終再以國家採購的形式落實，如此才能為台灣產業帶來實質助益。

生態系共生才是解方

沈舉三總結指出，過去由大型產業龍頭說了算，下游照單全收的模式已不復存在。以車用晶片與智慧運具為例，各大 Tier 1 大廠與主要車廠早已打破單一綁定，同時與輝達（NVIDIA）等多家運算大廠展開多軌合作。「以前是原廠有晶片、要別人趕快用；現在是誰的解決方案能幫客戶把車賣得好，晶片採用量就跟著放大。」

他認為，在邊緣 AI 與智慧轉型時代，小型創新團隊同樣有機會「小兵立大功」。面對生態系全面洗牌的挑戰，政府若能扮演好引導與採購推手，台灣軟硬業者攜手構建具備韌性的共生體系，眼前的產業危機將轉化為台灣下一波飛躍成長的關鍵契機。

提到AI應用，多數企業常陷入一個迷思，是否模型越大，AI導入越容易成功？對此，台灣智慧雲端策略長李立國提醒，企業如果想要訓練一個大模型，得要有夠大的投資規模。因此，他建議，企業也可以從營運過程中的諸多「小任務」出發，由於這些小任務多半與員工現場的具體問題相關，在模型規模與地端GPU算力要求不高。且這些小小的AI導入成功案例，也能有助於企業計算ROI。

從特定用途出發，打造專屬藥事Agent

李立國以台智雲與醫療業合作的「藥事 Agent」專案為例說明。這套系統採用複雜的多代理人協作架構（Multi-Agent），透過AI技術輔助藥師與醫師在第一線把關用藥安全。目前已可運行於高通的 Notebook 裝置上。

「藥事Agent」主要融入28項臨床用藥常規，並結合衛福部藥品仿單及實際醫院用藥習慣開發而成。系統核心功能包含三大環節：首先是多重處方掃描，使用者可直接上傳仿單或處方箋，系統支援一次掃描多張處方箋並自動辨識內容；其次是用藥安全與交叉作用分析，AI會結合患者個人檔案，自動分析多重用藥間的交互作用風險，並提出劑量、用法建議，甚至評估個別藥物是否該持續服用；最後系統會產出完整用藥評估報告或重點摘要，供藥師、醫師快速審查。

值得關注的是，「藥事Agent」底層並非仰賴單一巨大AI模組，而是採用複數Agent（Multi-Agent）協同架構，藉此提升處理專業任務時的精準度。其中，OCR Agent負責最前端的處方箋掃描與辨識；RAG Agent專責檢索、處理衛福部官方藥品仿單的龐大資料庫；用藥框架Agent則負責將用藥資訊對標各家醫院的用藥習慣與規範；報告Agent最終彙整臨床分析，生成專業報告或摘要。這樣的分工設計，讓系統得以在不同任務環節維持高度專業性與正確性。

李立國說明，在連鎖藥局場域，系統可以直接以AI PC或Notebook部署，供藥師獨立使用；而在資源相對集中的偏鄉衛生所與衛生局，則部署小型AI工作站（ARS station），以地端推論平台同時服務120個使用者。

他解釋，從神經處理單元（NPU）到中央處理器（CPU）之間的記憶體頻寬表現，是評估終端裝置效能的重要指標。尤其在 Agent 架構中存在大量輸入輸出傳輸需求，記憶體頻寬的優劣將直接影響系統反應速度。

「如果藥師使用 AI Agent 協助作業時，病人拿著藥袋在旁等候，系統卻要跑上五、六分鐘才能得出結果，病人恐怕早已失去耐性。」李立國指出，在食衣住行育樂等各類實務應用上，企業內部普遍採取混合式（hybrid）架構因應此類需求。

相較應用部署，企業更在意的「成本效益」

李立國表示，市場上雖有大量雲端運算的討論，但企業實務上更關注「落地」部署，核心考量仍是成本效益。他舉例說明，個人若作為 AI 中度使用者，每月透過雲端服務生成內容、撰寫提案等，花費三十、五十美元屬合理範圍；然而放大到企業層級，若每位員工每月皆產生類似規模的雲端支出，成本壓力將完全是另一個量級。

相較之下，由於可落地部署的模型能力已日趨成熟，以 Llama 4 為例，處理操作技術相關場域任務已綽綽有餘。因此，李立國認為，決定成效的關鍵往往不在模型規模本身，而在於 Agent 的設計邏輯與工作流程控制。

市場逐漸重視「專屬模型」訓練

李立國指出，AI 模型與 Agentic AI 應用可依場域延伸為通用型與任務型兩類，藥事 Agent 即屬任務型應用；而一般所稱的數位助理或通用型 Agent，則歸類為通用型應用。在通用型應用方面，台智雲推出產品「AI Assistant」，其核心優勢在於內建多種「skill」，可協助使用者撰寫報告、進行分析等工作，企業亦可依自身場景自訂專屬 skill。

他表示，市場對「專屬模型」訓練的重視程度正逐漸提升。他觀察，模型訓練已從傳統的大量知識灌輸，逐漸走向所謂的「任務型」訓練。他指出,在食衣住行等場域中，基於任務型、於作業環境裡，透過設計 Agent 的工作流程，再搭配簡單的 RAG，確實能達到不錯的效果。他認為，除了模型能力本身，Prompt 工程與上下文（Context）工程同樣扮演重要角色。

高精度科學模擬始終存在一個現實困境：算得越準，通常也越昂貴。

在材料科學中，研究人員常使用 GW 方法計算材料中精確的電子能量與能帶結構。這類計算能提供比一般密度泛函理論 (DFT) 更準確的結果，但代價是龐大的運算量。問題在於，研究真實材料時，原子並不是靜止不動的。若要研究材料在不同溫度下的行為，往往需要透過分子動力學 (molecular dynamics) 產生數百甚至數千個不同的原子排列，再針對每一個原子排列，重新執行昂貴的 GW 計算。

由中興大學、淡江大學與人工智慧科技基金會組成的研究團隊，近期在《Machine Learning: Science and Technology》期刊發表的一篇論文，提出一個務實的概念，如果讓機器學習不需從零取代物理模擬，而是學習「便宜計算」與「昂貴計算」之間的關係。研究人員只需先執行部分昂貴的模擬，其餘再交由機器學習完成，讓原本因運算時間或成本過高而窒礙難行的研究，變得可行。

如何讓 AI 用 25% 的資料，猜出 75% 的答案

研究團隊先利用成本較低的 DFT 計算，取得電子能量與交換關聯位能 (exchange-correlation potential) 等資訊，再對部分分子動力學快照 (snapshots) 執行完整的 GW 計算，將這些資料交給機器學習模型如 LightGBM 學習。之後，面對新的原子排列時，只需先執行較便宜的 DFT，就可以由機器學習預測出接近 GW 精度的準粒子能量 (quasiparticle energies)。研究中僅使用約 25% 的分子動力學快照作為模型開發資料，其餘 75% 則完全保留作為測試。

論文研究成員之一、人工智慧科技基金會首席資料科學家蔡源鴻解釋，就像是手上有很多「壓縮後的資料」和少量「原始完整資料」成對出現，但你不知道兩者之間的還原公式。機器學習做的事，就是從這些配對裡，自己學出一套近似的還原規則，之後看到新的壓縮資料，就能猜出它對應的完整版本。

論文中的 DFT 就相當於「壓縮版資訊」，GW 則類似「完整高精度資訊」。研究者提供一部分 DFT 與 GW 的配對案例給模型看，模型經過訓練後，就學會「從 DFT 大概怎麼還原到 GW」。這種做法也不只是依照鄰近資料做簡單補值，與傳統插值不同，模型試圖從大量配對案例中學習 DFT 與 GW 之間更複雜的結構與規律，因此有機會對未見過的新情況做出預測。

結果顯示，這種方法不僅能預測能帶中的單一能隙 (band gap)，還能重建完整的電子能帶結構 (band structure) 與態密度 (density of states)。在矽 (Si) 與氮化硼 (BN) 的測試中，準粒子能量的均方根誤差 (RMSE) 約為 0.01 至 0.06 eV，已接近部分 GW 參考計算本身的數值誤差尺度。

更重要的是，這個模型並非只對「看過的資料」有效。研究團隊將它應用在更長時間的分子動力學軌跡、不同溫度，甚至訓練時從未出現過的氮化硼晶體多晶型，模型仍能維持不錯的準確度。

不是取代物理理論，而是讓科學模擬加速

蔡源鴻說，這個研究的價值在於提出一個方法論，試圖讓 AI for Science 更為務實地發展。讓那些昂貴而重複的模擬，只需做一部分，剩下的交給機器學習協助完成。

「機器學習並不是要取代物理理論，也沒有消除高精度模擬的需求，」蔡源鴻解釋，相反地，少量昂貴的模擬成為 ML 的老師，模型再把這些知識擴展到大量尚未計算的案例，這也意味著， AI for Science 正往一個務實的發展方向前進。

如果這類方法能進一步擴展到更大型、更複雜的材料系統，帶來的價值將不只是計算速度變快，更可能讓研究人員在相同資源下探索更多材料、更多條件與更長時間尺度的物理行為。

換句話說，機器學習在這裡扮演的不是替代科學家的角色，而是一個科學模擬的加速器：用少量高成本計算，換取大量高品質預測，進而提升研究效率、降低運算成本，也擴大科學家可以探索的問題範圍。

參考論文： Ragab A Abdelghany, Chih-En Hsu, Hung-Chung Hsueh, Yuan-Hong Tsai and Ming-Chiang Chung. 〈Machine learning framework for GW calculations across molecular dynamics trajectories〉. Machine Learning: Science and Technology.

