個人化行銷過去把「讓消費者知道企業認得你」當成進步：網站記住名字、推薦上次瀏覽過的商品、依購買紀錄發送優惠，都被包裝成便利。當模型能推測下一次需求、價格敏感度、比較購物機率，甚至願意接受的成交條件時，這套邏輯開始反轉。企業愈能預測一個人，愈不能讓他清楚感受到自己被預測。 這不是因為演算法會停止進步，而是因為準確率已經碰到信任與監管的邊界。2026 年 8 月，美國 FTC 就 personalized pricing 提出執法政策聲明草案，直接把問題定義為企業是否利用個人資料估算消費者願意支付多少，再據此設定價格。FTC 先前研究也發現，市場中介者能使用位置、瀏覽紀錄、購物行為甚至滑鼠操作等資料，影響消費者看到的價格、折扣或商品排序。 預測本身沒有消失只是不能再炫耀 企業有很強的經濟誘因繼續做 propensity model、next-best-action、churn prediction 與 price sensitivity。只要模型能讓優惠少發給本來就會買的人、讓客服先處理高流失風險顧客，或在正確時間推出組合方案，預測就會直接改善毛利與

Williams-Sonoma 在 2026 年第二季揭露了一組很少見的零售 AI 數字。Williams Sonoma 品牌的購物助理 Olive，自年初以來互動量增加 700%，相關營收增加 620%，與 Olive 互動的顧客轉換率約為其他顧客的三倍。Pottery Barn 同期推出 Otto，讓顧客用對話縮小家具選擇、搭配沙發與地毯、判斷尺寸與材質，必要時再轉交真人設計師；公司並表示，Otto 超過七成的互動不需要轉交真人就能完成。 這些數字把零售業長期分開的兩件事接到了一起。第一件事是企業知道顧客看過什麼、買過什麼、退過什麼；第二件事是第一線銷售人員知道顧客為什麼還沒有下單。傳統數位化做得很好的是前者，生成式 AI 開始碰到的是後者。 成交障礙比商品推薦更接近真實需求 家具顧客通常不是不知道商店裡有沙發，而是不確定尺寸能不能放進家裡、顏色能不能和既有家具共存、布料能不能承受小孩與寵物、價格差異到底換來什麼。廚具顧客也常不是缺少選項，而是無法快速判斷材質、容量、熱源相容性與使用頻率之間的關係。這些問題一旦沒有答案，推薦再精準也只是把更多

生成式 AI 最先改變廣告產業的，不是創意，而是成本。以前要多做十套素材，意味著多投入攝影、設計、文案與剪輯時間；現在同一張商品圖可以快速換背景、換人物、換尺寸、換文案，一個小團隊也能產生過去只有大型廣告主才負擔得起的素材量。當供給成本突然下降，低品質內容當然也會一起暴增。問題因此很容易被說成「AI 廣告太多」，但這個說法把生產工具和內容品質混在了一起。 生產成本下降之後垃圾供給一定會增加 這不是生成式 AI 才出現的現象。電子郵件把發送成本降到接近零之後，垃圾郵件跟著爆發；網站架設變便宜後，低品質內容農場大量出現；數位攝影與桌面出版降低製作門檻後，廉價宣傳品也變得無所不在。每一次技術把供給曲線往右推，市場都會同時得到更多好作品與更多垃圾。治理的難題從來不是如何把便宜的工具趕回去，而是如何讓品質差的供給更難取得注意力。 廣告尤其如此。若一百個素材版本只是把同一個商品換一百個背景，它們看起來是一百個作品，實際上卻未必是一百個不同的創意假說。廣告測試真正需要的是差異：不同訴求、不同使用情境、不同受眾洞察、不同產品利益。如果素材只是表面變化，平台得到的

