AI Expo Taiwan 2026 講座筆記：這個時代，我們還能做什麼？
3/26 跑了兩個舞台，從企業 AI 落地到職涯焦慮，整理一下今天聽到的東西。
3/26 跑了兩個舞台，從企業 AI 落地到職涯焦慮，整理一下今天聽到的東西。
一、自主 AI 代理時代：重塑 2026 年的商業價值與工作模式
講者：李浩賓｜Google Cloud AI 解決方案資深業務協理
一、核心觀點：從「指令的運算」到「意圖的運算」
AI 正在從「你告訴它每一步怎麼做」轉變為「你告訴它目標，它自己規劃怎麼做」。這代表運算的本質從執行指令進化為理解意圖。
Francis deSouza 引言：AI 正在推動企業的世代更迭 — 包含核心工作可知堆疊（technology stack）。AI Agent 將會轉變互動、安全營運配置的支援等環節，多步驟的流程 — 將人類的角色轉變為注重在案例中高價值的策略性項目上。
二、5 AI Trends Shaping 2026
| # | 趨勢 | 說明 |
|---|---|---|
| 1 | 全面擁抱 AI 驅動人類生產力 | AI 不再是輔助工具，而是生產力核心 |
| 2 | AI 驅動100倍成長的創意 | 創意產出的量級提升 |
| 3 | 從實驗到行動：雙模式營運成為企業的關鍵 | 企業需同時維持既有營運與 AI 實驗 |
| 4 | 資安全面升級：從被動防禦到主動行動 | 安全策略的範式轉移 |
| 5 | 人才投資飆升：跨越技能與動能的助力 | 人才培育是最關鍵的投資 |
三、四大 AI Agent 應用場景（四成企業已投入）
1. 客戶服務
- 案例：Danfoss — 多 Agent 串流處理複雜情境
- 情境：物流車拋錨 → 後端系統確認車輛故障 → 物流系統重新安排路線 → 訂單系統提供客人賠償 → 簡訊自動通知客人
- 重點：不同 Agent 各司其職，串聯成自動化的端到端流程
2. 技術支援 / 資安營運
- 問題：警示疲勞（Alert Fatigue） — 防禦方疲於奔命，大量 alert 無法逐一處理
- 案例：Torq — 半自主安全性 Agent 處理 first alert，從大量資訊中篩選真正的威脅
- Agent 在此扮演第一線過濾與分診的角色
3. 行銷 / 產品創新
- 案例：行銷經理的專業 Agent 系統
- 資料 Agent — 蒐集與整理數據
- 內容 Agent — 產出文案與素材
- 分析 Agent — 解讀數據趨勢
- 報告 Agent — 彙整報告
- 創意 Agent — 發想創意方向
- 人做最後的把關 — 每個人變成「管理者」，管理一組 Agent 團隊
4. 商務自動化
- 案例：PayPal — A2A（Agent-to-Agent）授權 Agent
- 如果商品缺貨，Agent 可以在有貨時自動下單
- Agent 之間透過 A2A 協定互相溝通協作
四、Agent 間的協作基礎設施
| 協定 | 用途 |
|---|---|
| A2A（Agent-to-Agent） | Agent 之間互相溝通、委派任務（「去問其他厲害的 Agent」） |
| MCP（Model Context Protocol） | 讓 Agent 存取外部工具與資料來源的標準協定 |
這兩個協定是建構「數位系統的裝配線」的基礎 — 讓各 Agent 能像流水線一樣串接協作。
五、Grounding：解決 AI 幻覺的關鍵
什麼是 Grounding？
大家都擔心 AI 有幻覺，Grounding 就是用企業內部資料作為 Ground Truth，讓 AI 的回答有所依據而非憑空生成。
