龍雲數位的AI未來：李奇申談ChatGPT時代的智慧零售

2022年11月，ChatGPT問世。那一夜之後，幾乎所有領域的人都開始問同一個問題：AI會怎麼改變我的行業？

身為龍雲數位的負責人，管理著全台灣超過千台IoT智慧零售設備，我也在問同樣的問題。但我的問法稍微不一樣：不是「AI會不會改變這個行業」，而是「AI現在能解決哪個我今天面對的真實問題」。

這個問法的差異很重要。前者容易陷入概念討論，後者迫使你找到具體的應用切入點。

今天我想分享的，是龍雲數位在ChatGPT時代之後，如何實際把AI整合進我們的智慧零售系統，以及這些應用如何改變了我們的運營效率和服務品質。這不是概念文章，是我們正在做的事。

智慧零售的數據基礎：為什麼IoT是AI的先決條件

要理解AI在零售的應用，必須先理解數據從哪裡來。

傳統販賣機是一個封閉的孤立設備：你放了什麼商品、賣出去多少，只有當補貨人員開門查看時才能得知。這種「人工盤點」的模式在數十台設備時還可以應付，但當設備數量超過數百台、分佈在全台各地的辦公室、學校、醫院、捷運站時，就完全不可行了。

龍雲數位的TransTEP平台解決的第一個問題，就是讓每一台設備都能即時「說話」——透過4G/5G網路，設備的庫存狀態、銷售數據、機械狀態、溫度感測數值，每隔幾分鐘就會上傳到雲端。

這個IoT數據基礎，是後來所有AI應用的先決條件。沒有即時、豐富、連續的數據流，AI沒有東西可以學習，也沒有東西可以預測。

資策會MIC對台灣IoT產業的研究報告指出，2025年台灣IoT解決方案市場中，具備AI分析能力的平台已成為企業選型的重要評估標準，而非附加功能。這個趨勢在三年前還不明顯，ChatGPT之後顯著加速了。

AI應用一：需求預測——讓補貨不再靠直覺

管理全台分散的販賣機，最大的運營痛點之一是「補貨時機的判斷」。

補貨太早，出車成本高；補貨太晚，缺貨損失銷售機會，更嚴重的是讓消費者失望。傳統做法是靠有經驗的補貨人員用直覺判斷，或者按固定班表出車——這兩種方法都低效，而且無法因應突發狀況。

我們在2023年開始把AI需求預測整合進TransTEP系統。具體的做法是這樣的：

訓練數據：每台設備過去兩年以上的逐日銷售數據，加上設備所在地點的特徵（辦公室型、學校型、醫療機構型、交通樞紐型等），以及外部數據（天氣、假期、附近活動資訊）。

模型架構：我們用的不是生成式AI（如ChatGPT那類的LLM），而是時間序列預測模型，搭配分類模型來處理地點特徵的影響。簡單說就是：「根據這個設備的歷史賣出量和當前情況，預測未來三天每個商品的銷售量」。

輸出應用：系統自動生成各地設備的補貨優先順序和建議補貨數量，補貨人員不需要自己判斷，只需要依照系統建議的路線和數量去執行。

這個系統上線後，我們的缺貨率下降了大約三分之一，補貨車次的效率提升了兩成以上。這些數字不驚人，但它們代表的是真實的成本節省和服務品質提升，不是PPT上的概念。

AI應用二：異常偵測——讓故障在客訴之前被發現

每台設備在每天都在產生大量的狀態數據：溫度、電壓、馬達轉數、感測器讀值、交易失敗率等等。在沒有AI之前，這些數據要麼被忽略，要麼只在超過某個固定閾值時觸發警報。

固定閾值的問題是：它無法區分「正常波動」和「真實異常的早期信號」。一台冰箱在熱天下午的溫度比平時高2度，是正常的；但如果它在連續三天的每天下午都比同類設備高4度，很可能是壓縮機開始衰退的信號。這種「趨勢異常」是固定閾值法捕捉不到的，但AI可以。

我們的異常偵測系統使用的是無監督學習（unsupervised learning），讓模型自己學習每台設備的「正常行為模式」，然後標記出偏離這個模式的狀況。系統不需要人工預先定義什麼叫「異常」，它從數據中自行學習每台設備的個別特性。

iThome對台灣IoT維運自動化趨勢的報導指出，預測性維護（predictive maintenance）是目前IoT平台最具商業價值的AI應用之一，因為它直接降低了非計畫性停機的成本。我們的實踐完全印證了這一點：在異常偵測系統上線後的12個月內，因設備故障導致的長時間停機事件明顯減少，客戶滿意度有顯著提升。

