台灣35.8%服務業已用AI
台灣服務業 AI 使用率升到 35.8%,但真正規模化的企業仍是少數
新聞重點
經濟部商業發展署公布《2026 商業服務業年鑑》與最新 AI 轉型調查。2025 年台灣服務業創造 GDP 約新台幣 15.60 兆元,年增 3.57%,占全國 GDP 55.11%;就業人口達 709.3 萬人,占全國就業人口約 61%,服務業仍是台灣最大的就業來源之一。
在 AI 應用方面,2026 年已有 35.8% 的商業服務業企業開始使用 AI,相較前一年的 31.9% 增加 3.9 個百分點。
不過,這 35.8% 裡面的成熟程度差異很大。只有 12.7% 已進入規模化使用,開始投入專屬預算與內部資源;另外 23.1% 仍以免費工具、試用版或特定場域測試為主。
今年商業署原定輔導與培訓大量業者使用 AI 的目標也已達標,政策下一步則是繼續提高 AI 普及率與導入深度。
背景脈絡
如果只看「有沒有使用 AI」,35.8% 已經是很明顯的成長。
但企業真正的 AI 轉型不能只看員工會不會開 ChatGPT。
一間餐廳讓店員用 AI 寫 Facebook 貼文,算是導入 AI;另一間餐飲集團把 AI 接進庫存預測、會員分析、客服與排班,同樣也叫導入 AI。兩者對企業營運的影響完全不同。
這也是目前台灣服務業真正進入第二階段的地方。
第一階段是「先用看看」。
第二階段才是:
這個工具要不要正式列入預算?
資料怎麼管理?
誰負責?
哪一個流程真的因此改變?
當企業開始回答這些問題,AI 才從個人使用工具變成公司能力。
知識點補充
企業導入 AI 可以粗略分成三個層次。
第一層是 個人效率工具。例如寫 Email、整理會議紀錄、翻譯或製作文案。
第二層是 流程整合。AI 開始連接 CRM、客服、庫存、行銷或內部知識庫,員工不需要每次手動把資料貼給模型。
第三層則是 Business Model Innovation,商業模式創新。企業原本不存在的服務,因 AI 出現後才變得可行。
目前很多企業仍集中在前兩層之間。
另一份同日報導顯示,在已導入 AI 的企業裡,多數仍把提升工作效率當作主要用途,真正用 AI 推動商業模式創新的比例仍相對有限。
這就是「AI 普及」和「AI 轉型」之間最大的差別。
生活化說法
一家店買了一台咖啡機,不代表它已經變成一家很會經營咖啡的店。
員工會按按鈕,只是開始。
真正的改變要看:
菜單有沒有重新設計?
庫存怎麼算?
尖峰時間怎麼排人?
會員喜歡什麼?
AI 對企業也是一樣。
會用 ChatGPT,只代表工具進來了;工作流程跟著改變,才叫真正導入。
我們的觀察
35.8% 是一個值得注意的數字,但 12.7% 可能更有意義。
因為這代表真正願意投入正式預算、資源與內部制度的企業,目前仍只有一部分。
接下來台灣企業的差距,不會只是「有用 AI」和「沒用 AI」。
更可能分成:
只讓員工自由使用的人。
已經把 AI 接進流程的人。
以及重新設計公司運作方式的人。
當免費 AI 工具人人都能取得之後,工具本身很難再形成競爭優勢。真正拉開差距的,會是企業自己的資料、流程與管理能力。
對一般讀者的影響
服務業占台灣六成左右的就業人口,這代表 AI 轉型不只是科技工程師的事情。
零售、餐飲、物流、客服、行政、行銷與生活服務,都會逐漸碰到 AI。
一般工作者需要準備的,也不只是「學會一款工具」,而是理解自己目前負責的工作流程裡,哪些部分可以被 AI 加速、哪些地方仍需要人的判斷。
Grok Bots 自己蓋出 3D 辦公室,多 Agent 最麻煩的問題開始變成「怎麼管理」
新聞重點
網友 Dallas Tesla David 最近展示一套由 Grok Bots 協助打造的 3D 虛擬辦公室。
特別的是,畫面中的角色並不只是裝飾動畫,而是分別對應實際運作中的 AI Agent。當某個 Bot 接到任務,它會在虛擬辦公室裡走到自己的座位;如果需要與另一名 Agent 協調,畫面上也會出現對應的移動與互動。
整個空間包含不同部門座位、主管辦公室、研究區、休息區與伺服器機房,並透過 Vite、Three.js、Cloudflare Workers 與 Durable Objects 等技術,把 Agent 的工作狀態同步到畫面。
系統另外整合使用額度、任務進度與心跳檢查。如果某個 Agent 長時間沒有更新狀態,介面才會顯示異常警告。
這間虛擬辦公室並不是 AI 完成任務的必要條件,它真正解決的是另一件事情:讓使用者比較容易知道「我的 AI 團隊現在到底在做什麼」。
背景脈絡
單一聊天機器人很好管理。
你問一句,它回答一句。
多 Agent 就不是這樣。
當一個 Agent 負責研究、一個負責寫程式、一個負責檢查、一個負責發布,使用者很快就會遇到新的管理問題:
誰正在工作?
