Asgard 肆佳科技

Enterprise AI Platform · Beyond South 2026

企業 AI 發展方向：生成式 AI 的落地應用

從「會用 AI 的人」到「會用 AI 的組織」——關鍵字是落地。 今天我們不問「AI 能不能用」，而是問一個更難、但更值錢的問題：AI 為什麼在你的公司用不起來？

今天要回答的三個問題

The AI Paradox

這不是技術問題，而是架構問題。

AI 生產力革命：第三次躍遷

前兩次革命，贏家不是買了機器的人，是重組流程去用機器的人——AI 一模一樣。

AI 已經被證明的生產力

個人 AI 化 ≠ 企業 AI 化——這正是 95% 沒回報的真正原因。

前面每個數字量的都是單一工作者的效率；但企業不是個人的加總——AI 停在個人、沒進到組織，牆一道都沒拆。

三種「導入 AI」，只有一種有用

AI 應該覆蓋整個企業生產週期

這是一個循環、不是一條直線——個人版 AI 只站在一個點；企業 AI 要覆蓋整個循環、在環節之間傳遞訊號。

從「數位」員工 到「數位員工」

差一個位置，意思完全不同——運作模式從「人找資訊」轉變為「資訊找人」。

每個領域，AI 都有兩種武器：ML 與 GenAI

左腦 × 右腦：分開都沒用，串起來才有威力

只有 GenAI 會說不會做；只有 ML/RPA 會算會做不懂人話——接起來，才是完整的 AI 員工。

從 Chat 到 Agent：三個成熟度，不是一個開關

能上線的 Agent，需要一整套架構（不只是模型）

真正的「AI 模型」只佔六分之一，其餘五個全是扎實的工程與治理。

架構整合：讓左右腦串成「可執行的動作」

企業語意層 Enterprise Ontology Layer

為什麼重要：

• 你的「客戶」「訂單」「毛利」「缺貨」，在 ERP、CRM、WMS 裡叫法都不一樣—— 人靠開會、靠資深員工的經驗去橋；AI 不會通靈。
• 語意層 = 幫企業建一份「共同字典」，把散落各系統的名詞對齊成同一套商業概念。
• 建好以後，不管你用哪個 AI、問哪個問題，它都站在同一套企業常識上回答—— 不會雞同鴨講。沒有它，AI 永遠是個聰明的外人。

別忘了地基：AI 要落地，先要有乾淨、可治理的資料

三個底層要求：

• 一份資料、多種用途：儲存與運算分離，同一份資料能給 BI、ML、GenAI 一起用， 不用複製來複製去——每個工具各一份，是災難的開始。
• 可治理、可追溯：誰能看哪張表、欄位從哪來、被誰改過，都查得到。 治理是上 AI 的前提，不是出事才補。
• 不被單一廠商綁死：用開放格式（如 Apache Iceberg）存資料， 將來換引擎、換工具，資料不用搬家。

正確方向長這樣——四件事疊起來

接下來：Asgard 怎麼把這四件事變成產品——分階段、幾週就見效，不是三年的大專案。

企業導入：三大模組 ＋ 一個開源層

企業端只要認識三大核心模組（前頁 Odin / Mimir / Sindri）＋ 多模型支援 （OpenAI / Claude / Gemini…任務不同可換模型）。而工具與知識這一層，我們選擇——

開源 · Open Source

Yggdrasil — 開源的工具與知識層

• 把 MCP 工具、skills、solution bundles 做成可攜、可驗證的開源資產。
• 相容市面上各種 MCP / CLI 工具，不綁單一生態。
• 用意：不是把產品免費送掉，是把「導入摩擦」拿掉——先拿公開工具試出價值，再放進你自己的治理與部署環境。

你：「這筆 Shopline 訂單客人說付了錢但顯示未付款，
     幫我查 ECPay 授權結果、比對訂單狀態，
     告訴我哪邊掉了。」

Agent：自動挑對的 skill 與 MCP 工具去查、去比對，
       回報問題出在哪一段。

模型（會想）＋ MCP 工具（能查能做）＋ skills（懂台灣電商）＝ 一個能交辦的 Agent。開源、多 harness（Claude Code / Codex / Cursor / Gemini…），今天就能裝。

Knowledge Base RAG — 把 PDF / Excel / CSV 餵進去，變成 AI 可查的知識庫。

Semantic Modeling — 語意層編輯介面，定義資料表與商業概念的對應。

Agent Skills / Tool Setting — 設定每個 Agent 能用哪些工具。

Agentic Workflow — 拖拉式多 Agent 工作流編排，每一步可即時 Tracing。

Text-to-SQL — 中文問「業績最高前 5 店」→ 自動 SQL ＋ 表格 ＋ 圖表，可存成 View。這就是「資訊找人」的入口。

Gen BI — 自動生成財務／營運 Dashboard。

Agent Hub — 上線的 AI Agent 集中管理，員工像用線上客服一樣使用。

Question → Answer：使用者問報告/搜尋/下命令，AI 回查詢結果、語意回答、真的執行動作；中間 Supervisor Agent 指揮四個專員。

底層串接你已有的系統——ERP / CRM / WMS / POS……在 Data Processing ＋ Workflow Toolset 之上長出數位大腦，不換系統。