- 將企業知識庫、文件、資料庫接入 AI，確保產出基於事實
- 這是企業導入 AI 時建立信任的核心機制
六、關鍵數據
高層主管的觀點
| 數據 | 說明 |
|---|---|
| 88% | 高層認為 AI 已影響其工作流程 |
| 82% | 高層主管認同 AI 帶來正面影響 |
| 71% | 高層已在規劃 AI 策略 |
員工的觀點
| 數據 | 說明 |
|---|---|
| 61% | 員工已在工作中使用 AI 工具 |
| 84% | 員工認為 AI 可提升工作效率 |
| 29% | 只有三成員工覺得 AI 導入足夠 — 背後原因之一：員工不會用 |
2026 Agent 採用現況
| 數據 | 說明 |
|---|---|
| 52% | 企業已開始運用 AI Agent 嵌入到場景 |
| 49% | 用於客服/支援相關 |
| 46% | 用於安全營運 |
| 40% | 用於產品/商務流程 |
七、AI 五大學習支柱 — 企業如何讓員工真正會用 AI
一項技術的半衰期現在是四年，有時候甚至是兩年。
| # | 支柱 | 重點 |
|---|---|---|
| 1 | 設定學習目標 | 目標必須可量化，先統計現況作為基準線 |
| 2 | 確保高層支持 | 建立召集團隊：高層提供支持資金、基層推動（AI 擴音器）、技術專家（AI 加速器） |
| 3 | 維持動能並獎勵創新 | 持續推動，避免熱度消退 |
| 4 | 將 AI 融入日常工作流程 | 舉辦公司內部黑客松，用公司核心議題發揮 AI 創意 |
| 5 | 採用值得信賴的框架 | 為日益增加的風險做好準備，了解哪些資料不能用於 AI 工具 |
八、總結
最終目標：把人從瑣事中解放，去做更有價值的事情。
全新的整合工作模式：
- 重複性任務 → 交給 Agent
- 設定目標 → 人來定義
- 規劃策略 → 人機協作
- 驗證品質 → 人做最後把關
每個人的角色從「執行者」轉變為「管理者」— 管理的對象不只是人，還包括一組 AI Agent 團隊。
二、AI × ERP：啟動智慧企業新世代
講者：胡迎｜美商甲骨文 應用軟體北亞區副總裁
這場核心概念是把 AI 整合進企業流程，而不是獨立做一個「AI 工具」。
ERP 系統本來就是企業流程的骨幹，現在的方向是讓 AI 直接在流程節點上運作——不是另外開一個 AI 系統，而是讓現有的業務流程本身變得更智慧。
三、加速 AI 落地：開放平台 × 跨雲架構
講者：鄢玉龍｜Red Hat 資深解決方案架構師
Red Hat 的切入點是選擇開源作為企業 AI 基礎架構。
核心訴求：
- 優化 AI 推論效率，降低成本
- 提供經過效能驗證的 AI 模型
- 量化後可節省 GPU 成本
- 可以跑在不同的加速卡上（不被特定硬體廠商綁定）
公司內部多個部門各自有 AI 系統怎麼辦？
兩個方向：
- 標準化 Gen AI——統一基礎架構
- Model as a Service——讓不同部門用同一套服務
Red Hat 也提供文件轉 vector 的工具，以及依據問題推理難度做 scale down 的機制（簡單問題不需要用最大的模型）。
下一個階段他們在做的：微調（fine-tuning）+ RAG，幫助企業訓練和評估自己的模型。
四、Agentic AI：重塑企業知識中樞
講者：楊上輝｜緯謙科技 總監
這場在討論企業導入 AI 最根本的挑戰：資料太亂、格式不統一。
資料來源多元——訊息、email、會議記錄——在這之上要讓 AI 運作，需要先做「領域資料正規化」。
知識本體論（Ontology）
分三個層次建立企業的知識結構：