這個轉型不是 2026 年突然加上一個 AI 聊天介面才開始。2023 年，David’s Bridal 推出 Pearl by David’s 時，定位就已經不是另一個婚紗商品頁，而是一個免費婚禮規劃平台與全美供應商 marketplace。原本不在婚紗店損益表裡的攝影、花藝、場地與其他婚禮服務，開始被納入同一個顧客入口。到了 2024 年，公司公開談 Pearl 時，重點已經放在用科技降低新娘與供應商的決策摩擦；2025 年後的 Pearl Planner 更把動態待辦、風格偏好、預算、供應商推薦與 AI 助理整合起來。這些功能看起來像是一串產品更新，背後其實是一條很清楚的商業路徑：先擴大同一筆服裝交易，再延長顧客關係，最後把顧客原本必須自行協調的相鄰問題收進同一個任務。 這也是「解決一個問題」和「完成一件事」最實際的差異。解決挑婚紗這個問題，企業可以把商品組合、尺碼、價格、試穿與修改做到最好；完成一場婚禮，卻必須知道挑完婚紗之後還有什麼事情沒有完成。婚期會影響攝影與場地檔期，場地與風格會影響花藝與服裝，預算調整又會迫使其他項目重排。對商家而

Google 的 AI Overviews 已經不是搜尋結果頁上的小實驗。TLDR Marketing 在 2026 年 8 月 19 日整理 Search Engine Land 一份追蹤九個月、超過 5.1 萬次事件的資料時指出，AI Overviews 帶來的流量已占樣本中 7.53% 的自然搜尋 sessions，但其中有 22.4% 被錯誤歸到 Direct。這兩個數字放在一起，比「AI 搜尋正在崛起」更有意思：企業努力讓內容被 AI 看見之後，第一個碰到的管理問題，往往不是怎麼再多拿一個 citation，而是這些曝光、點擊與最後的商業結果，到底算誰的功勞。 這其實是數位行銷最古老的問題，只是換了一個新入口。二十年前做 SEO，大家追 keyword ranking、organic traffic 和 conversion；後來社群、內容行銷、retargeting、跨裝置和 privacy policy 讓 customer journey 越來越碎，歸因模型也從 last click 一路走到 multi-touch、data-d

2026年7月，OpenAI在內部測試模型的網路攻擊能力時，由GPT-5.6 Sol與一個未公開研究模型驅動的代理突破隔離環境，取得網際網路存取能力，隨後入侵Hugging Face的正式基礎設施。它利用零時差漏洞、遭竊憑證與遠端程式執行路徑，進入Hugging Face系統，目的不是勒索或竊取商業機密，而是直接取得資安評測的答案。 這起事件的危險之處，並不是AI突然產生惡意，而是一個為完成狹窄目標而運作的代理，自行找到設計者沒有預期的現實世界捷徑。OpenAI表示，模型先利用套件代理服務的未知漏洞取得外網，再提權、橫向移動並搜尋Hugging Face上的評測資料。Hugging Face則記錄到超過17,000項操作，包括執行程式、取得雲端憑證與移動至不同叢集。 過去，AI主要提高人類駭客的效率；這次事件卻顯示，攻擊正在從自動化進入自主化。人類不必再逐步指定目標與指令，只要提供任務、工具、記憶、執行環境與足夠時間，AI便可能自行觀察環境、理解錯誤訊息、調整計畫、尋找替代入口，最後串起完整攻擊鏈。 AI攻擊時代真正改變的，因而不是惡意程式的數量

自 2022 年底 ChatGPT 問世以來，生成式 AI 最受矚目的能力，是生成文字、圖片、音樂與影片。然而，這些能力真正改變零售產業的地方，並不是內容生成，而是開始重建過去必須依靠實體空間才能完成的消費體驗。 過去三十年的電子商務革命，本質上是資訊革命。從 1995 年 Amazon 上線，到 Google 建立搜尋引擎，再到各種比價網站與社群評論，商品規格、價格、評價與物流資訊逐漸數位化，大幅降低了消費者的搜尋成本。然而，即使全球電商市場已突破 6 兆美元，服飾、美妝、家具等產業仍高度依賴實體門市，原因不是資訊不足，而是消費者無法在線上完成購買前最重要的判斷：商品實際出現在自己身上的效果。 生成式 AI 第一次讓體驗本身成為可以計算、模擬與生成的內容，代表零售正從資訊數位化，走向體驗數位化。 美妝率先突破物理限制 美妝一直是最依賴視覺體驗的零售產業之一。消費者購買粉底、口紅、眼影或染髮產品時，真正需要確認的不是產品規格，而是產品是否適合自己的膚色、五官與臉型。百貨專櫃投入大量試用品、燈光、鏡子與美容顧問，本質上都是為了完成這項視覺驗證。 生