自 2022 年底 ChatGPT 問世以來，我們的網路搜尋習慣正悄悄發生變化？過去在搜尋框輸入的「關鍵字」，如今已演變成自然、完整的對話問句。而 Google 近期一系列邁向「代理化（Agentic）」的戰略佈局，絕不僅是在既有產品上疊加新功能，更是深刻反映了使用者對搜尋的期待已經改變，人們想要的不只是文字訊息，而是一套能主動「幫你把事情辦妥」的完整解方。

「當使用者透過 AI 訂票、預約餐廳或做某項研究決策時，你的產品或服務，能不能被這套代理系統看見？」將能數位行銷創辦人連啟佑提醒，搜尋的定義正在被改變，一旦消費者的決策習慣轉移至 AI 代理，企業就必須同步調整自身的數位架構以應對變局。

投身網路行銷近三十年的連啟佑觀察，AI 搜尋的問世，讓使用者行為徹底改變。面對高度複雜的 AI 決策系統，企業要處理的不再是單純的關鍵字堆疊，而是如何讓資料結構化、透過 API 與 AI 代理對接。這是一個需要放下舊思維、重新學習的全新戰場，這也讓 GEO（Generative Engine Optimization，生成引擎最佳化） 一詞躍升為行銷焦點。

SEO 與 GEO 的差異，從「說什麼」到「誰說的」

連啟佑指出，傳統自然搜尋與 AI 搜尋在底層目的上有著根本的差異。傳統 SEO 解決的問題是「哪一個頁面值得排在前面？」因此重點在於內容是否滿足搜尋意圖，也就是「這個內容說了什麼」。

然而，到了 GEO（生成引擎最佳化）時代，AI 不僅在乎內容，更進一步嚴格探究「這是誰說的？」也就是該品牌是否具備權威、是否值得被提及與引用。當傳統搜尋引擎呈現的「十個藍色連結」被 AI 濃縮成「一個直接解答」時，企業面臨的競爭就不再是「排第幾名」，而是「有沒有擠進這個唯一的答案裡」。

正因為搜尋系統背後目的的改變，SEO 與 GEO 在工作項目、操作方式，甚至成效追蹤與評估方法上，都開始出現明顯差異。

面對這場變局，企業必須先理解 AI 系統的底層差異。

連啟佑將當前的 AI 搜尋明確劃分為「Google 系」與「非 Google 系」兩大陣營。Google 系，也就是Google系統的相關工具。官方常對外宣稱「GEO 其實就是 SEO」，因為對 Google 來說，兩者底層用的技術大同小異。作為靠 PageRank 連結技術起家的巨頭，外部連結與網頁體驗是 Google 絕不輕易放棄的命脈。所以在 Google 系的 AI 中，只要內容與使用者體驗做得好，優勢依然存在，只需在此基礎上疊加「品牌語義」的概念，本質上仍是回歸 Google 的老本行。

相對地，以 ChatGPT 為首的「非 Google 系」工具，則屬於完全不同的體系。連啟佑分析，這類 AI 工具並非從傳統搜尋引擎一路演化而來，因此沒有連結技術的歷史包袱。在缺乏外部連結指標的情況下，ChatGPT 評估權重的核心變得非常純粹，幾乎有高達八成的重點完全鎖定在「內容」本身的品質與權威性上。

搜尋的M型化來臨，有好的內容也不一定能贏

「AI 檢索會造成搜尋能見度的Ｍ型化，甚至贏者全拿。」連啟佑直言，光有好的內容還不夠，企業還必須進一步讓品牌與特定的幾個主題建立穩定而強烈的語義連結，也就是「品牌語義場」。讓品牌逐漸成為特定主題值得被認識、被信任、被提及的對象，也讓品牌所產出的內容成為 AI 願意參考與引用的資訊來源。

因此，他建議，企業的內容經營必須學會聚焦與深耕。不需要涉足所有主題，但必須精準鎖定真正專注的 5 到 7 個核心領域。

並且在核心領域深耕，長期累積信譽，最終目標是讓大眾與 AI 形成共識，使自己成為該領域的代表權威。他說，當整個社會與 AI 都認定你是該領域的代表時，企業就能囊括該主題所有的 AI 推薦紅利。
「以前做 SEO，大家在乎的是『你的答案好不好』；但到了 GEO 時代，AI 更在乎『這是誰說的』、『你有沒有代表性與權威度』。」連啟佑點出核心差異。這意味著企業必須在自身專注的領域裡取得關鍵地位，而不僅是糾結於單一網頁的內容優劣。

他進一步解釋，在 SEO 時代，企業只要把官網體質顧好，確保搜尋引擎能順利抓取、網頁體驗佳、外部連結佈局完整且內容充實，基本上就能站穩腳步。但在 GEO 時代，決勝點已經轉移到「品牌語義場」的建構，也就是企業的品牌與主題，能否與產業的核心概念建立起強烈連結，進而形成專屬的影響力範圍。

「這在 SEO 時代常被單純歸類為品牌公關的範疇，與搜尋排名沒有直接關係；但如今品牌影響力已經與 GEO 排名成效徹底掛鉤了。」連啟佑總結道。

GEO正在打破界線，未來的贏家是資源整合者

想在 AI 時代成為特定領域的權威，單靠優化網站內容絕對不夠，這必然會牽涉到更廣泛的公關操作與媒體串聯。這也導致了行銷產業板塊的劇烈位移。

連啟佑觀察到，過去專注於官網經營的 SEO 團隊，與負責對外溝通的品牌公關，多半是各司其職的兩個領域。但 GEO 的出現打破了這條界線。因為「外部媒體聲量」恰好是影響 AI 系統判斷權威性的關鍵，而這正是公關團隊的強項。

「外部媒體聲量是 AI 判斷權威性的關鍵，這是公關的強項；但網站本身的技術體質又是 AI 順利檢索的基礎，兩者缺一不可。」連啟佑坦言，GEO 是一項高度整合媒體與技術資源的多面向工程，世界上沒有任何一家公司能獨自包辦所有環節。

目前連啟佑的團隊也與外部技術夥伴合作開發新工具。他認為，未來能整合最多的資源、串聯最多的人才，誰才是真正能主導戰局的贏家。

放下舊思維，擁抱搜尋新常態

連啟佑說，面對 AI 搜尋真正困難的地方，不是多學幾個工具，也不是把原本的 SEO 技巧換一個名稱，而是要先願意重新理解搜尋的底層邏輯，放下過去習以為常的思維，再重新學習如何適應新的搜尋環境。

唯有真正理解 SEO 與 GEO 在本質上的差異，企業才有機會不再只是被動因應這波 AI 浪潮，而是在新的搜尋競爭裡找到自己的位置，甚至取得新的優勢。

每天早上醒來，你會做的第一件事是什麼？是不是滑開手機，看看IG或Threads上在討論哪些熱門話題？遇到瓶頸就找AI求助、閒暇時追著網紅的短影音。在AI、社群媒體與短影音無所不在的今天，我們每天使用這些科技，卻不一定真正了解它們。

資深媒體人黃哲斌透過本書，帶領網路原生世代的讀者依序闖過AI時代四大關卡：從「人工智慧西遊記」探索生成式AI的演進與應用，到「短影音魔幻視界」揭開演算法與短影音平臺的祕辛，在「網紅解密會客室」破解網紅的流量密碼與變現關鍵，最後在「數位荒野亂鬥」中學會面對炎上事件、詐騙陷阱與數位成癮的求生指南。

這不只是一本認識科技新媒體的指南，更是一張陪伴讀者勇闖未來世界的生存地圖，每篇文末並附「外掛資訊站」專欄與延伸影音，幫助讀者建立更精準、完整的數位素養。

二○二四年，美國天后泰勒絲（Taylor Swift）的一段短影音，在TikTok與Reels大量流傳。影片中，泰勒絲站在演唱會後臺，以她的獨特嗓音說：「大家好，我是泰勒絲。由於包裝出現錯誤，我有幾千套Le Creuset鑄鐵鍋，要免費送給我的忠實粉絲，只要點擊下方連結，支付小額運費就能領取。」
Le Creuset是一個知名法國鍋具品牌，一套鑄鐵鍋在臺灣售價動輒六、七千元，因此，許多美國網友擔心搶不到，趕緊點進連結，輸入信用卡個資並扣款。後來才發現，那是詐騙集團盜用了泰勒絲的公開影片，並以DeepFake（深偽）技術，改變泰勒絲的嘴型與口白，事實上根本沒有「免費送鍋子」這種好事。

在臺灣，張忠謀、黃仁勳、前總統蔡英文、作家吳淡如，都曾被詐騙集團利用AI軟體「語音合成（Voice Cloning）」並「修改嘴型（Lip-Sync）」，邀請網友加入投資群組，或要求匯款、提供個資、傳送驗證碼等，事實上，都是利用名人效應，取得民眾信任，再進行詐騙。
網路詐騙層出不窮，當AI遇上短影音，就創造出一種更危險的假訊息手法。短影音為何容易變成詐騙溫床？主要原因有四：

1. 快：如同我們玩「快問快答」，短影音節奏快、訴求直接，就像速球對決，觀眾大腦在當下只顧著接球，比較沒有餘裕去質疑，往往輕易接受結論。
2. 仿真：我們常講「有圖有真相」，更不用說有聲音、有動作、唯妙唯肖的影片，比合成照片更有說服力，若一般人不知深偽技術的發展，很容易信以為真。
3. 門檻低：製作深偽影片，需要時間與大量運算力；而且影片越長，越容易看出破綻，短影音正好符合詐騙集團的低成本需求。
4. 情緒渲染力高：短影音的演算法，喜歡傳播各種可激發一般人情緒的影片，這類「好康」訴求的內容，特別吸引人，也特別會被大量推送。

二○二五年底，防毒軟體公司邁克菲（McAfee）針對全球八千六百名民眾進行調查，發現高達百分之七十二的美國人看過偽造的名人代言廣告，其中百分之三十九曾點擊連結，更有百分之十的人遭受金錢損失或個資被盜，每位受害者平均損失五百二十五美金（約臺幣一萬六千元）。

不只詐騙，利用AI短影音製作假訊息，還能讓人「掉進兔子洞」。

二○二五年七月，臺灣事實查核中心曾公布一個案例，有大量YouTube、臉書、LINE帳號專門製作AI假影片，主題都是「外國人稱讚臺灣」，像是外國王室來臺治療絕症、韓國來臺向萬安演習取經、印度科技首富兒子赴臺求學、智利礦業鉅子在臺灣搭計程車被驚豔……等等。

這些AI假影片，雖然品質粗糙，很容易識破是AI合成，但利用網友愛看「外國人讚美臺灣」的集體心理，仍然吸引到大量觀看數與愛心。這些影片衝高流量，背後目的不一，有些是導流到付費網站，有些是引誘觀看者點閱其他陰謀論的影片。

「SIFT」：查證假影音四步驟

近年的媒體識讀，常教我們如何查證假訊息；然而，當人工智慧與短影音合體，就像《變形金剛》的反派機器人，我們也需要升級查證技巧。其中，資訊素養專家提出「SIFT」四步驟，就是基本防身術：

1. Stop：先停下，不要立刻分享，避免成為有害訊息的幫凶。
2. Investigate：追查這個帳號，比如帳號成立多久？是否經常發布情緒煽動或可疑訊息？
3. Find better coverage：尋找更可靠的報導或官方說法，交叉查證。
4. Trace：追溯最原始的影音來源，確認是否為盜用或變造影片。

以上這四步驟，適用於文字、靜態照片、動態影片的基本查核，對於短影音，適時查證的心態更重要，原因與人類思維系統有關。

二○○二年諾貝爾經濟學獎得主丹尼爾．康納曼，其實是一位心理學家，他在二○一一年出版的暢銷書《快思慢想》中，將人類的思維模式分成兩種系統，兩者互補，各有功用。

系統一：本能反應的思考，運作速度快，能量消耗少，比較直覺，比較仰賴情緒與習慣，例如：二乘二等於四；看見綠燈就通行這種類型。

系統二：運作速度慢，比較仰賴邏輯思考，需要集中精神，能量消耗比較大，通常在處理麻煩或艱澀的問題時，才會啟動，像是複雜的數學運算；或是在陌生路口尋找方向。

短影音的觀看過程，主要依賴系統一的思維模式，很容易照單全收。因此，當我們滑短影音，要不時的在大腦中踩煞車，提醒自己切換到系統二，避免輕易相信所有內容，更不要仰賴直覺行動，包括轉分享、點連結、提供個資、訂閱帳號。記得在行動前，先動手查證，追溯來源，評估可信度。

