李奇申談 AI 如何改變販賣機產業：從龍雲數位 CEO 視角看智慧零售未來

很多人談 AI，談的是 ChatGPT，談的是生成式 AI。但我在過去幾年裡，看到了一種更「地面層」的 AI——它不寫文章、不畫圖，它幫一台放在工廠角落的販賣機，預測明天下午要補多少罐可樂。

這聽起來沒那麼性感，但它解決了真實的問題，也創造了真實的商業價值。

我叫李奇申，是龍雲數位（TransTEP）的創辦人，過去十多年深耕 IoT 物聯網管理平台，服務的客戶從超商、全家這樣的通路巨頭，到科技廠、醫院、政府機關的自助設備管理。今天我想從自己的視角，談談 AI 正在如何改變販賣機產業，以及我認為接下來三到五年最值得關注的趨勢。

---

販賣機產業的原罪：數據豐富，洞察匱乏

在 AI 出現之前，販賣機產業已經有相當完整的數位化基礎。每台機器都知道：

• 每款商品的銷售時間、數量
• 機器的溫度、電壓、馬達轉速
• 補貨時間、補貨量、補貨人員

但這些數據長期被困在各自的孤島裡——機器知道，但沒人分析。

我記得約五年前，我們在協助一家連鎖飲料廠商管理他們 300 多台販賣機的時候，對方的補貨負責人告訴我一件事：「我現在的補貨規則，是我 15 年前師傅教我的，每個禮拜固定補，夏天多補一點，就這樣。」

他不是不夠努力，而是在 AI 工具出現之前，沒有更好的方式把數據轉化成決策。這就是我說的「數據豐富，洞察匱乏」。

AI 的加入，改變了這個等式。

---

第一個應用：需求預測，讓補貨從猜測變成科學

需求預測是 AI 在販賣機產業最早、也是最成熟的應用場景。

傳統補貨的問題

傳統補貨模式依賴兩種方式：

1. 固定週期補貨：每週一、四固定補，不管賣了多少
2. 人工判斷補貨：補貨員現場看庫存，感覺快空了就補

這兩種方式都有嚴重問題：

• 過度補貨：商品積壓佔用資金，冷藏商品還有效期壓力
• 補貨不足：機器空槽等於直接損失銷售機會，旺季尤其明顯

根據我們在龍雲數位的實際數據，傳統補貨方式平均造成：

• 空槽率（Stockout Rate）8–15%（意即有 8–15% 的銷售機會因空槽而流失）
• 冷藏商品報廢率 5–8%（補過多、賣不完）

AI 需求預測的運作方式

現代的 AI 需求預測模型，會同時分析以下變數：

歷史銷售數據（最核心）

• 該台機器過去 12–24 個月的每日銷售量
• 每款商品的銷售時段分布（早上 7–9 點通勤族買什麼？下午 3 點辦公室員工買什麼？）

外部環境變數（讓預測更精準）

• 天氣數據（API 串接中央氣象署）：氣溫超過 30 度，冷飲銷量與往常比增加多少？
• 節慶行事曆：中秋前後，口味偏好如何改變？
• 場域特性：工廠機器在換班時段（7 點、15 點、23 點）的銷售規律

即時庫存狀態

• 目前各商品剩餘數量
• 最近一次補貨時間與補貨量

把這些數據餵給機器學習模型後，它會輸出一個「未來 3–7 天各商品預計銷售量」的預測，並結合當前庫存，自動生成補貨建議：「A06 槽位（御茶園綠茶 580ml）建議明天補 24 瓶；C02 槽位（手工泡麵）建議後天補 12 個。」

實際成效

我們在協助台灣中部某飲料廠商導入 AI 需求預測系統後，追蹤六個月的成效：

• 空槽率從 11.3% 降至 3.8%（估計增加銷售收益約 8%）
• 冷藏商品報廢率從 6.2% 降至 1.9%
• 補貨人員行程優化：由固定排班改為系統派單，補貨行程平均縮短 23%，油耗節省