誰卡住了?
哪個 Agent 正在等另一個 Agent?
一個任務到底完成到哪裡?
Token 又被誰用掉最多?
到了這個階段,AI 的問題開始很像傳統團隊管理。
只是團隊成員不是真人。
知識點補充
這裡可以用 Observability,可觀測性來理解。
在大型資訊系統裡,工程師不能只知道「系統有沒有開著」,還需要知道 CPU、錯誤、請求與不同服務之間的狀態。
多 Agent 系統也一樣。
如果五個 AI 同時工作,只在最後告訴你「任務失敗」,使用者很難知道問題發生在哪一步。
可觀測性就是把這些原本藏在背景裡的狀態顯示出來。
3D 辦公室本身未必是最有效率的介面,但它提出了一個很有意思的產品方向:
未來我們可能需要「AI 管理介面」,而不只是「AI 聊天視窗」。
生活化說法
假設你有五名遠端員工。
如果每天只收到一句:
「我們正在處理。」
你很快就會焦慮。
你會想知道誰在做設計、誰在等客戶資料、誰已經完成,以及哪個地方卡住。
Agent 變多以後也是同樣道理。
3D 辦公室看起來像遊戲,但它其實是在替一群看不見的數位員工加上「座位表與工作燈號」。
我們的觀察
這個案例有趣的地方,不是 AI 會蓋一間漂亮的虛擬辦公室。
而是 Agent 產品介面可能即將經歷一次變化。
ChatGPT 時代的核心 UI 是聊天框。
Agent 時代的核心 UI 未必還是聊天框。
使用者真正需要的可能是任務看板、權限表、成本資訊、進度、錯誤狀態,以及不同 Agent 之間的依賴關係。
3D 空間是一種比較有趣的呈現方式,企業最後未必真的讓 AI 員工在虛擬辦公室走來走去;但「讓 AI 工作過程可見」本身,很可能成為真正重要的需求。
對一般讀者的影響
未來如果你同時使用幾個個人 Agent,可能不再需要一個個開聊天視窗詢問進度。
你會有一個總控台,可以看到:
哪些事情正在跑。
哪些完成了。
哪些需要批准。
哪些已經花掉太多額度。
使用 AI 的角色,也會從「對話者」慢慢多出一個新身分:
管理者。
AI 不一定都要上雲端,手機開始自己跑大型語言模型
新聞重點
隨著手機效能與小型語言模型進步,本地 AI 再度受到關注。
和 ChatGPT、Claude、Gemini 這類雲端服務不同,本地 LLM 是把模型直接下載到手機或電腦,推論工作由自己的裝置完成。
PocketPal 等工具讓 Android 與 iOS 使用者可以下載不同大小的開放模型,下載完成後,即使沒有網路仍可進行對話。
不同模型的容量與硬體需求差異很大。體積較小的模型適合摘要、簡單文字修改或一般知識問題;記憶體較大的裝置則能運行更高參數量、甚至具視覺理解能力的模型。
它的優點很直接:對話資料可以留在裝置裡、沒有每次呼叫雲端模型的費用,也不必一直連上網路。
限制同樣明顯。本地模型通常規模較小,複雜推理、最新資訊、工具整合與跨 App 操作能力,仍可能落後大型雲端模型。
背景脈絡
生成式 AI 剛爆發時,幾乎所有能力都集中在雲端。
原因很簡單:大型模型太大,一般手機根本跑不動。
但模型正在快速縮小。
開發者透過量化、模型蒸餾以及更有效率的架構,把原本需要資料中心 GPU 的部分能力塞進幾 GB 的模型裡。
同時,手機晶片的 NPU、GPU 與記憶體效能也持續提升。
結果就是:
有些事情,已經不需要送去資料中心處理。
知識點補充