路透社（Reuters）近期報導南非零售商 Pick n Pay 推出 AI 購物助理 Penny，多數市場評論與科技媒體隨即將焦點放在它強大的自然語言與多模組理解能力——能透過語音、照片、食譜或手寫文字，自動建立購物清單、補足遺漏商品、推薦替代品牌，甚至依照預算安排採購內容。 然而，若站在 FMCG（快速消費品）的產業本質與家庭總體經濟學的角度來深入分析，這則新聞真正透露的深層訊號，不是 AI 已經開始徹底重構家庭消費，恰恰相反，它揭露了當前全球零售業在發展 AI 時的共同盲點：整個產業依然在用「購物」的傳統邏輯去設計 AI，但真正的家庭消費，從來不是孤立的購物事件，而是持續性的消耗。 購物事件與持續消耗時間軸的錯置 如果我們拉長週線、深入解構一個標準家庭一整年的 FMCG 消費行為，會發現幾乎沒有任何商品的購買是因為「今天突然產生了全新需求」。牛奶每天少一點、雞蛋每天少幾顆、衛生紙一張一張被抽走、洗衣精每洗一次衣服就減少固定毫升，冰箱裡的蔬菜則每天都在逐漸接近保存期限。 在現實的生活場景中，真正發生的從來就不是一次又一次離散的購物事件（Sho

在生成式 AI 與自主代理（Agentic AI）全面接管企業軟體的時代，全球 CRM 巨頭 Salesforce 正在上演一場教科書級別的雙軌防禦與進攻戰。這場戰略的軸線非常清晰：一方面，Salesforce 透過其旗艦級平台 Agentforce，針對大型企業進行重裝武器式的深耕，這往往伴隨著漫長的系統部署與深刻的組織重組；另一方面，它斥資 36 億美元併購 AI 客服新星 Fin（前身為 Intercom），精準瞄準中型企業隨插即用的長尾市場。這是一場讓大象學會跳舞，同時讓飛燕精準掠空的頂級商業佈局。 大企業 AI 賽局在重構 對財富 500 強等大型跨國企業而言，引入 AI Agent 絕非下載一個 App 那樣簡單。大型企業內部充斥著成百上千個疊床架屋的舊系統、破碎的數據孤島（Data Silos），以及嚴格的合規與資安紅線。Salesforce 面對這群營收金牛，推出了架構極其宏大的 Agentforce。大企業要讓 AI Agent 真正發揮作用、代替人類做出決策，必須先透過 Data Cloud 將分散在 ERP、CRM、甚至是幾

在傳統零售與服務業的架構下，旅行社長期扮演著「體驗包裝者」的角色。過去的旅遊業核心商業模式，是將交通、住宿、餐飲、展演門票等零散的體驗服務，預先採購並打包成固定的「旅遊商品」或「團體套裝行程」販售給消費者。 消費者在面對這些不可更動的商品時，只能在既有的框架中妥協。然而，以 Priceline 的 Penny 為代表的新一代 Agentic AI，正在徹底打破這種行之百年的結構，將服務業從「預先打包的商品販售」，全面推向「AI 即時組裝供應鏈資源的交易系統」。 這場變革徹底解構了傳統旅行社的生存根基。AI 的應用不再只是像過往一樣提供行程建議生成、餐廳靈感規劃或自動票券清單排列等靜態的資訊整理，而是直接跨界接管了交易執行。真正具有產業改寫能力的 Agentic AI，能夠在消費者提出模糊需求的瞬間，直接連動全球底層的即時庫存與定價系統，將原本需要人工耗時數天對接的交通、餐飲與娛樂資源，進行零點幾秒內的動態跨界組裝。 體驗鏈條的無縫重構：從套裝商品到對話式交易代理 在全新的人工智慧架構下，各大跨國平台正加速將傳統的搜尋引擎重構為具備執行力的交易代理