可是，大腦要一直專注推理思考，久了難免很累；如何避免彈性疲乏，讓系統一在平時維持低速運轉，直到辨認出需要喚醒系統二的問題影片？

以下是幾個觸動警鈴的訊號：

1. 挑動情緒：當一則短影音讓你感受到強烈的憤怒、驚訝、爆笑或恐懼時，就是亮紅燈的訊號，因為，假訊息常常激發高度情緒反應，讓你跳過理性思考。
2. 不合常理：在影片中出現明顯與常識不符的情節，比如花豹出現在市區、鯊魚在地下停車場游泳、知名人士忽然公開爆料……這些廣為流傳的案例，都在利用「震撼感」騙人上當。
3. 觀察細節：仔細檢查影片裡的聲音與人物嘴型是否同步？畫面中的光影、人物肌膚紋理是否合理？尤其眼睛、四肢、頭髮邊緣，最容易留下破綻。影片畫質越模糊，越可能是刻意掩飾細節的AI影片。
4. 誘導行動：這是最明顯的訊號，當短影音要求你提供個資、手機號碼、驗證碼、銀行帳號，甚至要求你支付小額費用，換取任何誘因（演唱會門票、偶像私密社群、獨家遊戲寶物……），背後涉及詐騙或盜取個資的機率就非常高。

尤其要留意那些強調「限時」、「獨家」、「免費回饋」、「最後兩個名額」的話術，往往都在營造「限量是殘酷」的心理，讓人不加思索，掉進陷阱裡。

你可以與家人朋友分享一個重要原則：線上陌生人的互動中，無論是短影音、臉書社團或LINE帳號，只要涉及金錢或個資，就一定要停看聽，正如一句俗話：「天上不會掉餡餅」，網路上也不會。就算是線上聊天認識的網友，也不要涉及財務，同時保護好你的隱私。

尤其，AI即時換臉的技術越來越成熟，跟你視訊聊天的妙齡少女或帥氣型男，背後可能是油膩怪叔叔，不管是用短影音、直播或視訊，談及個資或錢財話題都是危險紅線。尤其交友軟體，早已是網路詐騙的重災區。

如果視訊的另一頭，是你很信任的家人或朋友，又該怎麼辦？

好問題，近來有越來越多詐騙案例是盜用照片或影片，再藉由深偽技術換臉、套聲音，向熟人進行詐騙。遇到這種狀況，有幾個查證方法：

1. 直撥本人：掛掉電話，直接撥打親友的手機確認。
2. 通關密語：與家人約定幾個「通關密語」，必須是網路查不到，而且很難猜到的資訊，例如你小學老師的名字、你最討厭的食物、全家人最常去的餐廳，就像是你與家人專屬的「驗證碼」。
3. 動態細節：請對方眨眨眼、轉轉頭、撥撥頭髮，仔細觀察動作是否不太自然，目前的深偽技術，容易在這些細節的畫質上出現破綻。
4. 干擾測試：要求對方將手掌放在臉部前面揮動，或者開燈、關燈，AI模型在這些干擾狀態下，可能會出現閃爍、假臉消失或光影不自然的現象。

這些技巧偏向「被動防衛」，隨著AI技術進步，假訊息可能越來越難以辨識。「主動防衛」技巧是盡量不在網路社群上公開自己的姓名、照片、聲音、影像，包括臉書與IG，即使上傳，盡可能設為私密或不公開，以免遭人盜用。

AI短影音防詐技巧

當AI結合短影音，讓網路詐騙更猖獗，也導致假訊息更容易帶風向，甚至連視訊交友、親友來電都成為一種風險。然而，只要掌握幾個共通技巧，避開風險不會太難：

1. 建立個資保護意識，尤其照片、影像、聲音。
2. 網路盡量不聊金錢或財務話題。
3. 「快思」與「慢想」適時切換。
4. 留意激發情緒的心理操縱術。

恭喜！看到這裡，你就像打了一劑「AI短影音」的疫苗，開始長出自己的抗體。未來，當你快樂滑短影音之際，不妨觀察一下，哪些影片出現了可疑跡象、如何辨認與追查、如何驗證真假。

你還可以將自己化身「網路柯南」的心得，與家人或同學分享，搞不好，你會無意間阻止親友遭受詐騙，或避免他們被假訊息誤導，這是一件超級無敵酷的事！

外掛資訊站：製作深偽影片有什麼問題？後果嚴重嗎？

你可能聽過DeepFake深偽影片，或許也聽過有人說，「把男同學的臉，接在女生身上很好玩」。製作深偽影片，會有哪些後果？

臺灣最知名的案例就是YouTuber「小玉」，他把許多知名女性的臉，用AI套在色情影片的女主角身上，然後公然在網路上販售。

他的行為觸犯《刑法》的妨害性隱私及不實性影像罪，還有加重誹謗罪，被判刑入獄五年，另外一年八個月可易科罰金。此外，還必須面對被害人求償上千萬元，百萬網紅變成失去自由的囚犯。

就算只是把同學的臉換成豬頭，或用AI讓他講出蠢話，然後公開流傳，不但涉及霸凌，也觸犯公然侮辱或誹謗罪，而且可能侵害肖像權。即使犯罪者未成年，可能面臨保護管束，父母也會被連帶求償。

科技門檻越低，被誤用的風險越高。DeepFake就是典型例子，為了一時好玩，承擔難以承受的後果，一點都不「好玩」。

本文節錄自《晨讀10分鐘：AI時代的生存遊戲：破解AI、短影音、網紅祕辛的終極攻略》由親子天下 授權提供。

隨著全球淨零排放政策加速推動，歐盟正式實施碳邊境調整機制（Carbon Border Adjustment Mechanism, CBAM），象徵國際貿易正式邁入「碳定價」的新時代。CBAM 的核心目的，在於避免高碳排產業將生產移轉至碳管制較寬鬆的國家，以降低「碳洩漏（Carbon Leakage）」的風險，同時透過與歐盟碳排放交易制度（EU ETS）相互配合，使進口產品承擔與歐盟境內製造商相近的碳成本，建立更公平的市場競爭環境。

然而，對歐盟以外的製造商而言，CBAM 帶來的不只是新增的碳費，更是一項全新的管理挑戰。企業除了必須確認產品是否屬於 CBAM 管制範圍，還需正確判定產品對應的 CN Code（Combined Nomenclature）、蒐集製程碳排放資料、計算產品內含碳排放量，並理解歐盟所公布的預設排放值（Default Values）及相關技術規範。此外，企業還必須評估是否投入資源建立實際產品碳排放資料，並委託第三方查證，以降低未來可能負擔的 CBAM 成本。

對台灣而言，金屬螺絲、螺帽及各類扣件產業是重要的出口產業，也是歐盟市場的重要供應來源。然而，多數企業，特別是中小企業，在面對 CBAM 時普遍遭遇三項困難：

第一，不容易確認產品適用的 CN Code；

第二，不易從龐大的法規文件中找到對應的預設排放值；

第三，無法快速比較採用預設值申報與建立實際排放數據後接受第三方查證，兩者之間的成本差異。

在缺乏快速分析工具的情況下，企業往往需要投入大量時間閱讀超過 2,400 頁的技術文件與產品資料，增加導入門檻，也延緩因應速度。

基於多年從事 AI、ESG、ISO 管理系統及碳管理顧問工作的經驗，作者開發了一套簡易版 CBAM 快速估算互動工具，希望協助台灣製造業以更低的門檻掌握 CBAM 對企業營運的影響。

這套工具最大的特色，在於將繁雜的法規資訊轉化為簡單易懂的互動流程。使用者可直接輸入 CN Code，或以中文、英文產品名稱搜尋，系統便能快速從龐大的產品資料中找出最符合的產品分類及其對應的預設排放值。接著，只需輸入當年度出口歐盟的產品重量，並設定目前 EU ETS 碳價（例如每公噸二氧化碳 75 歐元），系統即可立即估算產品採用預設排放值時可能需繳交的 CBAM 成本。

透過本工具快速取得產品的預設排放值及預估 CBAM 成本，企業可與委託第三方進行產品碳盤查與查證的成本進行比較，評估是否值得投入相關作業，以降低未來 CBAM 碳成本，並作為低碳轉型及出口策略的重要決策依據。

企業可以快速比較兩種不同策略的經濟效益：一是直接採用歐盟預設排放值進行申報；二是投入產品碳盤查、建立實際排放數據，並委託第三方完成查證。透過比較兩者可能產生的 CBAM 成本差異，企業能更客觀評估是否值得投入產品碳盤查及第三方查證，以降低長期碳成本並提升市場競爭力。

值得一提的是，本工具並非正式申報系統，而是一套快速估算與決策支援工具，目的在於協助企業於短時間內完成初步評估，快速回答三個關鍵問題：

「我的產品是否受到 CBAM 規範？」

「適用哪一個 CN Code？」

「未來大約需要負擔多少 CBAM 成本？」

藉此協助企業在正式投入碳盤查、產品查證及 CBAM 合規前，先建立完整的決策基礎。

隨著 CBAM 正式進入實施階段，碳成本將逐漸成為國際貿易的重要競爭因素。未來企業競爭的不只是產品品質與價格，更包括產品碳排放資訊的透明度與可信度。希望透過這項簡易互動工具，降低台灣企業面對國際新法規的學習門檻，協助受影響產業更有效率地掌握 CBAM 要求，提前布局低碳轉型，將法規挑戰轉化為提升國際競爭力的新契機。

免責聲明： 本工具僅供教育、初步估算與決策參考，不構成歐盟 CBAM 正式申報或法律意見。企業仍應依最新 CBAM 法規、歐盟主管機關公告及專業顧問建議辦理正式申報與合規作業。

過去幾個月。Meta 為了鼓勵員工擁抱AI，鼓勵「盡情使用 AI」，且「沒有上限」。技術長 Andrew Bosworth 更曾公開表示，工程師應該把相當於自己年薪等級的金額消耗在 AI token 上，才能換得十倍生產力。

言猶在耳，隨著內部員工在短短30天內就消耗掉 60 兆個 token，預估潛在支出可能高達數億甚至數十億美元。Meta 高層隨即改變策略方向，並著手建立名為「AI Gateway」的集中式儀表板，以追蹤各團隊與個人的 AI 使用與成本。

這場風波為企業管理者帶來一個直接的警訊，在沒有配套管理機制下的「鼓勵使用」，失控只是時間早晚的問題。Meta 的案例只是其中一個縮影。

從技術名詞到基礎費用

未來智慧執行長蘇彥哲解釋，Token 是 AI 模型每一次推論的計量與計價單位，以服務所有把 AI 嵌進工作流的企業與應用。當使用者支付訂閱費時，背後就是持續不斷的 Token（算力）消耗，因此，掌握 Token 供應的角色也擁有類似電信公司的商業模式。