這裡最重要的概念是 On-device AI,裝置端 AI。
雲端 AI 的流程通常是:
手機送出問題 → 網路 → 資料中心 → 模型推理 → 答案回傳手機。
本地 AI 則變成:
手機送出問題 → 手機自己計算 → 直接顯示答案。
因此本地模式通常有三個優勢:
隱私比較容易控制。
沒有網路也能使用。
沒有每次 API 呼叫成本。
但它同時受到手機 RAM、處理器、電池與散熱限制。
所以未來很可能不是「本地取代雲端」,而是兩者分工。
簡單、私密的工作留在本地。
複雜研究、大型模型與需要即時網路的任務再送到雲端。
生活化說法
以前用 AI 有點像每天把衣服送去大型洗衣店。
不管只洗一雙襪子,還是一整床棉被,都要送出去處理。
本地模型比較像家裡開始有一台自己的洗衣機。
日常衣服自己洗,比較方便,也不用把所有東西交出去。
真的碰到大型棉被、特殊材質,再送專業洗衣店。
不是誰完全取代誰,而是工作開始分流。
我們的觀察
本地 AI 可能會成為接下來非常重要、但沒有雲端大模型那麼吸睛的一條路線。
很多日常任務根本不需要最強模型。
修改一句 Email。
整理私人筆記。
幫文件分類。
把一段文字改得比較自然。
如果這些工作都要送到大型資料中心,不只涉及隱私,也需要持續付出運算成本。
當手機裡的小模型已經「夠用」,使用者就會開始重新評估:為什麼每一件事情都要交給雲端?
這也是 Edge AI 真正可能普及的原因。
不是它比雲端模型強。
而是很多事情根本不需要那麼強。
對一般讀者的影響
未來使用 AI 可能會變得更像今天使用照片與檔案。
敏感資料可以留在手機本機,需要更高能力時再選擇上雲。
這對公司文件、私人日記、內部資料與沒有穩定網路的使用情境尤其有價值。
但本地並不等於絕對安全,也不等於答案更正確。小型模型同樣可能產生幻覺,手機遺失或遭惡意程式入侵也可能造成資料外洩。
本地 AI 解決的是「資料不必每次離開裝置」,不是一次解決所有 AI 安全問題。
我們的觀察
今天三則新聞剛好可以把 AI 普及拆成三層。
最外面是產業普及。
台灣服務業已有超過三分之一企業開始碰 AI,但真正投入預算、建立制度並規模化使用的企業仍是少數。這說明 AI 已經過了「大家都聽過」的階段,接下來要比的是誰能把它放進真正的營運流程。
中間一層是工作方式。
當一個人同時管理多個 Agent,問題開始從「怎麼下 Prompt」變成「怎麼知道大家做到哪裡」。Grok Bots 的 3D 辦公室看起來像有趣的實驗,背後反映的卻是很實際的需求:AI 員工多起來以後,也需要管理工具。
最裡面則是運算位置。
並不是每一句文字、每一份私人筆記都值得跑去大型資料中心。當小模型已經能在手機完成足夠多的日常工作,AI 的算力會開始從「全部集中在雲端」,慢慢變成雲端與個人裝置分工。
這三層變化放在一起,代表 AI 的競爭開始離開單一模型排行榜。
企業會問流程能不能接起來。
使用者會問 Agent 能不能管理。
個人則會問資料到底需不需要離開自己的手機。
到了這個階段,「最強 AI」不一定永遠是最好的答案。
真正成熟的 AI 生態,可能更像一間分工清楚的公司:大型雲端模型處理困難任務,小型本地模型負責日常工作,多個 Agent 各司其職,而人負責決定哪些工作該交給誰。
AI 普及的下一步,不只是更多人開始使用。
而是我們終於開始決定:
什麼事情,根本不需要用最強的 AI。