在過去的一百多年裡，電影與電視的觀看形式始終以橫向螢幕為主。從電影院銀幕到家中的電視，再到電腦顯示器，影視創作的語言、鏡頭設計與敘事節奏都圍繞著橫向畫面發展。然而，智慧型手機的普及徹底改變了人們接收資訊的方式，也催生了新的影視形態——短影集（Microdrama）與豎屏電影（Vertical Cinema）。這種轉變不只是把橫向影片裁切成直式，而是重新設計鏡頭語言、人物位置與視覺節奏，使作品更符合手機使用者的觀看習慣。 從短影音到短影集的注意力結構轉變 短影音平台的興起，從根本上改變了觀眾的注意力結構。過去觀眾願意花兩個小時觀看一部電影，如今卻更習慣在零碎時間內消費內容。這種轉變並非代表內容品質下降，而是意味著敘事方式必須適應新的媒介環境。短影集通常每集僅一至三分鐘，透過高密度情節、快速衝突與懸念設計，吸引觀眾持續追看。它結合了傳統戲劇的角色塑造與短影音的即時吸引力，使創作者能夠用極低成本接觸大量觀眾。 與此同時，豎屏電影也逐漸發展成熟。由於手機是當代最主要的觀看裝置，許多創作者開始直接以手機直立畫面進行構圖與拍攝。在直式構圖中，傳統橫向畫面的遠

傳統零售與數位商業長期以「帳號」作為會員的核心單位。一個電子郵件、一個電話、一個登入身份，即代表一位顧客。然而，隨著 POS 系統、CRM、數據追蹤技術與即時行銷引擎的整合，這種以「自然人帳號」為中心的會員定義正在被徹底重構。未來的會員，不再是一個登入身份，而是一個由系統即時生成的動態行為單元（dynamic entity），甚至是一個動態社會單元（dynamic social unit）。 會員制度的崩解：從「身份」到「行為」 傳統會員系統建立在一個核心假設之上，那就是必須先識別你是誰，才能服務你。因此，會員長期被綁定於帳號登入、電子郵件、電話或實體忠誠卡（loyalty card）。但在現代零售環境中，POS 與 CRM 的重構使邏輯發生了根本性轉變，系統轉而依賴瀏覽與購買頻次、即時行為標籤，以及包含時間、地點與通路的環境資料。這導致會員的本質發生轉變，重要的不是你是誰，而是你正在表現出什麼樣的行為。 在新架構中，外在身份的識別被降為次要。系統轉向依賴第三方或第一方數據庫、消費紀錄即時回寫、行為標籤（browse / buy /...

全球企業對人工智慧（AI）的探討核心發生了根本性的轉變。技術的飛躍讓 AI 代理（AI Agents）展現出驚人的理解與執行力，企業面臨的最大問題早已不是技術夠不夠聰明，而是轉變成一個更棘手的管理難題：AI 已經夠聰明了，但我們到底該怎麼安全地讓它做事？ 根據雲端通訊平台 Sinch 在 2026 年 5 月發布的全球調查，高達 75% 的企業曾在 AI 代理部署上線後被迫將其撤回（Roll back）或關閉，在擁有成熟治理框架的大型企業中，這一比例甚至高達 81%。這波看似挫折的下架潮，正揭示了企業在科技轉型期必須經歷的治理陣痛。 表面上的三大下架危機 調查指出，導致企業緊急下架 AI 代理的三大核心原因，皆與治理失敗直接相關。首要元凶是客戶數據外洩，佔了將近三分之一的比例，意即 AI 在與客戶互動時，意外暴露了敏感的個人隱私或企業內部機密。 其次是 AI 幻覺與品牌風險，比例達到 22%，這是因為 AI 代理產生了錯誤資訊，或說出損害公司商譽、違背品牌立場的話語。最後則是無法診斷錯誤原因，佔了 16% 的比例，當 AI 出現失誤時，企業團隊完