但目前大多數人還感受不到「算力」的存在，原因是還用不到。但當我們把時間軸往後推，一旦，手機裡一半以上的 App 都掛載了 AI 功能後，每個應用都要支付訂閱費，那筆費用的本質就是 Token，就像你付給電信公司的月租費，背後是基地台與頻寬。

雖然使用者不需要知道什麼叫 Token，就像沒有人在乎自己用了幾 MB 的封包。但是，當一項技術的計價單位從產業術語變成基礎費用時，掌握供應端的角色就擁有電信公司等級的商業模式，這也是全球資金瘋狂湧入 AI 基礎建設的原因。

而目前台灣多數企業主管對 AI 成本的概念，還停留在「訂閱一套工具，每月付一筆固定費用」的階段。但這個想法正在快速過時。

儘管不少國外企業都已經要求工程師每月至少消耗一定額度的算力，作為有使用 AI 優化工作流程的硬指標，但要讓這種文化真正落地的前提是，企業需要能掌握每個人、每個團隊的用量與成本，而這也是AI 成本治理與 ATP Token 這類治理平台在做的事。

你知道你的AI成本包含了哪些嗎？

蘇彥哲說，AI 成本治理（AI cost governance）是一套讓企業的 AI 用量「可歸屬、可預算、可稽核」的機制。關鍵並不是把帳單金額壓到最低，而是讓每一筆花費都能都能對應到專案、團隊或決策，讓錢花得有依據、有效益。

根據未來智慧的觀察，多數企業的 AI 專案卡關，原因往往不是技術本身，而是四項工程與治理問題：成本陷阱、資安風險、導入隔閡、整合困難。

其中，成本陷阱最容易被忽略，主因是 PoC 階段花費小，看不出問題；一旦專案上線、採用率上升，模型費用隨之暴漲，預算審查時專案被迫叫停。根本原因在於，模型是按用量計價，多數企業卻沒有即時觀測用量，各部門各自申請金鑰，等到月底帳單來了，才發現總數早已失控。

更麻煩的是，多數企業對 AI 成本的認識，多半還停留在「月底帳單上的總數」。但是，底下有哪些供應商、哪些團隊在使用、包含哪些金鑰，統統不清楚，更別說知道錢花在哪個功能、換到了什麼價值。花費看不見，就無法管理，這也是多數 AI 專案失敗的核心原因之一。

要壓低帳單數字，方法有很多，例如換小模型、限制用量，都能讓數字馬上下降。但如果因此犧牲產出品質、逼員工用更迂迴的方式完成工作，省下的每一塊錢，都可能用更高的隱性成本換回來，反而本末倒置。真正的成本控制，不是花得少，而是花得有意圖。

「成本不是省出來的，是管出來的。」蘇彥哲建議，企業應該在導入 AI 的第一天，就建立用量治理機制，也就是專案級金鑰、額度上限、即時儀表板，一開始就把預算與成本算清楚。

管理 AI 成本的四個做法

未來智慧團隊也整理出一套將 AI 成本變成儀表板的方法，透過四個環環相扣的做法，清楚看到Token花費如何對應到組織產出。

1.逐筆歸屬：每一次呼叫，都能對應一個負責人
每一次模型呼叫都應歸到專案、團隊與負責人。用量看不見，就無從優化；只有責任歸屬清楚，才分得出哪筆花費值得留、哪筆該砍。

2.分層預算：沿組織階層，由上而下分配額度
沿 Organization → Workspace → Project 由上而下分配額度，在超標前先示警，而不是等月底帳單才受到驚嚇。預算不是一條總線。而是一層層收斂的權責。

3.依任務選模型：品質與成本對位
重要決策就要用足品質，例行工作則可以不動用高階模型的成本。這一步做得好，就能讓 導入最容易失控的支出項目，回到可規劃的軌道。

4.每筆請求可稽核：對帳靠證據，不靠回憶
input/output tokens、狀態、金鑰，全部留下日誌。當每一筆請求都有據可查，對帳與合規就不再是月底的考古工作。

這四個做法不必一次到位，團隊可依規模決定優先順序。例如，小型團隊或單一專案，可以先把「逐筆歸屬」與「每筆請求可稽核」做起來，讓用量先被看見。而多部門的中大型企業，則是要將重心放在「分層預算」，沿組織階層逐層收斂額度與權限，避免各部門各自為政。但是，無論規模大小，關鍵都是要先讓用量可歸屬，才來談優化。

治理邏輯之外，企業真正卡關的地方

但是，上述所說的治理邏輯，企業實際落地時，真正卡關的地方，往往不是「不知道要治理」，而是「不知道該從何整合起」，例如算力要跟誰租、額度怎麼談、方案又該找誰串接。這正是未來智慧（Horizon AI）存在的原因。

未來智慧是康斯特（KONST）集團旗下的企業 AI 導入夥伴，將集團在算力與基礎建設上的優勢，轉化為一套從需求評估、客製開發、系統整合到維運治理，一站承接，企業能真正應用的產品方案。

蘇彥哲透露，康斯特團隊早在 2017 年便投入加密貨幣挖礦，大規模部署 GPU 與伺服器資源。隨著挖礦收益因算力競爭加劇而下滑，團隊逐步將既有礦場與硬體資產轉向需求正快速成長的 AI 運算用途。這段從挖礦到 AI 的轉型經驗，也讓康斯特在 GPU 採購、機房建置與大規模運算調度上，具備其他新進業者難以複製的優勢。

他強調，康斯特並非單純的 GPU 租賃商，而是算力基礎設施整合商。從機房規劃、GPU 集群部署，到後續維運與算力調度，皆由其一手包辦，並透過自研平台 Glows.ai 解決資料儲存、遷移與環境建置的摩擦問題。其模組化設計讓 AI 算力中心可在 6 至 8 個月內完成建置，大幅降低企業導入專屬算力的時間與資本門檻，特別鎖定中小型企業與應用開發者市場。

集團底下分工清楚，康斯特主要負責硬體，包括 AI 資料中心的建置、託管與維運；Glows.ai 則是針對全球客戶開發的 GPU 算力雲平台，大型模型訓練客戶可用裸金屬(Bare Metal)直連機器、一次租下數十台簽長約，中小型團隊則能以量計費、小額起步。而未來智慧,就站在這層算力基礎之上,面向企業做需求診斷與長期陪跑。

蘇彥哲比喻，其他應用開發公司像專科診所，病人知道自己骨頭有問題才會上門；而未來智慧則較像醫院。病患只要進來說：「我不太舒服」。團隊就會幫他做需求診斷，再把對的醫生找齊，安排一套半年、一年的長期治療。

換句話說，未來智慧不與生態系內的應用開發商競爭，而是扮演企業導入 AI 時的單一窗口，把硬體、算力與應用方案，整合成企業真正付得起、也用得動的完整解決方案。

本週有一則新聞特別引起注意，那就是 Meta 內部正在建立一套 AI Gateway，用來追蹤員工使用 AI 的狀況與成本，並準備為每個團隊、每個 Agent 設定 token budget。這則消息本身不算大新聞，但卻透露出一個訊號，那就是 AI 產業的比較基準，正從用越多越好的「Token-maximizing」，轉向「這個 Agent 完成一件工作，要花多少 token 才划算」。

本週各家模型仍在能力上互相較勁，但價格策略、風險警訊與底層論文所共同指向的，其實有點類似，那就是：Model-centric 的思維正逐漸讓位給 System-centric 的思維。重點不再只是哪個模型最強，而是整套系統能不能被有紀律、有節制地部署。以下是本期精選趨勢：

一、模型競爭正在轉向價格戰？

本週最值得留意的定價訊號來自 Anthropic 新推出的 Claude Opus 5，官方形容為「深思熟慮且具有主動性」，智慧能力接近旗艦的 Fable 5，但價格僅有一半。

Meta 則是另一種有趣的計費方式，剛發布的終端 coding agent「Muse Code」與底層模型「Muse Spark 1.2」，能力已能與 OpenAI Codex、Claude Code 相提並論；但真正引人注意的是定價細節。只要使用者同意讓 Meta 利用自己的 prompts 進行訓練，API 費用便可降低約 21 倍。換句話說，價格不再只跟算力成本掛勾，「資料換折扣」正在成為新的商業槓桿。

二、機器人成為模型新戰場

Black Forest Labs 開放搶先體驗的 FLUX 3，是一款能同步產生影片、影像與音訊的視覺智慧模型；而他們基於同一套技術延伸出的 FLUX-mimic，則是專為奧迪產線打造的機器人控制變體，目標是大幅縮短機器人的學習時間。

與此同時，Google DeepMind 推出 embodied reasoning 模型 Gemini Robotics ER 2，讓多台機器人得以在共享空間中協同執行任務，並強化了對時間與空間的推理能力。從生成內容到指揮產線機器手臂，模型的戰場正明顯地從螢幕延伸到實體世界。

三、能力愈強，警訊愈密集

模型能力上升的同時，風險訊號也在本週密集出現。近期 OpenAI、Anthropic 先後揭露模型在資安測試中意外存取真實外部系統；之後 Meta 的 Muse Spark 1.1 也出現類似事件。Meta 與 Anthropic 的案例都與第三方測試環境的權限／網路配置錯誤有關，並非模型自行突破原本正確配置的沙盒限制。美國政府也召集主要 AI 業者討論如何強化安全測試與監管機制。

與此呼應的是，超過 1,000 名來自 OpenAI 等機構的員工，聯名發出一封公開信《把握前沿發展節奏》，呼籲美國協助開發相關工具，以便在世界還向自主 AI 研究之際，能夠「有意識地控制」 AI 進步的節奏。

另一則值得玩味的資訊，則是一場隔空的數學能力對話。OpenAI 披露其下一代主力模型內部版本「Astra」解決了 10 個長期懸而未決的數學與計算機科學難題。緊接著，Anthropic 研究員 Levent Alpoge 在 24 小時內也表示，他在完全無網路的情況下，利用 Fable 模型複現了其中的 6 個證明。再加上稍早 Claude Fable 5 也以一行公式，破解了自 1939 年以來困擾數學界的 Jacobian conjecture。目前，學術圈正認真討論 Astra 的成果是否夠格角逐有著「數學諾貝爾獎」之稱的 Fields Medal。這場對話與其說是在比誰更強，不如說是在提醒業界，前沿能力的驗證正變得愈來愈難以壟斷或獨占。

四、監管與法律極力追趕技術的腳步

技術狂奔的同時，監管與法律層面同樣沒有閒著。歐盟開始實施《AI 法案》第50條透明義務，要求 AI 聊天機器人、deepfakes 及其他 AI 生成內容強制加註標籤，以減少欺騙與操縱。而 Anthropic 與圖書作者達成的 15 億美元版權和解案，也獲法院批准。該協議涉及從盜版網站獲取的 48.2 萬部作品，每部作品賠償近 3,000 美元，更重要的是，這個案件也同時確立了 AI 訓練屬於「合理使用」的法律地位，將成為產業後續訓練資料合規的重要參照。