資料來源
- 經濟部商業發展署|《2026商業服務業年鑑》發布,服務業 GDP 達 15.6 兆元、AI 應用普及率升至 35.8%
- 鉅亨網|商發署:今年培育 AI 應用目標達標,商業服務業 AI 普及率持續提升
- 經濟日報|服務業 AI 應用率達 35.8%,多數企業仍以提升效率為主要用途
- ETtoday AI|Grok Bots 建立 3D 虛擬辦公室、呈現多 Agent 工作狀態
- https://ai.ettoday.net/news/3263443
- Yahoo 財經|手機本地 AI 助理興起,離線模型兼顧隱私與日常效率
- Pocket AI Lab|2026 年 iPhone 本地 LLM 實測與硬體需求比較台灣服務業 AI 使用率升到 35.8%,但真正規模化的企業仍是少數
- 新聞重點
- 經濟部商業發展署公布《2026 商業服務業年鑑》與最新 AI 轉型調查。2025 年台灣服務業創造 GDP 約新台幣 15.60 兆元,年增 3.57%,占全國 GDP 55.11%;就業人口達 709.3 萬人,占全國就業人口約 61%,服務業仍是台灣最大的就業來源之一。
- 在 AI 應用方面,2026 年已有 35.8% 的商業服務業企業開始使用 AI,相較前一年的 31.9% 增加 3.9 個百分點。
- 不過,這 35.8% 裡面的成熟程度差異很大。只有 12.7% 已進入規模化使用,開始投入專屬預算與內部資源;另外 23.1% 仍以免費工具、試用版或特定場域測試為主。
- 今年商業署原定輔導與培訓大量業者使用 AI 的目標也已達標,政策下一步則是繼續提高 AI 普及率與導入深度。
- 背景脈絡
- 如果只看「有沒有使用 AI」,35.8% 已經是很明顯的成長。
- 但企業真正的 AI 轉型不能只看員工會不會開 ChatGPT。
- 一間餐廳讓店員用 AI 寫 Facebook 貼文,算是導入 AI;另一間餐飲集團把 AI 接進庫存預測、會員分析、客服與排班,同樣也叫導入 AI。兩者對企業營運的影響完全不同。
- 這也是目前台灣服務業真正進入第二階段的地方。
- 第一階段是「先用看看」。
- 第二階段才是:
- 這個工具要不要正式列入預算?
- 資料怎麼管理?
- 誰負責?
- 哪一個流程真的因此改變?
- 當企業開始回答這些問題,AI 才從個人使用工具變成公司能力。
- 知識點補充
- 企業導入 AI 可以粗略分成三個層次。
- 第一層是 個人效率工具。例如寫 Email、整理會議紀錄、翻譯或製作文案。
- 第二層是 流程整合。AI 開始連接 CRM、客服、庫存、行銷或內部知識庫,員工不需要每次手動把資料貼給模型。
- 第三層則是 Business Model Innovation,商業模式創新。企業原本不存在的服務,因 AI 出現後才變得可行。
- 目前很多企業仍集中在前兩層之間。
- 另一份同日報導顯示,在已導入 AI 的企業裡,多數仍把提升工作效率當作主要用途,真正用 AI 推動商業模式創新的比例仍相對有限。
- 這就是「AI 普及」和「AI 轉型」之間最大的差別。
- 生活化說法
- 一家店買了一台咖啡機,不代表它已經變成一家很會經營咖啡的店。
- 員工會按按鈕,只是開始。
- 真正的改變要看:
- 菜單有沒有重新設計?