同一套架構，套進不同產業

場景設定：一家多通路零售企業

多通路並行：SHOPLINE、Shopify、門市 POS、蝦皮商城、企業團購。

前提：讓資料變成「大家都能看的 Dashboard」

被授權的分析師對 Insight Agent 說人話就產出圖表——從此老闆、營運、商品、客服全部看同一份資料。一個組織的 AI 化，是從「大家看同一個事實」開始的。

老闆打開經營總覽，月銷售趨勢變差。

Agent 先找線索：營收掉了、但毛利沒一起崩——不是賣不動，是供不出去。

把營收問題拆成三條可追查的線：通路、熱賣品供應、履約與客服壓力。

Supervisor Agent 排出追查順序、分派各主管——它不埋頭算，它指揮。

營運 Mia 看通路 KPI：各通路訂單量、客單價都不同，不能只看公司總營收。

訂單卡在 pending / picking / shipped——營收進來了，但出貨慢就是未爆的客服壓力。

再看配送業者與履約效率，鎖定『已付款未出貨』、尤其高營收通路。

商品 Ivy 看熱賣分析：高單價品牌、熱門品類仍有動能——需求還在。

找出高影響力品牌與商品，優先盯它們的庫存。

倉儲 Ken 看庫存監控：多據點緊急缺貨、高風險、中度預警。

庫存調度 Agent（Action Agent）直接列出可調貨門市與可調數量——從洞察到動作沒有斷點。

客服 Amy 看 Dashboard：urgent / high 工單、各類型平均處理時間。

客服工單 Agent 拉出高優先、快超過 SLA 的急件，今天先處理。

各通路 SLA 風險一覽。老闆下四動作：營運追通路+履約／商品標缺貨／倉儲先調熱賣 SKU／客服先處理 SLA 風險。

行銷 Sandy 看活動預算與營收：有些花大錢回收普通、有些花得少回收好——別再憑感覺加碼。

看地區與會員等級分布，準備分眾——不同城市不能推一樣的內容。

會員行銷 Agent 把名單分三群：① 立即推播 ② 先客服安撫 ③ 暫不推播。AI 幫我們避免把行銷做成客訴。

通路 Jason 不只看營收，請 Agent 綜合看通路健康度：營收＋物流履約＋客服風險一起看。

物流履約 Agent 拉出已付款未出貨訂單——某些高營收通路其實全卡著。

通路高風險案件一覽。決策反轉：先修履約＋客服，等通路健康了再加碼廣告。

洞察 → 決策 → 執行的閉環

台新餐飲設備 Unitech

全台最大餐飲設備代理與維修服務商——售後維修型服務，最難 AI 化的那種。

Unitech 的三大結構性痛點

設備維修型服務的痛，跟你公司大概八成像。

• 新進員工培訓——平均 >6 個月才能獨立作業。 老師傅的知識在腦袋裡，無法標準化、難以快速複製經驗。
• 作業流程——大量依賴人工填寫、轉單、判讀。 每一個環節靠人接，斷點多，效率低且易錯。
• 資料查詢結構——數據分散多系統，主管要看狀況得仰賴 IT 協助， 回應慢，決策永遠落後現況。

傳統每一棒都靠人接、斷點多；AI 賦能後自動建工單→查庫存扣料→派工→回覆，人退到監督與例外處理。

打法是 Wedge → Expand——先用一個最痛切入點做出成績，再橫向擴張；幾週見效，不是三年大專案。

台新 AI 小幫手（對客）：客戶問『洗碗機不排水』→ 給排除步驟、判斷是否建客訴單。

WMS AI 助理（對內）：講人話問『排水零件還有貨嗎』→ 跨倉庫列出各據點庫存。

自動建立工單，直接寫回 NetSuite ERP 工程服務單——接進既有系統，不另開系統。

處理結果自動寄 Email 通知客戶。

語意化查詢 ＋ Gen BI：用講的問維修趨勢，自動產出圖表 Dashboard。

製造業客戶案例

零售 / 服務 / 娛樂客戶案例

落地的三個階段：從現場洞察到 AI 執行

肌肉的意思是它真的在出力、而且越練越強——持續餵回饋、調資料與流程，它就越來越壯。

回到那個早會：星期一，營收亮紅燈

同樣一個紅燈，兩種公司，結果截然不同。