另一方面，Stanford 大學與 Arc Institute 的研究人員，利用 Evo1、Evo2 模型設計出 16 種自然界不存在的病毒基因組（相關成果已發表於《科學》期刊），則是語言模型首次產出完整且具有生物活性的基因組成果，也再一次把「AI 是否可能被用於生物風險」這個問題，從假設性的討論推向現實。

五、學術前沿：效率與穩健性，正成為隱形的競技場

當模型能力已經逼近人類難以驗證的邊界，近期幾篇論文所關心的，反而是更基礎的問題：效率與穩健性。

• 普林斯頓大學、卡內基美隆大學等機構提出「Skill Entropy」指標，用以量化模型從一種推理技能切換到另一種技能的困難程度，並建立涵蓋 558 項技能、跨 9 個領域的 Skill2-Bench 基準測試。研究發現模型表現會隨任務複雜度上升而下降；他們也設計了一套技能熵強化學習架構，要求模型在給出答案前先預測自己需要用到哪些技能標籤，結果同時提升了準確度與技能切換能力。正好呼應了 Agent 系統愈來愈需要跨領域、長流程作業的現實。

• 蘇黎世聯邦理工學院、哥倫比亞大學等團隊提出的 RAG-Stack 架構，則是想解決 RAG 系統裡，「品質」與「效能」互相拉扯的老問題。架構由三個模組組成：負責全局優化與單階段診斷的 RAG-PE、讓工作負載與系統脫鉤的 RAG-IR，以及能免去實地測試、直接預測最佳部署的混合模型 RAG-CM。在 RAGEval 與 MSMARCO 測試中，其 Pareto 前沿覆蓋率比既有最佳方法提升 52.5% 至 153.2%；而換到新硬體時，還能直接沿用既有品質數據，覆蓋率提升可達 182.2%。

結語

本週AI的發展看似矛盾卻又合理：模型能力仍在往上提升，包括數學證明、生物設計、超長 context、實體世界控制，一項比一項驚人；但企業與研究者關心的問題，卻愈來愈往「怎麼把這些能力管好、用得有效率」靠攏。Meta 設 token budget、Anthropic 用一半價格換同等智慧、上千名業界員工聯名呼籲放慢腳步，某種程度上都像是在呼應，能力已經不是唯一的稀缺資源，如何有節制、有紀律地部署，才是下一階段真正要解決的題目。

歐盟《人工智慧法案》(EU AI Act) 原則上在2024年8月生效，但不同條文規範在不同時間點啟動。其中第50條：Transparency obligations for providers and deployers of certain AI systems，也就是透明度義務（transparency obligations），於 2026 年 8 月 2 日正式上路，為提供與AI互動或生成合成內容的人工智慧系統提供者，以及部署者帶來明確的合規義務。

人工智慧科技基金會董事長詹婷怡表示，這是在立法之初就規劃好的「逐步落實」策略，旨在平衡科技創新與風險控管，給予市場緩衝期。惟有鑑於技術快速演進與產業實務考量，《數位 AI 綜合修正案》（Digital Omnibus on AI）則是歐盟於 2026 年 7 月 27 日正式生效的「包裏式技術性修正案」，其核心目的是在不變動《人工智慧法案》(EU AI Act)母法結構下，進行行政簡化與實施時程的微調，反映了歐盟近期對人工智慧及相關科技發展的規範與治理確實在某些層面做出了彈性調整與針對性修正。Omnibus 法案同時也對第 50 條進行了重要的「補充修正」。

依《人工智慧法案》母法條文規定，AI 系統提供者須確保使用者知道自己正在與AI系統互動；且AI生成的圖像、聲音、影片與文字內容需要以有效、可互動且可靠的機器可讀格式標示，使系統與使用者能清楚辨識其為人工生成內容。此外，情緒辨識或生物特徵分類系統的部署者，必須主動告知受影響個人該系統的運作方式。

深偽（Deepfake）內容及以告知大眾公共利益事項為目的而生成的 AI 文字，亦須明確揭露其人工生成或操縱的性質。具體來說，部署者必須以清晰、顯眼的方式披露該內容已被 AI 操縱或生成。在以下幾種情形則適用豁免彈性：用於合法偵查、言論自由或純粹藝術、創意、諷刺等虛構作品，可在適當標籤揭露下予以放寬。或於涉及公共利益的 AI 生成文章，若經過人工審閱且由真人負起編輯責任，可免除部分標示。

四大核心管制要求

根據歐盟執委會（European Commission）發布的最新指南，受規範的 AI 系統提供者與部署者必須履行以下四項義務：

一、AI 聊天機器人與代理（AI Agents）互動告知，也就是直接與真人互動的 AI 系統（如客服機器人、虛擬助理），必須在首次互動開始時清楚告知使用者「正在與 AI 互動」，除非在當下情境中這已非常顯而易見。

二、生成式 AI 內容（文字、圖文）必須可被辨識，企業或平台在使用 AI 生成的圖片、聲音、文章或影片時，必須加入有效、可互通且可靠的機器可讀標記（如數位浮水印），讓其他系統與使用者能輕易辨識。

三、深偽影音（Deepfake）必須揭露，若發布的影音內容涉及深偽技術（如變造真人面貌或聲音），必須明確揭露這是人工合成的內容，特別是涉及公共利益或政治宣傳的事項。

四、情緒辨識與生物特徵分類需告知，若部署的 AI 系統會用於分析人類的情緒或進行生物特徵分類，部署者必須主動通知受影響的個人。

分階段修法牽動企業合規節奏

對於歐盟 AI 法案生效後的「分階段修正」（ AI Omnibus），詹婷怡表示，相關規範自2025年起已上路，如禁止具有不可接受風險的 AI 應用，包括社會信用評分、未授權的大規模臉部識別，並開始要求通用 AI（GPAI）模型提供者履行基礎義務。 2026 年 8 月 2 日，第 50 條「透明度義務」正式生效後，所有與真人互動的 AI 系統（如 Chatbot）或深偽內容（Deepfake）都必須明確標示。

另一方面，考量到產業界的技術準備難度，Omnibus 針對第 50 條第 2 款提供了短暫的寬限期，針對 2026 年 8 月前就已上市的生成式 AI，其機器可讀標記（數位浮水印）允許它們延後至 2026 年 12 月 2 日前完成補上機器可讀標記的合規作業；同一時間點，禁止生成未經同意的成人親密影音、兒童性剝削內容等新禁令，也將同步生效。

值得注意的是，Omnibus修正案另將原定於 2026 年上路的 第 III 類高風險 AI 系統（如執法、教育、就業、關鍵基礎設施等應用） 的施行期限，延後至 2027 年 12 月。Annex I所涵蓋的「嵌入式高風險AI系統」（如醫療器材、航空安全中的 AI）更延後至 2028 年 8 月全面生效。惟此非在本文第 50 條「透明度義務」討論範圍，將另為文探討。

註：《人工智慧法案》第50條：Transparency obligations for providers and deployers of certain AI systems解析：

1. 人機互動告知義務 (Article 50(1))

• 規範對象：直接與自然人互動的 AI 系統（如：聊天機器人、虛擬助理）。
• 核心義務：提供者必須確保系統的設計與開發能讓使用者明確知悉其正在與 AI 互動。
• 例外情況：若從內容脈絡、使用情境來看，該 AI 互動本質已極其明顯，則不在此限。法警、刑事偵查等法定免除情境亦有例外。

2. AI 生成內容的機器可讀標記 (Article 50(2))

• 規範對象：生成式 AI 系統（生成文本、圖像、音訊、視訊）。
• 核心義務：提供者必須確保 AI 的輸出內容，具備技術上可偵測且機器可讀（machine-readable）的標記，明示該內容由 AI 生成或操縱。

3. 情緒識別與生物特徵分類告知 (Article 50(3))

• 規範對象：使用情緒識別（Emotion Recognition）或生物特徵分類（Biometric Categorisation）系統者。
• 核心義務：部署者必須主動通知受影響的個人，告知其正暴露於該技術的監測或分析中。

4. 深偽與公共利益文字之揭露 (Article 50(4))

• 規範對象：生成或操縱構成「深偽（Deepfake）」的圖文影音，或生成宣稱真實、涉公共利益的文本。
• 核心義務：部署者必須以清晰、顯眼的方式披露該內容已被 AI 操縱或生成。
• 豁免彈性：
  -> 用於合法偵查、言論自由或純粹藝術、創意、諷刺等虛構作品，可在適當標籤揭露下予以放寬。
  -> 涉及公共利益的 AI 生成文章，若經過人工審閱且由真人負起編輯責任，可免除部分標示。

隨著《人工智慧基本法》於今年1月正式施行，數位發展部也已依法公布《人工智慧風險分類框架》，資料治理相關指引則仍在研擬階段，台灣的AI治理架構正逐步成形。然而，當AI浪潮席捲公部門，地方政府與第一線實務單位在推動治理落地時，卻正經歷著深刻的「轉型陣痛」。

在上一篇報導中，我們探討了資料盤點與跨局處協作的難題，指出無論是資料由誰提供、風險由誰界定，答案終究要回到具體的「應用場景」才能釐清。然而，情境判斷雖然解決了資料與風險歸屬的邏輯問題，卻無法解決另一層更現實的挑戰：當各單位的AI應用逐漸開展，隨之而來的算力成本該如何分攤？風險分類框架公布之後，第一線又該如何落地執行、而非流於原則性宣示？

本文將延續前篇對「應用情境」的觀察，進一步探討台灣公部門在資料議題之外，於實務落地時可能面臨的挑戰，包括算力分配、風險分類等具體課題，以及可能的解方。

分級或分類？台灣AI風險的架構與跨部會難題

在風險管控的討論中，最關鍵的差異點在於「風險分級」與「風險分類」的界定。目前數位發展部提出〈人工智慧風險分類框架〉，主要採取由上而下的三層架構。頂層是七大倫理基石，直接源自《人工智慧基本法》第4條的抽象法律原則；中層是框架本身，將頂層抽象的倫理原則，轉化為具體的「AI風險類型表」，共分三大類、二十項子類別；底層則是評估工具與管理規範的實務落地，再交由各部會各自訂定規範。

然而，這樣的分層設計癥結點就在於，「分級」代表一套明確的高低排序標準，而「分類」則意味著各部會可依自身業務性質各自詮釋。也就是同樣一件事情，某個部會可能認為情節嚴重，換到另一個部會，卻可能被判定為無傷大雅。這與歐盟採取風險分級監管、對不同等級AI應用課以不同強度監管要求的作法，形成鮮明對比。

但因為同樣的技術評分，放進不同應用場域，意義可能截然不同；而後續落地執行的責任，仍須回歸各主管機關與產業自行承擔。但目前多數機關面對AI治理議題時，普遍傾向是以因應稽核為出發點，著重在一旦受檢時，能否清楚說明自身的AI應用究竟座落在上述三大類框架中的哪一類。然而這三類、二十項子類別的架構是否真的對應AI在不同情境的風險，仍需要進一步驗證。