- 庫存怎麼算?
- 尖峰時間怎麼排人?
- 會員喜歡什麼?
- AI 對企業也是一樣。
- 會用 ChatGPT,只代表工具進來了;工作流程跟著改變,才叫真正導入。
- 編輯觀察
- 35.8% 是一個值得注意的數字,但 12.7% 可能更有意義。
- 因為這代表真正願意投入正式預算、資源與內部制度的企業,目前仍只有一部分。
- 接下來台灣企業的差距,不會只是「有用 AI」和「沒用 AI」。
- 更可能分成:
- 只讓員工自由使用的人。
- 已經把 AI 接進流程的人。
- 以及重新設計公司運作方式的人。
- 當免費 AI 工具人人都能取得之後,工具本身很難再形成競爭優勢。真正拉開差距的,會是企業自己的資料、流程與管理能力。
- 對一般讀者的影響
- 服務業占台灣六成左右的就業人口,這代表 AI 轉型不只是科技工程師的事情。
- 零售、餐飲、物流、客服、行政、行銷與生活服務,都會逐漸碰到 AI。
- 一般工作者需要準備的,也不只是「學會一款工具」,而是理解自己目前負責的工作流程裡,哪些部分可以被 AI 加速、哪些地方仍需要人的判斷。
- Grok Bots 自己蓋出 3D 辦公室,多 Agent 最麻煩的問題開始變成「怎麼管理」
- 新聞重點
- 網友 Dallas Tesla David 最近展示一套由 Grok Bots 協助打造的 3D 虛擬辦公室。
- 特別的是,畫面中的角色並不只是裝飾動畫,而是分別對應實際運作中的 AI Agent。當某個 Bot 接到任務,它會在虛擬辦公室裡走到自己的座位;如果需要與另一名 Agent 協調,畫面上也會出現對應的移動與互動。
- 整個空間包含不同部門座位、主管辦公室、研究區、休息區與伺服器機房,並透過 Vite、Three.js、Cloudflare Workers 與 Durable Objects 等技術,把 Agent 的工作狀態同步到畫面。
- 系統另外整合使用額度、任務進度與心跳檢查。如果某個 Agent 長時間沒有更新狀態,介面才會顯示異常警告。
- 這間虛擬辦公室並不是 AI 完成任務的必要條件,它真正解決的是另一件事情:讓使用者比較容易知道「我的 AI 團隊現在到底在做什麼」。
- 背景脈絡
- 單一聊天機器人很好管理。
- 你問一句,它回答一句。
- 多 Agent 就不是這樣。
- 當一個 Agent 負責研究、一個負責寫程式、一個負責檢查、一個負責發布,使用者很快就會遇到新的管理問題:
- 誰正在工作?
- 誰卡住了?
- 哪個 Agent 正在等另一個 Agent?
- 一個任務到底完成到哪裡?
- Token 又被誰用掉最多?
