1973 年，良興從台北光華商場一間 50 坪的電子零件行起家，半個世紀後蛻變為年營收破十億、毛利率 18% 的全通路 3C 品牌。不過，伴隨規模擴張帶來的不只是成長，還有日益加劇的管理摩擦。門市遍布全台、品項高達近萬筆，加上跨部門協作頻繁，行政耗損與知識傳承的缺口，成為這家老字號邁向下一階段的隱形天花板。

 

 

良興總經理賴志達回顧，從電子零件跨入電商、從線下擴張到 OMO 全通路、再到會員深度經營，作為 3C 零售業者，良興每一波轉型都走在同業前面。「現在輪到 AI 了。如何做到人機協作、AI 賦能，就是良興第五波轉型的核心命題。」

 

AI 自動化，從行政細節釋放組織戰力

 

轉型需要夥伴，而賴志達評估合作夥伴的標準很明確：技術能力是基本，產業知識（Domain Know-how）的深度是關鍵，回饋速度更是最終決定因素。2025 年的未來商務展上，良興選擇攜手 Data-DI，看重的正是其「策略諮詢 + AI 產品 + 落地陪跑」三軌並行的實施能力。

 

很快的，良興與 Data-DI 合作的第一個專案，就落在最耗費人力、卻最常被忽視的環節：會議記錄。「會議如果沒有產值、沒有效果，對企業很傷！」賴志達說，他每天參加許多會議，但跨單位協作的會議記錄長期依賴人工聆聽與逐字整理，常出現人名誤植、決策遺漏、行動項目無人追蹤，讓會議效果大打折扣。

 

良興總經理賴志達 ( 圖／ 數位時代)

 

為了解決會議記錄的痛點，Data-DI 業務副總包威棣指出，在導入工具以前，團隊須先釐清三件事：場景是否具備落地價值、哪些流程節點適合 AI 介入，以及以終為始地掌握客戶真正想要的輸出樣貌。這些看似基本的提問，都決定 AI 能否精準落地。

 

確認方向後，良興與 Data-DI 成功導入 AI 會議記錄自動化系統，透過模糊比對技術校正語音辨識誤差，並將生成的雙版本報告直接回存至既有資料庫，不僅將行政人員從重複性作業中釋放，也為後續的 AI 應用奠定扎實的系統整合基礎。

 

賴志達分享，現在他去外部開會也會用這個工具，運用 AI 把錄音轉文字、再整理成簡報，很快就能完成，更令外部夥伴驚艷。「我認為這是很成功的案子！也提醒想做 AI 的老闆們，與其急著搞大架構，不如先從小工具讓公司嘗試 AI，建立理解和認同。」

 

---

 

AI 把資深員工大腦轉化為資產

 

補完行政效率的缺口後，良興接著切入更深層的營運核心：知識傳承。過去，頂尖銷售經驗長期鎖在少數資深員工身上，新人培訓耗時三個月，員工離職即帶走知識資本。與此同時，網路資訊發達，消費者進店前早已掌握基本規格，3C 通路門市人員要如何發揮更多價值？「我要門市的人不是死背規格，而是面對客人時，能用客人能理解的方式對話。」賴志達說。

 

為此，Data-DI 協助良興建置 AI 門市教育訓練系統。系統透過六大自動化關卡，串接教材生成、審核上架、AI 銷售對練與成績回報，主管僅需在核心節點審核；員工透過手機語音對練，系統依口吻、專業度、回應力等維度自動評分。賴志達表示，目標是將新人培訓期縮短至一個月，讓數十年累積的銷售智慧轉化為可複製、可傳承的企業資產。

 

然而，要讓這套系統真正運作，得先解決兩個根本問題：資料從哪裡來？以及訓練如何更準確？

 

「以前大數據時代，講的是資料要大、全、細、實；現在 AI 要做到的是準（準確）、合（合乎場景）。」包威棣說。良興不同廠商提供的素材品質參差不齊，Data-DI 除了整合內部資料，也補充加入外部市場評測內容以填補空缺，再透過人員審核機制過濾雜訊，搭配 agent 架構的多層步驟與知識限定，確保系統能精準提煉對應品類的訓練素材。

 

Data-DI 業務副總包威棣(圖／ 數位時代)

 

賴志達則看得更遠：「這些教育訓練的內容，也將成為公司未來訓練機器人很好的原料。」

 