AI應用三：個人化推薦——讓每台設備認識它的消費者

這是三個應用中最接近「ChatGPT世代AI」的一個。

傳統販賣機的商品組合是由運營人員決定的，通常以地點類型為基礎（例如「辦公室場景通常賣咖啡和輕食」）。這種做法合理，但粗糙。

更精細的做法是：根據這台設備所在地點的實際消費者行為，動態調整商品組合的推薦。

我們的個人化推薦系統是這樣運作的：系統分析每台設備的銷售數據，找出哪些商品組合（品項+時段+天氣+月份）的售出率最高，哪些商品長期滯銷，然後在補貨時提供「建議換成這個商品」的推薦。運營人員可以接受或拒絕建議，但系統會記錄每次決策的後續銷售結果，持續學習。

這套系統的關鍵在於它不是靜態的。隨著一台設備積累越來越多的數據，它的推薦會越來越準確，越來越符合那個特定地點的消費者偏好。

數位時代對台灣智慧零售趨勢的分析指出，下一代零售競爭的核心不在於「賣什麼」，而在於「知道在哪裡、對誰、在什麼時候賣什麼」。我們正在做的，正是把這個理念落地到最小的零售單位——一台站在角落的販賣機上。

ChatGPT本身在我們的工作流程中

除了上述三個應用之外，ChatGPT（及其背後的大型語言模型技術）在我們日常工作流程中也有實際應用。

客服自動化：當消費者對設備有投訴時（例如卡彈、退款問題），我們的客服系統會先用AI自動判斷問題類型、查詢對應設備的狀態數據，並生成初步的回覆和處理方案。這大幅降低了客服人員處理重複性問題的負擔。

運營報告生成：以前要花幾個小時手動整理的月度設備運營報告，現在系統可以在幾分鐘內自動生成，包含每台設備的績效摘要、異常紀錄、改善建議，以及下個月的補貨預算建議。這些報告的語言是自然語言，不是表格——合作夥伴不需要懂數據，就能理解設備的狀況。

新地點評估：當有企業或商場考慮引入我們的設備時，我們的系統可以根據地點特徵（人流量估計、周邊競爭、消費者輪廓）自動生成一份投資評估報告，幫助雙方快速判斷合作的可行性。

我對台灣零售業AI應用的看法

在台灣的零售業，AI的討論多過實踐。很多企業在簡報中講AI，在真實業務中還是用Excel。這個落差的原因我完全理解：AI需要數據基礎，而很多傳統零售業根本沒有完整的數字化數據。

龍雲數位比較幸運的是，從一開始就是IoT native（物聯網原生）的公司，我們的每台設備從第一天就在生成數字化數據。這讓我們在AI時代有了先天優勢。

但我也不想誇大AI的魔力。AI是工具，不是策略。同樣的AI技術，用在一個有清晰運營目標和高品質數據的公司，就能創造真實價值；用在一個數據混亂、目標不明的公司，只會製造更多混亂。

技術是幫助你把業務做得更好的手段，不是讓你不需要把業務做好的理由。

接下來：龍雲數位的AI路線圖

我可以透露我們在接下來12個月打算做的幾件事：

一、多模態感知整合：在部分設備上加入視覺感測能力，讓系統能夠識別設備前方的消費者行為（不是人臉識別，而是匿名的行為模式分析），以更精準地評估商品陳列效果。

二、跨設備協同優化：目前的AI優化主要是設備個體層面。下一步是在地域層面做協同優化——例如同一棟辦公樓裡的兩台設備，如何相互補充而不是相互競爭。

三、合作夥伴AI儀表板：讓我們的企業合作夥伴（例如辦公室管理者、商場運營方）能夠透過自然語言查詢設備數據，而不需要學習任何數據分析工具。

這條路不是一夕之間能走完的，但方向很清楚。

如果你對龍雲數位在智慧零售方面的更多應用案例感興趣，可以參考龍雲數位TransTEP IoT平台的詳細介紹，了解我們的技術架構和服務範疇。

結語

ChatGPT讓很多人第一次直觀感受到AI的能力。但在我的世界裡，AI的價值不是它能對話、能寫文章，而是它能在複雜的、連續的、高維度的數據中找到人眼看不到的模式，並把這些模式轉化成可執行的運營決策。

龍雲數位管理著全台各地的上千台設備，每一台都在每天生成數據，每一台背後都有消費者的真實需求。把AI用在這些數據上，讓每台設備都能越來越懂得它所服務的人——這就是我對「智慧零售」這四個字的理解。

不是概念，是正在進行的事。

---

李奇申現為龍雲數位科技股份有限公司負責人，龍雲數位提供全台IoT智慧零售管理平台與設備服務。更多資訊請造訪 transtep.com。