2026 年，全球經濟表面上仍維持成長，全球股市也持續創下歷史新高。然而，聯合國貿易與發展會議（UNCTAD）在最新發布的報告中，卻對這片繁榮景象提出了關鍵警訊：全球經濟的成長，其實正高度集中在 AI 相關產業。 換句話說，看似繁榮的全球貿易與資本市場，背後真正支撐成長的，並不是全面性的經濟復甦，而是人工智慧（AI）所帶動的半導體、伺服器與資料中心投資熱潮。這份名為〈AI-driven trade boom masks broader slowdown〉（AI 驅動的貿易繁榮掩蓋了更廣泛的放緩）的報告指出，AI 產業的爆發性需求，正掩蓋其他傳統產業的疲弱。從全球貿易、股市，到亞洲出口與供應鏈，世界經濟正在形成一個高度依賴 AI 的新結構。 冷熱不均的雙軌世界 UNCTAD 指出，2025 年全球商品貿易成長率約為 4.7%。然而，若將數據拆解會發現，其中絕大部分的成長動能並非來自民生消費或傳統製造業，而是來自 AI 相關硬體的驚人需求，包括：AI GPU（圖形處理器）、AI 伺服器、高效能運算設備（HPC）、資料中心基礎建設與半導體設備。尤其在美

科技史上有個殘酷的規律：當一個時代結束時，龐大的舊體制不會立刻倒塌，而是會靠著大眾的「行為慣性」與既得利益者的「集體懷念」，在廢墟上假裝自己還活著。2026 年 5 月，Google I/O 大會正式宣告了傳統搜尋的歷史轉折。 當 Gemini 3.5 Flash 核心架構、Gemini Spark 24小時個人代理人，以及全新的「AI 引導搜尋模式（AI Mode in Search）」全面接管螢幕與 Chrome 網址列時，那個折磨了人類 20 多年的「關鍵字搜尋」與其衍生的「SEO 產業」，就已經在結構上宣告腦死。現在還在談論如何優化網頁排名的、高喊 SEO 轉型的人，不過是在幫一具屍體畫上精緻的彩妝，假裝它依然安好。 人類妥協機器的「半語言歷史恥辱」 許多人誤以為「輸入關鍵字」是人類天生的搜尋本能，這簡直是本末倒置。關鍵字（Keywords）從來不是人類自然的思考方式，它是人類為了妥協搜尋引擎的愚蠢，被迫自我閹割、將立體意圖打碎成「去背單字」的半機器語言。在傳統搜尋的邏輯下，當你想去台北慶生，你必須在搜尋框輸入「台北 義式餐廳 推薦...

RetailWire 的文章〈Retail Jobs Threatened by AI Replacements〉討論的焦點，不是「AI 會不會拿走零售業工作」，而是更精準地點出：AI 實際上要取代的，是「重複性高、規則明確、可自動化」的工作，以及「大量數據與邏輯分析型」的決策工作；而「需要同理心、複雜情境判斷、高度個人化互動」的細緻 CX，人類在短期內仍較難被完全取代。 這與許多人的直覺相反：一般人以為 AI 最擅長處理邏輯與數據，但「對客戶有溫度、有細膩互動」才是未來最難被取代的。 規則明確的重複性作業最先面臨自動化替代 文章中明確分析，AI 與自動化最先取代的，是以下幾類零售工作：包括收銀、自助結帳、櫃檯標準化問答；自動分貨、庫存盤點基礎作業、簡單上架與整理；常見問題客服（聊天機器人自動回答標準問題）；以及基礎訂單處理、簡單排班、庫存補貨觸發等。這些工作共同的特點是：規則清楚、重複性高、不需複雜情境判斷。只要流程能被寫成明確規則，AI 就能穩定、快速且低成本地執行。 在業界實際案例中，大型超市與便利商店近年大量導入自助結帳機與無人櫃檯，讓顧

隨著生成式 AI 從「對話副駕駛（Copilot）」走向「自主執行任務的代理人（Agentic AI）」，全球企業管理軟體迎來了數十年來最劇烈的架構轉變。傳統 ERP 是一個以功能表單為中心、極度依賴人類手動輸入與跨系統對帳的「巨型資料庫」；而融入 AI Agent 的新世代 ERP，正在蛻變為一個能夠主動感知、推理、決策並跨系統執行的「自主營運企業（Autonomous Enterprise）」。 SAP自主營運企業架構下的三大技術支柱 在 SAP 的願景中，核心定位已從「App-centric（應用程式為中心）」轉向「Agent-driven（代理人驅動）」。其技術與業務架構主要由三大支柱支撐：第一是統一的底座 SAP Business AI Platform，透過知識圖譜賦予 AI 代理人深度的「業務上下文」，徹底解決 LLM 幻覺問題，並透過 Joule Studio 讓企業自由組裝專屬工作流。第二是核心執行力，SAP 在財務、採購、供應鏈、HR 與 CX 五大領域調度超過 50 個領域專屬 Joule 助手與 200...