這些數字背後是真實的成本節省，不是 PPT 上的假設。

---

第二個應用：異常偵測，讓維修從被動變主動

一台販賣機壞了，通常是怎麼發現的？

最常見的方式是：消費者付了錢，商品沒出來，然後客訴。或者，補貨員去補貨的時候，發現機器根本關著。

這種「等機器壞了才修」的模式，在台灣的販賣機業界稱為「救火式維護」。每次停機，直接損失銷售收入，加上趕修的加急費用，成本驚人。

IoT + AI 的預測性維護

龍雲數位的 IoT 平台會持續蒐集每台機器的：

• 壓縮機電流、電壓波動
• 馬達轉速與異常振動
• 機箱內溫度趨勢
• 電子鎖開關頻率
• 零件使用時數（與設計壽命比較）

AI 異常偵測模型的核心邏輯是：學習一台機器在「正常狀態」下的各項指標基線，一旦偵測到指標偏離基線（例如壓縮機電流在連續 3 天呈現緩慢上升趨勢），系統就會發出預警：「G017 號機台壓縮機異常，建議 7 天內安排維修，預估失效風險中等。」

真實案例：一個週末的故事

2024 年夏天，我們有一台部署在高雄某大學學生宿舍旁的販賣機，系統在週五下午發出異常警報：冷凍系統溫度略有異常，風機電流輕微升高。

按照舊有流程，這台機器很可能在下個工作日才被排入維修；如果真的壞掉，就是整個週末的損失（學生宿舍旁的機器，週末是旺季）。

收到警報後，我們安排維修人員週六早上提前處理，更換了一個老化的風扇軸承，費用不到 1,000 元。這台機器在那個週末照常營業，週六日合計銷售約 4,800 元。

一個提前 48 小時的警報，保住了接近 5,000 元的銷售，並避免了緊急叫修的高額費用。這就是預測性維護的價值，具體而微。

---

第三個應用：動態定價，最有爭議也最有潛力

相較於需求預測和異常偵測，動態定價（Dynamic Pricing） 是一個在台灣市場仍在探索階段、但極具潛力的應用。

什麼是動態定價？

簡單說，就是「同一台機器、同一款商品，在不同時間、不同情境下，自動調整售價」。

典型的動態定價邏輯：

• 下午 2–4 點（高溫時段），冷飲自動漲價 5–10%
• 效期剩 24 小時的食品，自動降價 20–30% 促進出清
• 週一至週五早上 8–9 點（通勤尖峰），咖啡自動漲價
• 晚上 10 點後（流量低），全品項輕微降價刺激衝動消費

台灣市場的現實障礙

動態定價在國際市場（尤其日本、美國）已有商業案例，但在台灣面臨幾個特殊挑戰：

一、消費者心理抵抗 台灣消費者對「為什麼現在比剛才貴」有強烈的不公平感，這是與美國市場最大的差異。Uber Surge Pricing 在台灣就曾引發強烈負評，販賣機動態定價的公關風險不容忽視。

二、主管機關態度不明朗 動態定價是否涉及消費者保護法規的問題尚未有明確解釋。

三、技術整合門檻 要實現動態定價，機器的電子價格標籤（ESL, Electronic Shelf Label）、後台定價系統、前端螢幕顯示必須完整整合，現有機器升級成本不低。

我的看法

我認為台灣市場短期內不會大規模採用「漲價式」動態定價，但「臨期促銷自動化」（降價式）有很高的接受度，且能直接解決食品廢棄問題。預計 2–3 年內，這個功能將成為高端熱食販賣機的標配。

