當你在追模型，市場卻在盯排班、退貨與廣告投報 01｜為什麼是沃爾瑪：它握有三種稀缺資產，剛好能把 AI 變成財務語言 在 AI 浪潮裡，稀缺資源不只算力與模型人才，還包括三種更容易直接連到現金流的資產：入口、交易資料、履約能力。 入口：沃爾瑪（Walmart）的強項不是某個爆紅 App，而是民生消費的高頻場景與龐大客群觸及。當不確定性升高，市場更容易把它歸類為「風險偏好下降時的停泊處」。有外媒以「資金轉向道瓊成分股與民生消費類股」形容這波輪動；說白了，就是在雜訊變大時，資金更願意抱住那種現金流看得懂、也比較好預估的公司。 交易資料：零售的資料不是抽象點擊，而是從搜尋...

從「延遲判斷」到「可觀測事實」：誰掌握道路資料入口，誰就改寫供應鏈規則 01｜當資料優勢不再來自模型，而來自部署 如果從產業結構來看，GenLogs 的賭注並不在演算法，而在部署能力。投資方看上的，並不是某個模型參數或一段新程式碼，而是「全國性的路側感測網」所形成的即時資料庫。這原因也不難理解：模型可以被追上，甚至被複製；真正難以重做的，是已經鋪設完成、能長期運作的實體網路。 但「部署」不是把硬體放上去就結束。它背後是一整串極其不浪漫的問題：點位怎麼談、電力與連線怎麼接、設備怎麼維修、資料怎麼校準、不同來源怎麼整併成同一套口徑。這些看似瑣碎的工程現實，反而會變成最長期的...

不是模型不夠強，而是組織還沒準備好讓它被大量使用 01｜4,000 人不是新部門，而是一張同儕支援網 這篇解讀讓我們把焦點放在一件看似不顯眼、卻最花力氣的工程：花旗如何讓 AI 從少數人的興趣，變成多數人的工作習慣。花旗逐步形成約 4,000 人的內部 AI 推廣人力，其核心精神是「同儕帶同儕」。每個業務單位都有懂得示範、能回答問題的人，也能把成功做法寫回內部知識庫。 員工自願成為推動者，在原有職務之外，固定投入時間協助同事；人數較少的關鍵推廣者，則分布在各條業務線上，負責整合與協調。這種架構的關鍵，不在於中央小組四處救火，而是把支援點直接放在第一線，讓「想用的人」隨時...

當施工沒有慢下來，決策卻卡住時，問題往往不在現場，而在文件流動的方式 01｜建築業為什麼特別需要流程型工具，從人力結構就看得出來 建築商與承包商協會（Associated Builders and Contractors，ABC）估算，美國建築業在 2026 年需要吸引約 349,000 名淨新增工人，到了 2027 年，需求可能拉高到 456,000。這不是景氣循環的短期缺口，而是一種長期補不齊的狀態。 更深層的壓力來自經驗流失。麥肯錫在 2024 年文章中回顧其 2020 年研究指出，美國建築業勞動力中，約有 41％ 預期會在 2031 年前退休。缺人會拖慢進度，缺...

企業買模型，其實是在買「責任查得回來」的治理 01｜這次合作真正的產品單位，是「顧問可交付的工作流」，不是聊天機器人 在 Uniphore 的新聞稿與 Business Wire 的通稿裡，用詞一直落在「好管」「可擴充」「安全」「資料來龍去脈」「規則管控」這幾個詞。這些聽起來像是在行銷，但其實反映一個很現實的條件：在受監管產業，能不能正式上線，往往不是看模型回得多漂亮，而是看它做過的每一步能不能被查核、事後能不能回溯得出來、能不能把異常狀況交回人處理。 這也點出顧問業角色正在改變。以前顧問多半交付流程建議、文件與會議結論；這次合作的說法更像在講：顧問要交付的是「能真的跑...

你以為 AI 不能當律師，其實是在看「責任可追溯性」能不能被系統化 01｜第一個問題其實不是「會不會取代律師」，而是「哪些工作本來就像流程」 很多人把「律師」想成一個不可拆解的整體，所以問題很自然就落在「AI 能不能取代」。但在企業內部，最花時間的往往不是最後那個簽字判斷，而是大量的文字整理與對照：條款比對、版本差異、文件摘錄、風險清單初稿、把過往先例整理成可用的摘要。這些工作不是不需要專業，而是更像「先把資料整理好，讓人可以做判斷」，而且結果可以被第二個人覆核。 所以，更合理的理解是：所謂「AI 律師」先從把準備工作自動化開始，讓人把時間留給真正需要判斷、也需要承擔責...

把「人力」重新定義：當 AI 被算進員工數，管理的基本單位變了 01｜把 AI 算進員工數：看起來像修辭，其實是在翻轉「勞動力」的度量方式 把「AI agents」算進 headcount，第一眼很容易被當成 CES 現場那種吸睛說法。但它真正動到的，是顧問業一個很根本的尺度：什麼才算勞動力，什麼才算產能。 外媒報導裡，McKinsey CEO Bob Sternfels 對外講法相當一致：公司約 60,000 名「員工」中，約 40,000 是人類，約 25,000 是 AI agents；而且這些 agents 被描述為 personalised，能處理端到端的工作...

你不能管理你看不見的雜草 01｜1.5 億筆資料的基礎模型 Carbon Robotics 近期宣佈推出大型植物模型（Large Plant Model，LPM），把它定位為植物偵測與辨識的「基礎模型」，並視為 Carbon AI 的核心能力之一。外媒引述公司說法，LPM 的訓練底座來自多國、多農場的實地蒐集，規模達「超過 1.5 億張照片與資料點」；但在官方新聞稿中，描述方式則是「1.5 億個已標註植物」。兩種口徑不完全相同，因此更穩健的讀法，是把它理解成一套由田間影像加上相關資料組成的大型資料底座，而不是急著把兩個說法硬對成同一個精確定義。 外媒同時引述執行長 Paul...

所謂「分析民主化」不只是更好用，而是責任、治理與採購語言一起被重寫。 01｜對話不是界面升級，而是決策權重新分配 把報表變成聊天，乍看之下像是使用者體驗的優化，但對零售組織而言，它更像是一種決策權與責任的重新分配。當分析不再只存在於資料團隊的儀表板，而是被推進商品企劃、定價與規劃等第一線角色的日常對話中，真正被縮短的，是決策鏈條本身。 這也是為什麼這篇表面上看似在談「把 AI 結合分析」的產業新聞，但實際上卻值得被放進更大的零售 AI 發展脈絡中來解讀。因為它所揭示的並不是單一工具的推出，而是一種工作方式的轉向：誰可以問問題、在什麼時間點問、以及這些答案會不會真的被...

InfoAI 編輯部 極端天氣的差別，往往不在你知不知道會變天，而在你能不能提早兩到四週，把生活先安排好。 摘要： 1）次季節天氣預測鎖定未來 2 到 6 週，是最難、也最可能改變生活安排的預報區間。 2）麻省理工學院（MIT）研究科學家 Judah Cohen 把西伯利亞 10 月積雪、北極海冰、極渦等北極診斷訊號，轉成 AI 可用的特徵。 3）歐洲中期天氣預報中心（ECMWF）主辦的 AI Weather Quest 用第 3、4 週（Days 19–25、Days 26–32）的五分位機率預報做評估，重點是「型態機率」不是「某天幾度」。 4）MIT 報導...