- 到了這個階段,AI 的問題開始很像傳統團隊管理。
- 只是團隊成員不是真人。
- 知識點補充
- 這裡可以用 Observability,可觀測性來理解。
- 在大型資訊系統裡,工程師不能只知道「系統有沒有開著」,還需要知道 CPU、錯誤、請求與不同服務之間的狀態。
- 多 Agent 系統也一樣。
- 如果五個 AI 同時工作,只在最後告訴你「任務失敗」,使用者很難知道問題發生在哪一步。
- 可觀測性就是把這些原本藏在背景裡的狀態顯示出來。
- 3D 辦公室本身未必是最有效率的介面,但它提出了一個很有意思的產品方向:
- 未來我們可能需要「AI 管理介面」,而不只是「AI 聊天視窗」。
- 生活化說法
- 假設你有五名遠端員工。
- 如果每天只收到一句:
- 「我們正在處理。」
- 你很快就會焦慮。
- 你會想知道誰在做設計、誰在等客戶資料、誰已經完成,以及哪個地方卡住。
- Agent 變多以後也是同樣道理。
- 3D 辦公室看起來像遊戲,但它其實是在替一群看不見的數位員工加上「座位表與工作燈號」。
- 編輯觀察
- 這個案例有趣的地方,不是 AI 會蓋一間漂亮的虛擬辦公室。
- 而是 Agent 產品介面可能即將經歷一次變化。
- ChatGPT 時代的核心 UI 是聊天框。
- Agent 時代的核心 UI 未必還是聊天框。
- 使用者真正需要的可能是任務看板、權限表、成本資訊、進度、錯誤狀態,以及不同 Agent 之間的依賴關係。
- 3D 空間是一種比較有趣的呈現方式,企業最後未必真的讓 AI 員工在虛擬辦公室走來走去;但「讓 AI 工作過程可見」本身,很可能成為真正重要的需求。
- 對一般讀者的影響
- 未來如果你同時使用幾個個人 Agent,可能不再需要一個個開聊天視窗詢問進度。
- 你會有一個總控台,可以看到:
- 哪些事情正在跑。
- 哪些完成了。
- 哪些需要批准。
- 哪些已經花掉太多額度。
- 使用 AI 的角色,也會從「對話者」慢慢多出一個新身分:
- 管理者。
- AI 不一定都要上雲端,手機開始自己跑大型語言模型
- 新聞重點
- 隨著手機效能與小型語言模型進步,本地 AI 再度受到關注。
- 和 ChatGPT、Claude、Gemini 這類雲端服務不同,本地 LLM 是把模型直接下載到手機或電腦,推論工作由自己的裝置完成。
- PocketPal 等工具讓 Android 與 iOS 使用者可以下載不同大小的開放模型,下載完成後,即使沒有網路仍可進行對話。
- 不同模型的容量與硬體需求差異很大。體積較小的模型適合摘要、簡單文字修改或一般知識問題;記憶體較大的裝置則能運行更高參數量、甚至具視覺理解能力的模型。
- 它的優點很直接:對話資料可以留在裝置裡、沒有每次呼叫雲端模型的費用,也不必一直連上網路。
- 限制同樣明顯。本地模型通常規模較小,複雜推理、最新資訊、工具整合與跨 App 操作能力,仍可能落後大型雲端模型。
- 背景脈絡
- 生成式 AI 剛爆發時,幾乎所有能力都集中在雲端。
- 原因很簡單:大型模型太大,一般手機根本跑不動。
- 但模型正在快速縮小。
- 開發者透過量化、模型蒸餾以及更有效率的架構,把原本需要資料中心 GPU 的部分能力塞進幾 GB 的模型裡。
- 同時,手機晶片的 NPU、GPU 與記憶體效能也持續提升。
- 結果就是:
- 有些事情,已經不需要送去資料中心處理。
- 知識點補充
- 這裡最重要的概念是 On-device AI,裝置端 AI。
- 雲端 AI 的流程通常是:
- 手機送出問題 → 網路 → 資料中心 → 模型推理 → 答案回傳手機。
- 本地 AI 則變成:
- 手機送出問題 → 手機自己計算 → 直接顯示答案。
- 因此本地模式通常有三個優勢:
- 隱私比較容易控制。
- 沒有網路也能使用。
- 沒有每次 API 呼叫成本。
- 但它同時受到手機 RAM、處理器、電池與散熱限制。
- 所以未來很可能不是「本地取代雲端」,而是兩者分工。
- 簡單、私密的工作留在本地。
- 複雜研究、大型模型與需要即時網路的任務再送到雲端。
- 生活化說法
- 以前用 AI 有點像每天把衣服送去大型洗衣店。
- 不管只洗一雙襪子,還是一整床棉被,都要送出去處理。
- 本地模型比較像家裡開始有一台自己的洗衣機。
- 日常衣服自己洗,比較方便,也不用把所有東西交出去。
- 真的碰到大型棉被、特殊材質,再送專業洗衣店。
- 不是誰完全取代誰,而是工作開始分流。
- 編輯觀察
- 本地 AI 可能會成為接下來非常重要、但沒有雲端大模型那麼吸睛的一條路線。
- 很多日常任務根本不需要最強模型。
- 修改一句 Email。
- 整理私人筆記。
- 幫文件分類。
- 把一段文字改得比較自然。
- 如果這些工作都要送到大型資料中心,不只涉及隱私,也需要持續付出運算成本。
- 當手機裡的小模型已經「夠用」,使用者就會開始重新評估:為什麼每一件事情都要交給雲端?