Data-DI 陪跑型顧問，帶領企業 AI 轉型

 

良興與 Data-DI 合作的兩個專案中，雙方共同克服了長提示詞邏輯混亂、AI 幻覺污染知識庫、逐字稿讀取逾時等技術難題。邁向下一步，賴志達表示，公司各部門很早就建置 Power BI 報表，但數據豐富不等於決策清晰。「數據是土壤，如果沒有梳理，就沒有用了。」因此，他的下一個目標是活化數據資本、推動行銷自動流，以精實的人力持續驅動成長。

 

良興攜手 Data-DI 推動 AI 落地，以小步快跑模式為企業創造變革。(圖／ 數位時代)

 

包威棣則從顧問視角歸納兩個觀察：AI 導入需要高層認同、由上而下推進，像賴志達這樣持續引領良興走在業界前端的決策者，就是不可或缺的推手；而單點工具的價值，終究要累積成組織體質的轉變才算真正落地。「就像會議記錄改變了會議當責的結構，人員訓練改變了知識傳承的方式。從點狀應用走向企業變革，這種決策思路才是 AI 真正深入落地產生價值的關鍵。」

 

最後，對於仍在觀望AI應用的企業，他則建議：「未來 AI 導致的落差只會愈來愈大，人會變成超級工作者，企業會變成超級企業。開始做就對了，先做一個三個月的小任務，降低落差、再急起追上。」從痛點切入、小步快跑，讓組織在實作中累積對 AI 的理解與信任，這正是 Data-DI 的陪跑哲學。

 

---

 

延伸思考：找到對的 AI 夥伴，是轉型成功的前提

 

良興的案例說明一件事：AI 導入的成效，往往不取決於技術先進與否，而在於企業能否找到真正懂產業場景、能快速回饋並陪跑落地的解決方案夥伴。然而，對許多企業來說「不知道市場上有哪些 AI 解決方案」、「不清楚哪家方案適合自己的企業」，這才是真正卡關的第一步。

 

METAMatch 是由MetaAge邁達特建立的 B2B AI 生態圈媒合平台，專為有 AI 導入需求的企業提供：

• 選型評估：依產業別、應用情境篩選匹配的解決方案及合作夥伴

• 方案規劃：協助企業釐清需求、定義落地場景，避免「買了工具卻用不起來」

• 導入陪跑：從 POC 到正式上線，全程陪伴降低轉型風險

 

無論是零售業的知識傳承、製造業的流程自動化，或服務業的 AI 客服導入，METAMatch 都能協助企業快速對接已驗證的 AI 解決方案。

👉 立即探索Data-DI的 企業級AI Agent 解決方案

 

---

 

常見問題 FAQ

 

Q：零售業導入 AI Agent，應該從哪個場景開始？

建議優先從「有明確輸出需求、且人工成本高」的重複性流程切入，例如：會議記錄整理、員工教育訓練、商品知識問答等。Data-DI 與良興的合作也印證：從小工具試行、讓組織建立對 AI 的理解與信任，比急於建立大架構更能創造實際效益。

 

Q：AI Agent 導入最常見的失敗原因是什麼？

主要有兩點：第一是缺乏高層認同，AI 導入需由上而下推進，決策者的持續投入不可或缺；第二是場景選擇錯誤，AI 必須「準確」且「合乎場景」，資料品質與應用邊界若未事先釐清，容易造成 AI 幻覺污染或系統信任度崩潰。

 

Q：企業如何評估、選擇適合的 AI 解決方案夥伴？

選型時可從三個維度評估：技術能力是基本門檻、產業 Domain Know-how 的深度決定落地品質、回饋速度則影響迭代效率。若企業不確定市場上有哪些選項，可透過 METAMatch 雲市集平台依產業與應用場景進行篩選，快速對接經過驗證的 AI ISV 合作夥伴，縮短評估週期。

 

Q：中小型零售企業也適合導入 AI Agent 嗎？

AI 導入不需要等到企業達到一定規模。建議以「三個月小任務」為起點，選定單一高頻痛點，控制預算與範圍，先看到成效、再決定是否擴展。METAMatch 雲市集平台上的 ISV 夥伴涵蓋不同規模與預算的解決方案，企業可依實際需求進行評估。歡迎聯繫METAMatch，由專業顧問協助您找尋最佳方案。

 

 

文章出處：本文經「Data-DI」授權，原文發表於此 (數位時代)