城市場域的實務挑戰，數據治理仍是關鍵

與會專家表示，實務上，風險控管還牽涉資料治理，尤其在城市治理相關專案中，最令人擔憂的是未清理、受污染的數據可能扭曲分析結果。此外，各單位使用的模型版本與迭代不一，控管難度也隨之提高。更關鍵的是，資料權限管控十分嚴格，民眾個資不得任意投入AI系統運算，整套系統必須像防堵資安漏洞一樣，清楚劃分「能做什麼、不能做什麼」的操作邊界。

若參考國際上如GDPR等資料保護規範的精神，資料治理通常會區分出「數據主體」「數據提供者（或持有者）」「數據使用者」等角色，部分實務框架也會再加入「同意管理者」，負責決定資料誰可使用、何時應下架的生命週期管理，藉此釐清跨部會資料流通中各方的權責邊界。尤其在討論數據治理時，這些參與者彼此互為利害關係人，資料授權將對各方產生何種影響，正是風險框架下一階段必須深入探討的課題。

更棘手的是，許多資料礙於風險考量無法上傳雲端，而實務上仍有不少單位依賴國際公有雲廠商的服務。未來這些國際公有雲業者在整體風險框架中應扮演何種角色、又該如何因應前述的資料治理與風險控管要求，也將是後續必須面對的一大挑戰。

預算天花板與主權AI的兩難

除了風險分類與資料治理之外，預算同樣是政府部門推動AI應用時無法迴避的現實考量。由於公家機關的預算編列通常是固定額度，並不會因為AI使用成效良好、Token用量暴增，就可以立即獲得額外經費挹注，因此政府機關在推動AI應用時，必須格外正視預算控管的問題。

與上述問題緊密相扣的，則是「主權AI」議題。由於機敏資料不能委由公有雲端資源處理，機關只能在內部建置備援機制，當地端算力真正不足、需求溢出時，才動用外部算力，例如與國家高速網路與計算中心（國網中心）介接，或向外部廠商採購短期算力。不過，這類作法在實務上僅屬「過渡性質」的備案。專家認為，長遠而言，核心機敏資料仍必須「落地」於機關自身環境中。

除了前篇提及的預算分配與主權AI涉及的法規、政治角力之外，實務上最大的困難其實在於基礎建設。由於晶片技術快速迭代，業界也即將邁入新的世代，新一代機房在散熱與供電條件上有更高的要求，但地方政府所在區域的電力與水資源供應本就吃緊，幾乎不可能為了建置AI算力中心而全面翻新既有機房。因此，即便地方政府目前仍可勉強自行採購伺服器應急，未來三、五年內，這樣的作法恐難以為繼，且現階段建置的設備，也將隨技術迭代迅速面臨汰舊換新的壓力。

面對這樣的結構性限制，與會專家認為，與其讓各部會或地方政府各自採購算力，更應建立「國家級算力中心」。專家也提醒，現行國網中心的定位偏向學術研究，缺乏全天候無休的即時維運與服務級別協定（SLA）保障，若是在非上班時段遇到緊急事件，目前只能仰賴外部廠商提供24小時維運支援。因此，未來若真要成立國家級算力中心，維運規格與SLA保障勢必得同步納入設計，而非延續現行以學術研究為導向的營運模式。

大模型迷思不如以特定任務建立

除了預算與算力的結構性挑戰外，多數人常陷入盲目追求大模型的迷思。與會專家指出，自2023年起，各界才開始積極投入大模型的訓練與學習，雖然相關方法論在這幾年已日趨成熟，但業界普遍存在只要把大量領域知識與資料倒進模型訓練，模型就能自動搖身一變成為該領域專家的錯誤期待。

但實務案例顯示，若參數量未達百億等級，僅靠訓練就能讓模型直接達成期待的機率其實偏低，且台灣並不具備龐大的資源能完全投入通用人工智慧（AGI）的訓練，這些算力、AI人才稀缺，及基礎知識庫與實際應用案例的不足，形成一道難以跨越的技術瓶頸。

正因如此，若企圖透過投入大量資料、訓練一個「無所不包」的巨型模型，來解決城市治理或龐大法律論述等複雜問題，效益往往有限。因此，實務上會更建議將任務「切分」處理，選用規模較小的模型針對「特定任務」進行微調與訓練。這類小模型無須海量資料，而是側重於作業原則、特殊指令及領域知識（Domain Know-how）的累積，是一項高度專業化的工程。

且從AI治理的角度來看，若要求一個通用大模型同時處理A、B、C多項任務，並期待各任務都能達到專業單位的標準，一旦出錯，權責歸屬也難以釐清。究竟該歸咎於模型本身、訓練資料，還是準備資料的人員疏失？將形成模糊的灰色地帶。

建立容錯機制與「逃城」保護傘，讓基層公務員敢於嘗試

談到AI治理的實務挑戰，專家特別提醒事後救濟機制的重要性。AI導入或執行任務的過程中，難免可能不小心犯錯，但這並非出於惡意。

這時候，主管單位必須思考是否建立類似「逃城」的保護機制，讓基層人員在善意執行公務的前提下，仍能獲得一定的救濟空間。這樣的救濟機制不僅是為了保護可能受害的民眾，更是在保護第一線執行AI業務的公務員，避免公務員因為怕犯錯而卻步，最終不敢積極嘗試導入AI應用。

例如，當基層人員因使用AI模型而不慎踩到個資紅線、或發生違規情況時，該如何處理？有哪些救濟方式可供依循？此外，在初期導入階段，是否應該預先設定一個限定的使用範圍，以降低風險？這些都是後續需要進一步釐清的課題。

打破甲乙方框架：政府與廠商需建立新型合作關係

與會專家也提醒，AI導入是一項涉及多方協作的工程，而政府單位在推動過程中，勢必需要與外部廠商密切配合。在這樣的合作模式下，過往政府與廠商之間慣有的「甲乙方」、上對下的傳統關係，恐怕也需要重新檢視。

生成式與代理式 AI 工具大幅降低了知識產出的門檻，簡報、企劃、程式碼與文案能在極短時間內大量生成。然而，個人效率的提升，真的等於組織績效的突破嗎？

DIGITIMES 行銷處長暨 IC 之音副總經理葉家良於個人研究文章《效率通膨》一文中，提出 AI 時代的「效率通膨（Efficiency Inflation）概念，意即當所有人都能快速產出格式專業、表面完整的交付物時，基線執行力迅速商品化，普通產出也隨之失去溢價。真正稀缺的，不是產出速度，而是判斷密度、脈絡掌握、信任關係與責任承擔。

AI 不是消滅工作，而是讓普通產出失去溢價

葉家良指出，過去的管理邏輯建立在「產出稀缺」之上。寫得快、做得多、排版漂亮、資料完整，曾經足以形成專業優勢；但在生成式 AI 普及後，這些能力正快速從「差異化價值」降級為「基本生產條件」。當每一位知識工作者都能在短時間內生成簡報、報告、程式碼、文案與行銷企劃，市場真正面臨的問題不再是產出不足，而是普通產出過剩。

他提出核心公式強調：「單位產出價值」與「人類判斷密度」成正比，與「市場總產出量」成反比。這意味著，單位產出價值，取決於判斷密度與產出總量之間的相對關係。當市場中的總產出量因生成式工具而快速膨脹，人類判斷密度卻受限於人類注意力、經驗、倫理判斷、產業脈絡與責任承擔，單位產出物的價值就會被稀釋。

於此同時，他更進一步追問：「當效率全面提高後，價值如何被重新定價」？葉家良認為，AI時代，企業管理者真正要問的，不是 AI 能否讓團隊多做 30%，而是多做出來的 30% 是否提高了決策品質、客戶信任與商業結果。且後 AI 時代的管理重點，不是單純擴張產出量，而是提高每一份產出中的判斷密度。

效率通膨將帶來三層核心危機

葉家良提醒，若組織僅一味追求產出速度與效率，將面臨三項潛在危機。首先第一層危機是紅皇后跑步與看顧機器人，也就是員工省下的時間並未投入高價值工作，而是被塞入更多任務，形成「跑得更快卻留在原地」的紅皇后領地現象。

第二層危機則是AI 腦燒與組織性耗竭，當組織只導入工具而不重建流程，會把多個 AI 系統的監督與決策責任強加於員工大腦，引發「AI 腦燒（AI brain fry）」的認知疲勞、決策變慢與組織耗竭風險。

第三層危機則是雙軌勞動市場與學徒制斷裂（The Apprenticeship Collapse），也就是 AI 將勞動市場分化為「專業化」與「民主化」雙軌，低判斷工作面臨商品化，薪資溢價受到壓縮。最嚴重的隱憂在於「學徒制崩塌」：初階工作被快速自動化後，新人失去了透過基礎任務（如資料整理、會議紀錄）累積產業直覺與判斷力的「訓練場」，使未來組織面臨高階判斷人才的斷層。

突破關鍵在於從「效率」轉向「效能」思維

葉家良認為，企業必須將管理指標從「計算產出量、速度、成本」的傳統效率思維，換軌為衡量「洞察密度、決策影響與信任關係」的後 AI 效能思維。

為此，他提出一套實踐劇本：「BEGIN 策略劇本：以新手之心重建人機協作」。其策略的核心，是把 AI 從「產出加速器」重新定位為「組織效能槓桿」。AI 可以放大效率，但不能替代責任；AI 可以生成選項，但不能決定取捨；AI 可以整理資訊，但不能承擔信任。若企業沒有建立清楚的人機分工，AI 導入只會增加工具債、品質風險與認知負荷。若企業能重新設計流程與人才訓練，AI才能真正把人類帶回更高價值的位置。

同時提出「10% 人類情感定律」，也就是團隊可以把 90% 機械化、可規模化的任務交給 AI，但必須保留至少 10% 的策略意圖、情感共鳴、倫理判斷、現場理解與關係建立由人類牢牢掌握，這 10% 才是企業不可替代的品牌護城河。

效率通膨的解方不是抵抗AI，而是重新分配人與機器的責任

葉家良強調，效率通膨的解方不是抵抗 AI，也不是無限制擁抱 AI，而是重新分配人與機器的責任。而真正的生產力，不是讓人更像機器，而是讓機器承接可規模化的執行，使人重新回到不可規模化的位置。他認為，未來最有競爭力的企業，不會是產出最多內容的企業，而是最懂得保護人類判斷、重建信任關係，並把 AI 轉化為組織效能槓桿的企業。

人工智慧科技基金會特別舉辦閉門專家會議，邀請產官學研各界齊聚一堂，針對地方政府推動 AI 轉型時所面臨的資源落差與痛點進行深入探討，期盼共同為台灣的 AI 治理尋找最佳實踐路徑。無論是資料該怎麼整理、由誰提供、風險該如何界定，還是系統該怎麼建置、標案合約該怎麼簽，會中反覆浮現的關鍵之一，癥結點都在於，如何確認具體的情境與用途。