- 這也是 Edge AI 真正可能普及的原因。
- 不是它比雲端模型強。
- 而是很多事情根本不需要那麼強。
- 對一般讀者的影響
- 未來使用 AI 可能會變得更像今天使用照片與檔案。
- 敏感資料可以留在手機本機,需要更高能力時再選擇上雲。
- 這對公司文件、私人日記、內部資料與沒有穩定網路的使用情境尤其有價值。
- 但本地並不等於絕對安全,也不等於答案更正確。小型模型同樣可能產生幻覺,手機遺失或遭惡意程式入侵也可能造成資料外洩。
- 本地 AI 解決的是「資料不必每次離開裝置」,不是一次解決所有 AI 安全問題。
- 我們的總觀察
- 今天三則新聞剛好可以把 AI 普及拆成三層。
- 最外面是產業普及。
- 台灣服務業已有超過三分之一企業開始碰 AI,但真正投入預算、建立制度並規模化使用的企業仍是少數。這說明 AI 已經過了「大家都聽過」的階段,接下來要比的是誰能把它放進真正的營運流程。
- 中間一層是工作方式。
- 當一個人同時管理多個 Agent,問題開始從「怎麼下 Prompt」變成「怎麼知道大家做到哪裡」。Grok Bots 的 3D 辦公室看起來像有趣的實驗,背後反映的卻是很實際的需求:AI 員工多起來以後,也需要管理工具。
- 最裡面則是運算位置。
- 並不是每一句文字、每一份私人筆記都值得跑去大型資料中心。當小模型已經能在手機完成足夠多的日常工作,AI 的算力會開始從「全部集中在雲端」,慢慢變成雲端與個人裝置分工。
- 這三層變化放在一起,代表 AI 的競爭開始離開單一模型排行榜。
- 企業會問流程能不能接起來。
- 使用者會問 Agent 能不能管理。
- 個人則會問資料到底需不需要離開自己的手機。
- 到了這個階段,「最強 AI」不一定永遠是最好的答案。
- 真正成熟的 AI 生態,可能更像一間分工清楚的公司:大型雲端模型處理困難任務,小型本地模型負責日常工作,多個 Agent 各司其職,而人負責決定哪些工作該交給誰。
- AI 普及的下一步,不只是更多人開始使用。
- 而是我們終於開始決定:
- 什麼事情,根本不需要用最強的 AI。
- 資料來源
- 經濟部商業發展署|《2026商業服務業年鑑》發布,服務業 GDP 達 15.6 兆元、AI 應用普及率升至 35.8%
- 鉅亨網|商發署:今年培育 AI 應用目標達標,商業服務業 AI 普及率持續提升
- 經濟日報|服務業 AI 應用率達 35.8%,多數企業仍以提升效率為主要用途
- ETtoday AI|Grok Bots 建立 3D 虛擬辦公室、呈現多 Agent 工作狀態
- https://ai.ettoday.net/news/3263443
- Yahoo 財經|手機本地 AI 助理興起,離線模型兼顧隱私與日常效率
- Pocket AI Lab|2026 年 iPhone 本地 LLM 實測與硬體需求比較
延伸閱讀
作者:NineLife AI 編輯室
最後更新:2026年10月31日
本文由 NineLife AI 編輯室整理公開資料後撰寫,可能使用 AI 工具協助草稿整理;發布前會人工檢查來源、事實與語意。內容僅供資訊參考,不構成法律、投資、醫療、稅務或其他專業建議。
留言
張貼留言
留言會先經過審核。歡迎補充觀點或來源;請勿張貼廣告、無關連結、成人、賭博、藥品或自動產生的內容。