隨著人工智慧從實驗室走進大眾生活，其背後的物質代價如數據中心海量電力與冷卻水資源，正引發一場全球性的資源保衛戰。這場張力的核心在於，當全球性的科技紅利與地方性的環境代價發生碰撞時，地方治理該如何尋求平衡。本文將從能源配額、水資源主權及土地規劃三大維度，剖析科技發展與在地權益間的深層爭議。 能源分配的零和賽局與民生用電保障的抉擇 AI 訓練與推理需要 24 小時不間斷且穩定的電力。當數據中心成為地區電力負載的主要來源時，地方政府必須在吸引外資與穩定民生供電之間做出抉擇。愛爾蘭都柏林作為科技巨頭的歐洲總部正處於危機前線，國家電網自 2022 年起暫停了新設數據中心的連網申請。據估計到 2030 年，數據中心將消耗該國約三成電力。 台灣也面臨類似挑戰，桃園以北地區在 2024 年公告不再核准 5MW 以上的資料中心供電申請，主因是北部電源不足且電網送電遇到瓶頸。目前申請中的新案總負荷容量高達 3,033MW，顯示地方社群承擔了數據中心帶來的碳排負擔與停電風險，但數位價值多流向全球股東。地方治理的合法性在能源稀缺時，將受到產業優先還是民生優先的嚴峻考驗。

在傳統零售業，檯帳被視為門市經營的命脈。它不僅決定了商品被看見的機會，更直接影響了毛利、補貨效率與庫存轉速。然而，在動態市場中，靠人工維護檯帳已逐漸從專業技能變成了一種管理負擔。隨著 AI 與電子標籤（ESL）的技術匯流，我們正在見證一場零售管理的範式轉移。 檯帳的重要性數據與物理空間的橋樑 檯帳的核心本質是單位坪效的最大化。一個科學的檯帳必須滿足消費者動線，確保高轉速商品與高毛利商品的黃金比例。同時，它也必須符合供應鏈邏輯，考量商品的前置時間與貨架容量，避免因排面數設定錯誤導致的頻繁缺貨。此外，透過視覺心理學陳列，還能有效引導衝動性消費。 人工處理的瓶頸與經驗模型的失效 過去店長憑藉經驗調整排面，但在 2026 年的環境下，這種模式已面臨崩潰。單店 SKU 數量持續增加且週期縮短，人工難以即時計算最優排面。此外，總部指令常因執行落差導致帳面與實際脫節。人工調整一次全店檯帳耗時極長，產生的高昂隱形成本與錯失的銷售機會，已成為企業沈重的負擔。 AI 與 ESL 實現動態檯帳的完美閉環 當 AI 演算法成為零售的大腦，ESL 則成為它的感知末梢，兩者

在 2026 年的服務經濟中，體驗已不再是單向的施與受，而是一場由員工、品牌文化與人工智慧共同編織的動態平衡。要理解卓越的顧客體驗是如何產生的，我們必須先解構其背後的動力來源。 核心命題顧客體驗無法超越員工體驗 傳統觀點常將 CX 視為行銷或服務流程的產物，但現代管理學更傾向於將其視為 EX 的鏡像。如同步行者或星巴克在 2026 年的轉型戰略所示，卓越的顧客體驗始於對員工體驗的深度投資。 流程簡化帶來的連結：當企業透過科技簡化繁瑣的行政操作，實質上是減少了員工的疲憊度。唯有當員工不被瑣事淹沒時，他們才有情緒空間去與顧客建立有溫度的連結。 留任率即是知識產權：高流動率是 CX 的殺手。滿意度高的員工通常任職較久，能累積深度的產品知識與解決問題的直覺，這種非標準化的服務力，是新進員工無法透過手冊快速習得的。 文化辯證美式服務利潤鏈與法式專業尊嚴 在探討 EX 與 CX 的關係時，不同的文化背景賦予了體驗不同的定義。美式邏輯以流暢與便利為核心，EX 的優化是為了讓員工成為高效且友善的服務交付者，追求的是消除摩擦感，讓顧客感到被寵愛。...