---

AI 落地的真實挑戰：我踩過的坑

談了這麼多 AI 的好處，也必須說說現實的挑戰。我在推動龍雲數位 AI 化的過程中，有幾個教訓值得分享：

挑戰一：數據品質是一切的前提

AI 模型的好壞，取決於餵給它的數據品質。如果機器的感測器不穩定、數據有大量缺漏，模型輸出就毫無意義。

我們有過一個客戶，導入需求預測 AI 後效果很差，最後發現原因是：機器的銷售計數器因接觸不良，有約 15% 的銷售記錄沒有被記錄到。AI 認為這些槽位賣得很差，持續建議少補——但其實不是商品賣不好，而是機器根本沒記到。

教訓： 在導入 AI 之前，先確保基礎 IoT 感測的數據完整性。

挑戰二：運營商的信任建立需要時間

很多資深的補貨管理者，初期對 AI 的建議持懷疑態度——「我做這行 20 年，你一個程式憑什麼告訴我怎麼補？」

我們的做法是：前 3 個月讓 AI 的建議和人工決策並行，讓補貨員自己看，AI 猜對了幾次，猜錯了幾次。三個月後，數字說話，大多數人就開始相信了。

教訓： 人機協作，從輔助開始，不要一開始就全自動。

挑戰三：模型需要持續更新

AI 模型是基於歷史數據訓練的。如果場域環境發生重大改變（例如旁邊新開了一家便利商店、場域員工人數大幅增減），歷史數據就失去參考價值，模型必須重新訓練。

這意味著 AI 運維是一個持續的工作，不是一次性的部署。

---

台灣 IoT AI 智慧零售的下一步：我的觀察

從現在到 2028 年，我認為以下三個方向將是台灣智慧零售 AI 最值得觀察的趨勢：

趨勢一：邊緣 AI（Edge AI）普及

目前大多數 AI 分析都在雲端進行，但隨著邊緣運算晶片（如 NVIDIA Jetson、高通 AI Hub）成本下降，越來越多的分析將在機器本地端完成。

這對販賣機產業意味著：即使在訊號不穩定的地下室或偏遠工廠，機器也能獨立執行需求預測和異常偵測，不依賴雲端連線。

趨勢二：多模態感知整合

未來的智慧販賣機將不只有「賣東西」的功能，還會整合：

• 攝影機（人流計數、消費者行為分析）
• 麥克風（語音點餐、環境噪音監控）
• 重量感測（精準庫存計算，不再靠計數器）

這些數據的整合，將讓 AI 的判斷更精準，也讓機器成為真正的智慧零售終端。

趨勢三：跨場域 AI 聯學（Federated Learning）

這是目前還在研究階段、但極具想像力的方向：多家業者的販賣機，在不共享原始數據的前提下，共同訓練一個更強的 AI 模型。

例如：A 公司的 500 台機器，加上 B 公司的 300 台，一起訓練一個「台灣工廠區飲料需求預測模型」，準確率遠高於任何單一業者能做到的水準。這種「數據共贏」的模式，我相信會在 2–3 年內從理論走向實踐。

---

從創業者的角度，我想說的

我在 創業的路上走了三十年，從傳呼機時代到網路泡沫，再到 IoT 和現在的 AI 浪潮。每次技術革命，我都看到一個共同的規律：

技術的紅利，通常不是被「最早知道」的人拿走，而是被最願意真正落地執行的人拿走。

AI 在販賣機產業的應用，目前台灣能做到的，大概只有日本市場的 30–40%。這不是悲觀，而是機會——因為代表後面還有 60–70% 的空間。

龍雲數位（TransTEP） 一直在做的事，就是幫助更多台灣的零售運營商、設備業者，把這些 AI 工具真正用在商業現場，而不只是投影片上。如果您正在評估如何讓您的智慧零售設備更聰明，我很樂意分享我們的經驗。

AI 不是萬靈丹，但它是目前讓販賣機從「被動等客」變成「主動運營」最有效的工具。這個轉變，值得每一個認真做零售的人認真思考。

---

作者：李奇申，龍雲數位（TransTEP）創辦人，IoT 物聯網管理平台及無人零售解決方案提供商。