- 企業專屬字典：客服、會員等業務名詞的統一定義
- 產業標準：如 ISO 27001
- 通用概念：跨領域的共識知識
兩個核心技術步驟
步驟一：解構與萃取
用 NLP 的名詞實體辨識（NER），把自由格式的文字拆解成可計算的標準化資料。例如從客服訊息裡萃取情緒詞彙、確認需求。
步驟二：語意對齊與知識圖譜
把企業內部不同說法但指同一件事的詞語對齊（semantic alignment），建立知識圖譜。
實際應用場景
- 醫療：把病歷和醫師手寫註記正規化，讓 AI 可以理解和查詢
- 汽車業：整理過去的故障記錄、購買記錄，預測客戶回訪時機，做售後行銷自動化
五、AI 時代的一人公司
講者：侯智薰（雷蒙）｜雷蒙三十品牌創辦人
這場最實用，幾乎每個點都可以直接拿來用。
核心觀念是：知識不應該只放在人腦裡。人才流動、記憶模糊——知識放在人身上是有脆弱性的。解法是把知識文檔化，讓 AI 成為你的分身。
如何建立個人知識文檔？
關鍵是寫兩種文件：
- How to：這件事怎麼做
- Why：我為什麼這樣決策、背後的思考邏輯
每完成一個新任務就花十分鐘寫下來。AI 越像你，你就需要把越多的思考脈絡轉化成文字。
如果你只把問題丟給 AI，它給的是通用答案。但如果有你的 SOP 和決策邏輯作為知識庫，它才能給出「你的答案」。
一些具體的應用想像
- 把記帳、保固日期、保存期限全部串給 AI 管理
- 每日自動化任務 dashboard
- 自己寫成長日記，讓 AI 協助追蹤
最後一個提醒：切換到新工具，表現一定會先變差，這是正常的學習曲線，不要因此放棄。執行門檻降低之後，想像力和執行力才是最稀缺的東西。
六、AI 重塑消費體驗
主持：何戎｜與談：Luka Lee（Google Cloud 業務經理）、何銘華（momo 富邦媒體科技 處長）、李昆謀（91APP 產品長）
三家從不同角度講 AI 怎麼改變電商體驗，整理成三個變化：
1. 情境式購物
未來的購物不是打開 app 搜尋，而是「任何情境都能發生」。你在對話中說想買東西，AI 就直接幫你完成，不需要你走完整個購物流程。
2. 個人化推薦深化
Google 正在推 UCP（零售通用協定），讓 AI 可以跨平台理解你的購物記憶：你之前搜過黑洋裝，現在搜女包，AI 會直接推薦配黑洋裝的包款。
91APP 的實際痛點是：同一個商品上架到 momo 和 shopee 格式完全不同，現在用 AI agent 處理這些格式轉換，大幅降低上架人力。
3. 商品資料結構化
momo 的關鍵策略是強化商品標籤結構，讓自然語言搜尋找得到。
以前「晚宴洋裝」頂多有顏色、尺寸的標籤；現在用 AI 幫商品打語意標籤，「我要找晚宴要穿的衣服」這種問法就能直接對應到結果。Google 也協助 momo 把靜態圖片轉成影片內容。
91APP 預測 VIP 回購潛力的方法：蒐集 pixel 事件，透過數據分析購買意圖，再做精準的再行銷。
一個有趣的反向觀察：AI 懂你懂到一個程度，實體體驗反而可能更熱——演唱會、沈浸式體驗，這些 AI 沒辦法完全取代的東西可能反而更有價值。
七、物理 AI：數位孿生 × 邊緣 AI 自主應用
主持：吳文經（研華科技 智能系統部 資深產品經理）｜與談：鄭國威（泛科學 知識長）
物理 AI 目前面臨三個核心瓶頸：
- 感知——眼耳手的模擬與數據擷取
- 運動——機器人的動作控制與泛化
- 試錯成本——自動駕駛出事代價太高，不能無限次真實世界試驗
要解決這些問題，目前的技術架構圍繞七大基礎：
| # | 技術基礎 |
|---|---|
| 1 | 感知融合 |
| 2 | 虛實整合 |
| 3 | 遠端管理 |
| 4 | 影像擷取 |