資料四散？從「應用場景」出發，才能真正推動跨組織協作

資料散落在各局處、格式不一且整併費工，是台灣政府數位轉型中反覆出現的沉痾。實務經驗顯示，真正能驅動資料治理的關鍵，並非一味追求資料的完整與一致，而是回歸最務實的提問：究竟要拿這些資料來做什麼？能改變什麼？

資料的盤點與整理需要強大動機，當現狀「尚不影響日常業務」時，各單位往往缺乏主動整理的誘因。真正的轉捩點，多半來自於「不得不」。無論是因應特定政策，或是像這次 AI 應用法規的規範，都會迫使各單位必須重新梳理底層資料架構與脈絡。

唯有當資料協作成為業務的剛性需求，資料治理才能從口號化為行動。但下一個問題就是，跨域協作絕非資訊單位單一的責任。與會專家建議，必須由設立跨域資料具高度掌握力與主導權的資料長（CDO）開始，並搭配跨部門委員會（Committee）制來推進。

為打破各自為政的本位主義，委員會成員必須涵蓋主計、業務、資訊與資安等多元角色。唯有將討論層級拉到制高點並建立共識，各單位才會主動尋求協作。此外，各部會應設立跨單位委員會，持續盤點並定義應用場景，聚焦討論後續的資料應用與發展方向；一旦重大需求浮現，便能迅速啟動並落實跨域資料協作。而資料長則扮演促成專案與委員會運作的核心角色。

誰受益，就由誰提供資料

資料的盤點方式取決於場景，資料該由誰提供？同樣要回到情境與用途來判斷。大多數企業在導入 AI 時，會將 AI 應用區分成幾個層次。第一層是通用型 IT 應用，涵蓋權限管理、基礎系統等內部一般行政作業，例如請假申請、工單查詢這類日常事務。這類資料處理相對單純，IT 單位也較容易接受並釋出資料，因此是最容易推動落地的第一層。

第二層，是核心業務（OT）的深度應用，直接落在具體業務執行的場景。例如採購稽核這類充滿領域知識的業務，關鍵原則在於：誰能從 AI 中獲得實質效益（Benefit），誰就要負責產出資料，來驅動 AI 的成效。一個重要的觀念是，基於資料驅動與 AI 應用所帶來的效益，主責單位必須對自身業務資料的內容與準備，負起應有的責任。

第三個層次則是落實到個人，例如每日工作時所累積的專屬資料集，可能與產品相關、也可能與行銷相關。這類個人層級的資料集，由於難以規範個人的使用行為，IT 單位頂多只能提供全公司標準化的系統與設備進行管理。

風險由誰界定？關鍵仍在用途

資料的分工釐清之後，接下來要處理的就是風險問題。座談中最受關注的議題之一，是 AI 風險該由誰定義。但深入討論後會發現，真正的答案或許不在「由誰」，而在「場景」與「用途」。同樣的技術，放進不同的使用情境，風險的意義與影響可能天差地遠。

AI 進入政府體系，最棘手的問題往往不是技術，而是「風險邊界」該由誰來劃定？這個提問，點出了當前公部門推動 AI 治理時最深層的矛盾。

多數人的直覺答案是中央部會，但這個期待恐怕難以實現。原因在於立場，因為中央部會並非第一線執行業務的人，對於每個系統中 AI 所扮演的角色，如何影響實際風險輪廓，往往缺乏想像。而 AI 應用場景千變萬化，每一種角色配置都牽動不同的風險樣態，要由上而下訂出放諸四海皆準的統一標準，本質上就不可能。

不同於資安風險已有一套相對成熟的方法論與完整的風險資料庫可供依循，AI 治理目前並沒有成熟的框架可循，很多時候是問題發生了才恍然驚覺。

以 AI 幻覺問題為例，雖然大家都期待 AI 能達到百分之百精準，但實務上這幾乎是不可能的任務。那麼，究竟要達到什麼樣的精準程度，才足以被實際採用？一個常被拿來舉例的參照是「氣象預報」，雖然不是百分之百準確，但我們依然仰賴它，因為它仍具備極高的參考價值。

然而，換成 Tesla（特斯拉）的自動駕駛，情況就完全不同了。哪怕只是萬分之一的錯誤率，我們都難以接受。由此可見，風險的評估最終仍必須回歸「情境」（Context）：關鍵不在於錯誤是否會發生，而在於一旦錯誤發生，你能否承受隨之而來的損害。唯有先評估清楚可容忍的容錯範圍，才能進一步決定該採取什麼樣的風險防範措施。

系統誰來建、責任誰來扛？驗收標準得回到情境

系統的建置分工，同樣沒有標準答案，答案仍取決於情境。理想上，包含權限管理、底層算力，甚至公文交換系統等基礎設施可以交由資訊單位（資訊處 / 資訊中心）負責統籌。但是，像是警察局、環保局、水利局這種特定領域的系統，因為各局處都有各自特殊的業務應用需求，應由各單位編列預算開發，而非共用一個通用的系統。

然而，「各自開發」不代表「各自為政」，仍需資訊單位提供統一的指引（Guideline），要求全體遵循。尤其是在「主權 AI」（Sovereign AI）的框架範圍內，機敏資料不能任意上傳公有雲，所有系統都必須建置於內部的主權 AI 基礎架構之中。

另一個與情境息息相關的是，AI 系統的驗收與監督。與會專家認為，情境條件的預先設定同樣關鍵。雙方必須在合約中明訂權責界線，清楚說明何種情境下屬於廠商應負的責任。舉例來說，若攝影鏡頭因颱風損壞導致 AI 影像辨識出錯，屬於不可抗力因素，不應歸咎於廠商；但若是模型本身的辨識率無故下滑，廠商便須負起調校責任。這些權責分野與免責條款，都必須在合約中預先明訂，否則專案推進到後期，往往會卡在驗收結案的關卡，各方各執一詞，徒增爭議。

不過，必須正視「模型漂移」（Model Drift）的問題，由於 AI 模型並非建置完成就能一勞永逸的軟體；隨著時間推移，外在環境可能與初始情境截然不同，進而導致預測準確度與效能下降。例如每當法規修訂或條文更新時，模型都必須跟著重新訓練（Retrain）與調整，就如同防毒軟體需要不斷更新病毒碼一樣，模型的維運與更新機制必須明確納入廠商的保固與維護合約中，而非事後才臨時補救。

無論是個人、部門還是企業層級，AI 的應用潛力早已無所不在。例如行銷部門可以利用它來發想社群貼文、整理競品資訊並自動產出月報；人資部門則能交由系統處理海量的履歷摘要、規劃教育訓練，甚至即時查詢繁雜的勞基法規。

過去一年，詠鑠生活在公司內部開發並試行了多個專案，範圍涵蓋行銷、會計報帳、訂單派工到潛在客戶查找。「其實只要問對幾個關鍵問題，公司的每個部門，都能輕易篩選出專屬的 AI 專案。」談起 AI 在企業內部的應用場景， Alden隨口便能點出一份實戰清單。

「但真正的挑戰在於下一步，」，Alden以企業經營者的角度拋問，當個人成為成功的AI使用者後，主管該如何把這份能力，轉化為整個部門、乃至整間公司都能複製的組織能力？

從個人生產力到公司競爭力

「個人會用 AI，叫做生產力；那公司會用 AI，其實是競爭力。」Alden認為，公司用AI跟個人用AI最大的不同在於，一個整體且有系統，一個則破碎而不具系統性。

他進一步解釋競爭力的定義，不只是「我會做的，你不會」、「我會做的，你也會，但我做得比你更快又更好」，更重要的是，我能持續讓這些事情持續穩定的發生。而AI之所以能為企業帶來競爭力，最大的關鍵正在於「能複製，且持續、重複地發生」。

例如，對行銷而言，資料庫是品牌白皮書、用戶畫像的深度樣貌，還有企業對消費者行為、目標消費者人格特質的理解。必須在這個資料庫的知識背景之下，提示詞才能產生重複性的輸出。

Alden認為，導入 AI 並不是為了減少人力成本，而是要讓高價值人才把時間和資源運用在高價值的工作上，並創造人均產值。

建立組織競爭力的三步策略

為了讓組織可以建立競爭力，要從個人技巧變成組織的競爭力，詠鑠生活做了三件事情：

第一，刻意經營共學環境。無論是外部上課，或是內部分享、跨部門AI工作坊，Alden過去兩年最常做的事，就是發掘同仁做出的成果，然後邀請對方公開分享經驗。他認為，全世界都還在摸索AI怎麼用，共學環境的目標就是彼此激盪靈感，激發出屬於自己部門的應用靈感。

第二，推動小步實驗。AI並不會立刻解決所有問題，但AI導入的過程，本質上是一場從上到下、帶領全公司探索的過程。

第三，建立知識沉澱的機制，把成功的經驗變成可複製的組織能力。Alden認為，創造創新改變的文化氛圍是老闆或主管的責任。因此，只要內部一有成功案例，他就積極向其他部門推廣。久了之後，內部員工也會想要嘗試。

如今詠鑠生活也積極透過知識庫建立、文件化與 SOP 梳理，一步步打造專屬的 AI Agent，將經驗與知識轉化為企業永續的軟實力。

IT-enabled 與 AI-first，兩種截然不同的架構思維

關於 AI 轉型，Alden提出兩種思維架構，分別是IT-enabled（IT驅動的企業架構）與AI-first（AI驅動的企業架構）。IT-enabled 著重運用科技優化既有流程；AI-first 則進一步從 AI 的能力與限制出發，重新思考流程、資料與系統架構。兩者並非彼此取代，而是代表不同角度的轉型方式。

他將AI的本質思維歸納為三點：快速迭代、高度客製、邊際成本低。公司所有關於AI的決策與做法，會以這三項特性作為重要的決策原則，避免不必要地拖慢 AI 的應用與迭代。而這套思維，後續則具體發展為一整套詠鑠生活專屬的「SCALE策略框架」。

用這五個問題檢核每一個AI專案

這套框架是Alden摸索後所確立的策略，用來確保每一個 AI 決策都不偏離方向。SCALE 涵蓋五個面向：第一，AI 要服務公司戰略（Strategy）；第二，AI 要變成公司的競爭力（Capability）；第三，建構一個以 AI 為核心的企業新架構（Architecture）；第四，重新界定開放與治理的邊界（Limits/Boundaries）；第五，是讓團隊在邊界裡面自由發揮的賦能（Empowerment）。

第一，戰略 (Strategy)： 這個 AI 專案在服務公司哪一個策略？如果不做會失去什麼？做完後會得到什麼？透過這三個問題，檢視它有沒有服務公司戰略。

第二，競爭力 (Capability)： 競爭力是可重複複製，且高效輸出的。如果這件事情不能被複製，就不應該成為 AI 專案；如果能被複製才做，而且要自問是否能夠很簡單地交給新人？