| 5 | 平台虛擬化 |
| 6 | 軟體運用控制 |
| 7 | 功能安全（需通過 FUSA 認證） |
數位孿生的價值就在這裡——在虛擬環境裡把試錯成本壓到接近零，讓邊緣 AI 能安全地自主應用在真實場景。
八、AI 會做所有事，那人類還剩下什麼？
講者：林上哲｜努法有限公司（nuva）創辦人暨執行長
這場是今天聽到最有哲學感的一個。核心問題是：當 AI 拉平了執行力和生產力，人還剩下什麼？
講者的答案是：決定什麼叫「好」。
AI 產的是 response，不是 answer。
這個差異很關鍵——AI 可以快速給出回應，但判斷這個回應是不是「好的答案」，還是人的事。
他提了一個很有畫面的分類：
- Waltz（雙人舞）：人跟 AI 一起完成，例如企劃書——你提方向，AI 出內容，來回協作
- Breaking（獨舞）：讓 AI 自己轉，例如客服 bot——設好規則就能自主運作
做任何自動化的時候，要記得「回到人性」。有個例子很有趣：客服如果太即時回覆，反而讓人覺得沒有經過思考；稍微等一下再回，反而更有誠意。
這個時代最重要的兩個能力：專業領域知識 + 用 AI 解決問題的能力。
最後他說，品味的培養來自於：跟朋友互動、看展覽、深度體會生活。AI 幫你做事，但生活體驗沒有辦法外包。
九、2026 科技業薪資趨勢 × 技術人的職涯中場
講者：蕭清元｜Robert Walters Taiwan, Manager - Engineering & Development
今年招募市場整體趨保守，地緣政治、通膨等因素讓企業不敢貿然擴編。數據上大概是：
- 五成企業今年沒打算招新人，策略是留住現有人才
- 一成企業才有明確的組織擴張計畫
- 六成企業只願意提供 3–6% 的薪資成長
但有例外——半導體和 automation 相關需求是明顯在上升的。
招募最頭痛的地方是：新工具冒出來的速度比人才養成快，很難找到一個「直接上手」的人。
台灣四個領域的需求方向
- 半導體：AI 相關應用需求提升，有上下游整合能力的人更搶手
- 硬體：半導體帶動，電子工程、機構工程、hardware design 需求穩
- 軟體：AI 導入讓不同職能間的 gap 縮小，產品導入和營運端導入需求增
- IT：有技術背景的 PM、資安工程師、混合雲經驗的人才需求在增加
個人可以怎麼做？
今年轉職的優先考量已經從薪資轉移到：學習機會、彈性工作、對新技術的包容度、職涯發揮空間。
如果技術深度沒辦法拼到架構師等級，有幾個方向可以評估：
- Technical PM：跨部門協作 + 英文能力，IC 最需要的可能是「創造」而非執行
- Solution Architect：去傳產、零售協助導入技術，競爭相對少
- 往管理走：先做 mentor、練語言轉換能力（跟非技術人員溝通），甚至可以考慮從大廠降維到次級公司先拿到主管經歷
面試準備上，現在最看重的是用 STAR 格式分析過去做過的事——從中學到什麼、下次會怎麼做，能賣出自己的優缺點比刷題更關鍵。
如果薪水沒辦法大幅成長，可以從另外三個維度評估：成就感、影響力、自由度。
結語
今天聽下來，有幾個反覆出現的主題：
AI 改變的是「做什麼」而不是「有沒有得做」。 不論是職涯、消費、企業流程，AI 接管的是執行層，但判斷什麼是好的、設定目標、決定策略——這些還是人的事。
知識要結構化。 不管是個人的 SOP 文檔、企業的 ontology，還是 RAG 的知識庫，要讓 AI 真的有用，前提是先把人類的隱性知識轉成 AI 可以運算的格式。
現在最稀缺的不是工具，是用的人。 只有三成員工覺得 AI 導入足夠，原因是不會用。工具越來越強，但想像力和執行力的差距反而拉開了。