第三，企業架構（Architecture）： AI 專案不能只關注單一工具是否好用，更要思考系統之間如何串接、資料從何而來，又將流向何處。從 AI 基礎建設的角度來看，重建企業架構的本質，就是重新梳理並設計企業的資訊流，讓資料能在不同系統與部門之間順暢流動，並在適當的權限與治理機制下被即時取用。唯有如此，AI 才不會停留在零散的單點應用，而能逐步成為支撐整體營運的基礎能力。

第四，邊界（Limits）： AI 治理的關鍵，不是層層審核，而是清楚界定創新的範圍與風險底線。相較於由上而下、凡事逐級核准的中央集權模式，詠鑠生活選擇重新定義治理邊界，因此重新定位 AI 主管的主要任務：從開發執行者轉為架構設計者、規範制定者與風險守門員。。

第五，賦能（Empowerment）： 在明確的治理邊界內，讓團隊自主嘗試與發揮。以內部的請款小幫手為例，這類流程通常由財會部門主導，但詠鑠生活也鼓勵跨部門提出需求、參與原型開發，讓不同職能共同推動流程改善。

重新定義資訊主管：從 IT 長到 AI 長

順著 SCALE 框架中「重新定義邊界」的邏輯，林炫丞也與 AI 主管重新討論了這個職位的定位。基於快速迭代與高度客製化原則，他們將開發工作下放給各部門，並將審核權留在資訊主管手中，藉此建立控制點與完整的數位足跡。他們重新定義 AI 長不的角色，他並不是開發者，而是 AI 基礎建設的總設計師、建造者（營造商）、守門員，以及資料主權與系統安全的守護者。

今年下半年，詠鑠生活計劃建立內部的「AI Golden」，這套概念借鑑半導體業常見的 golden reference 與 golden flow，透過事先訂定開發、驗證、資安與上架標準，讓符合規範的內部 AI 應用得以加速審核與發布。在治理原則上，詠鑠生活選擇以這樣的方式因應 AI 時代的快速迭代特質。

在這樣的架構下，Alden在AI導入上為自己、也就是經營者保留了兩道簡單的自我提問：這件事會阻礙 AI 三大本質（快速迭代、高度客製、邊際成本低）嗎？若會造成不必要的阻礙，就重新檢視做法。這件事符合 SCALE 的策略方向嗎？如果無法支撐公司策略，花再多時間做，可能前進方向也不一致。

生成式AI的出現，讓企業跨越傳統的軟體開發門檻，使得詠鑠生活能以低成本與快速度不斷試錯。Alden 坦言，自己並非技術背景，因此將更多時間投入痛點定義與流程梳理，並與技術夥伴協作。因為技術必須建立在清楚的營運目標與流程設計上，才能真正發揮價值。詠鑠生活發展 AI 基礎建設以來，一直選擇在速度、治理與自主之間重新配置，打造適合公司的運行方式。

面對市場上五花八門的AI神話，多數中小企業主心中浮現的第一個問題，往往不是「該不該做」，而是「我們有錢、有人、有時間做這件事嗎？」在資源有限的現實下，AI轉型聽起來像是大企業的專利。然而，一家不到20人、深耕餐飲原物料供應鏈的B2B企業，卻用兩年時間證明了另一種可能：轉型不需要龐大預算，也不需要等到萬事俱備才出發。

資本兩極化，中小企業的AI突圍之路

2026《台灣產業 AI 化調查》指出，臺灣整體的 AI 應用正穩步向前，零售業卻面臨著嚴重的兩極化差異，資本額大的企業積極投資科技工具，力求轉型升級；資源有限的中小企業卻深陷缺工泥沼，光是維持日常營運已耗盡心力，更遑論分心投入新興科技，數位鴻溝也因此越拉越大。

但資源不夠充沛的企業，難道就註定被這波轉型浪潮拋在後頭？詠鑠生活的經驗，給出了不一樣的答案。這家不到 20 人的小型企業，僅用一年時間，便將 AI 從個人工具，逐步落地為工作流程，並帶動來客數成長 4 倍，讓AI成為驅動企業組織競爭力的關鍵動能。

成立於 2017 年的詠鑠生活，深耕餐飲原物料 B2B 供應鏈已逾九年，從進口油品，到飲料吧台原物料，憑藉精準的選品眼光，專注為臺灣餐廳提供完整的「餐飲味道解決方案」。創辦人林炫丞（Alden）是這場轉型背後的關鍵人物。出身金融業的他，將商業思維與近十年供應鏈實戰經驗相互結合，走出一條跨界創業之路。

在7月 AIF 主辦的 AI Café 中，Alden 無私分享詠鑠生活如何在短短一年內，帶領團隊走上這條「從工具到競爭力」的轉型之路。

轉型關鍵不在先畫藍圖，而是從一個困擾已久的痛點開始

「許多人談 AI，多半先要有一個宏大的願景與策略，」但Alden認為，比起規劃藍圖，更重要的是先做。「對詠鑠生活來說，最初的痛點，其實來自一個很簡單的問題：接單。」

他解釋，許多客人會用 LINE 下單、業務便會轉傳進群組、再由同仁手動輸入 ERP，整套接單流程十分耗費人力，且容易出錯。

2024 年，他們先和一家 AI 新創合作，花了一年的時間，梳理工作流程，打造出AI 引擎，客人不需改變原有下單習慣，無論何時輸入文字、PDF 或截圖，系統都能自動判讀對話，在一分鐘內完成下訂並回應訊息。即使訂單量翻倍，企業也不用再多一個專門輸入訂單人力。

其他如對帳、報價，甚至是陌生開發的事前準備等工作，也都透過Vibe Coding（由 AI 輔助的開發方式，開發者不需要寫程式碼，而是透過自然語言向 AI 描述需求）陸續開發出AI系統與工具，大幅降低員工的作業時間。

尤其是在客戶研究流程這一塊，藉由關鍵問題，包括交易動機、未來願景、現況痛點、所需資源、破冰話術與下一步行動，建立系統化提問架構後，讓陌生開發的準備時間從 7 天降低到 60 分鐘，業務團隊得以更精準地掌握商談節奏。開發成本的降低，直接帶動了今年微型與中小型客戶數的顯著成長。Alden 提醒，當你有一套思考框架時，AI 才能真正發揮作用；這類框架多半可從商學院教材與管理書籍中取得，但關鍵在於企業主是否願意動手梳理與應用。

「你不需要等到路徑清楚才出發。」Alden將這段歷程分成三個階段，從 2024 年單純學習下達指令的「提示詞使用者（Prompt User）」；2025 年進化為梳理並設計工作流程的「工作流設計師（Workflow Designer）」；到了 2026 年，則全面邁入「系統建構者（System Builder）」的新階段。但他坦言，整段轉型歷程在一開始根本沒有現成藍圖，「先做就對了！」而團隊的發展路徑，正是這樣在實踐中日漸清晰。

Alden強調，中小企業所擁有、同時也是 AI 最渴求的核心資產，其實是「領域知識（Domain Knowledge）」。而在探索 AI 的過程中，最困難的部分就是「了解自己需要什麼」。這並不需要高深的技術，只是需要花時間梳理。

啟動 AI 專案的六大靈魂拷問

那麼，如果企業正在考慮啟動AI專案的話，究竟該如何決定哪些工作應優先交由 AI 處理？Alden整理出六大問題，在正式啟動 AI 專案前，企業不妨先透過以下「六大靈魂拷問」進行內部體檢，篩選出最具價值的應用場景：

1.頻率：這個工作多久發生一次？
一個不斷重複出現、高頻率的日常作業，一旦透過 AI 實現自動化，將能帶來極高的效率提升與投資報酬率（ROI），這類任務應列為首要目標。

2.成本：每次處理需耗費多少時間？
「時間」是最容易被忽略的昂貴成本。企業應盤點高頻工作每次所佔用的工時，耗時越長的痛點，越有導入 AI 來釋放人力的價值。

3.重複性：作業流程是否相對固定？
優先挑選流程標準化、重複性高的任務，成效通常最明顯。

4.資料可得性： 輸入資料是否容易取得？
「沒有資料，談不了 AI。」資料的品質與可得性，決定了 AI 的成效。除了建立資料中心，更要將工作流程文件化與數位化，藉此打好 AI 應用的基礎。

5.錯誤率： 這件事情的失誤率是否偏高？
人類難免會有失誤，與其苛責員工，不如利用系統機制來解決問題。例如，業務端常見的人工訂單登打（Key 單）錯誤，往往會引發客訴與跨部門的內部摩擦。針對這類因人工操作而導致高錯誤率的環節，應優先交由 AI 輔助，以確保營運精準度。

6.可複製性：成功經驗能否規模化？
最後一項評估指標在於「規模化潛力」。當單一 AI 專案開發成功後，該模組或解決方案是否能輕易複製並應用於其他部門或類似的工作場景中？具備高可複製性的專案，能將 AI 的價值最大化。

透過六個評估指標，企業只需將內部的痛點與需求，放入這套框架中盤點過濾，就能得出清晰的專案優先順序。

從個人工具到跨部門協作的三個案例分享

一、行銷部門：貼文小幫手，效率提升近99%

為了維持企業品牌調性的一致性，同時精準駕馭旗下代理品牌各自鮮明且多元的溝通風格，詠鑠生活自行以 Vibe Coding的方式，結合品牌白皮書、用戶畫像與品牌人設資料庫，開發出貼文產生器。

第一代將社群貼文製作時間，從原本全人工超過24小時，壓縮至8小時；第二代進一步結合品牌語氣與價值主張，將時間再壓縮至15分鐘，效率提升約99%。公司也因此得以將行銷人力轉向為資源整合與策略定調。

二、財會流程：跨部門請款小幫手，低成本開發

過去每月報帳，需耗費數小時將單據人工登打進Excel，連創辦人本人都得親自處理。團隊自行打造跨部門請款小幫手——員工只需拍照上傳發票，系統自動辨識並依主管層級進行線上簽核，將報帳時間從30分鐘縮短至3分鐘。

值得注意的是，這套系統並非由財會部門開發，而是由非技術背景的部門主管提出需求並自主完成原型，再由 AI 與財會主管協助權限設定、資安保護與正式上線審核，開發時間花不到兩週。系統同時串接財政部 API 核實開票對象、設定分層登入權限，並留有完整的數位審查足跡，兼顧效率與資安。

三、業務開發：自來客派工系統

針對社群自然湧入的潛在客戶（自來客），團隊建置自動通知與派工系統：只要有客人在社群私訊表達興趣，公司內部群組便會即時跳出通知，主管可直接點擊卡片完成派工與聯絡狀態確認，取代過去需要人工緊盯社群訊息回覆的模式。若業務逾24、48、72小時未回應，系統也會自動加強提醒。

這一系列行銷與業務端的AI工具，讓詠鑠生活的獲客成本下降四成，投資報酬率提升達10倍。而這些案例的落地，離不開背後一套完整的組織文化與人才養成方式。詠鑠生活如何讓一線員工自發成為「系統建構者」、如何重新定義 AI 主管的角色，將於下篇深入探討。