我們很會做鏟子，卻沒留下半塊礦
這幾年台灣談 AI，談到最後幾乎都落在同一件事上：硬體。
AI 伺服器與整櫃式 AI 機櫃、AI/AR 智慧眼鏡、各種打著 AI 名義的落地端裝置。展場上滿滿一排，每一台都說自己內建 AI，每一台都在比規格、比算力、比功耗。
這些東西做得很好，台灣在這件事上確實是世界級的。問題是，我們把它做成了一門硬體生意。
硬體生意的邏輯很清楚：做出一台，賣掉一台，收一筆錢。下一台要重新採購零組件、重新組裝、重新出貨。客戶買走之後，那台機器跟你的關係就結束了，除非他壞了要維修。
這是一門好生意，但它有一個天生的限制：每一分收入都要重新投入一次生產。
軟體生意的邏輯不一樣。寫一次程式，賣一萬份，邊際成本接近零。而且客戶用得越久，資料留在你這裡越多，轉換成本越高。
台灣不缺工程能力，缺的是後面這一半的思維。
我們很會做鏟子。全世界都在用我們的鏟子挖礦。但挖出來的礦，沒有一塊留在我們手上。
這件事我不是從外面看的。我們自己就在做行銷服務，這幾年賣出去的，也多半是鏟子。
最諷刺的地方在於，我們並不是沒有礦。
台灣兩千三百萬人，密度極高，線上線下交錯，超商密度全球數一數二，平均每一千六百多人就有一家，行動支付、電商、外送、會員點數、訂閱制，全部擠在一個小時車程的範圍內。這種市場會產生一種別的地方很難產生的東西：高密度、高頻次、高交叉的消費行為資料。
同樣一個消費者，早上在 LINE 收到推播、中午在電商下單、下午在門市取貨、晚上在 App 裡看點數。這條路徑橫跨四個系統，四個系統彼此不認識，但它全部發生在同一個人身上，發生在同一天。
這種資料的細緻度，是大型市場不容易做到的。就我們接觸到的客戶來說，美國太大，一個品牌很難同時掌握線上線下；中國市場的資料被平台切得很碎。台灣小、密、亂，反而讓資料有機會串起來。
這是一座還沒有人認真挖的礦。
而我們這幾年做的事，是把鏟子賣給別人，然後看著別人挖。
所以真正的問題不是「台灣的 AI 起步晚了」。
起步晚不是問題，因為我們本來就沒有要跑大模型那條賽道。那條賽道需要的是天文數字的算力、全球規模的資料、還有能力每年燒掉幾十億美元的資本結構。台灣沒有這個條件，也不需要勉強去有。
真正的問題是，我們明明坐在一座礦上，卻還在忙著改良鏟子。
有人做得完全相反。同樣是從硬體起家，同樣賣機器給現場的人，但從第一天起，它就知道自己賣的不是機器。
洋蔥田裡的那台機器
故事要從一個七十年沒解開的死結說起。
美國喬治亞州有一片農地，種了七十幾年的維達利亞甜洋蔥。這種洋蔥辛辣度極低、甜度高、可以直接生吃，是當地的地標農產品。但它有一個幾十年沒解掉的死結：幼苗長得慢，雜草長得快。而且沒有對洋蔥足夠安全的化學除草劑。你噴藥，雜草死了，洋蔥也跟著傷。
所以整個產區只能用一種笨辦法。先在溫室育苗，等苗長壯了，再一株一株人工移栽到田裡。成本高、吃人工、效率上不去。幾十年來，所有人都是這樣做的。
2018 年，一個叫 Paul Mikesell 的人在美國西雅圖創辦了一家農業機器人公司。這個人不是農夫，他之前做的是資料儲存，公司賣掉之後在 Uber 和 Facebook 當過工程師。一個網路世界的老手，跑去做農業機器人。
他做出來的機器，開進田裡，鏡頭對著地面拍。清晨的光是斜的，土是濕的，洋蔥苗只有兩公分高，旁邊的雜草已經冒出四公分。這種時刻，人眼分不出哪株該留、哪株該殺，因為它們長得幾乎一樣。
機器分得出來。它認的不是顏色，是葉片的生長點在哪裡。判斷完，一道雷射打下去，燒掉雜草的生長點，旁邊的苗一根都沒傷到。整個過程幾毫秒。
而且它不翻土。雷射不接觸地面，所以不會把深處沉睡的雜草種子翻上來。這件事的意義比除草本身大得多，因為化學除草劑會逼出抗藥性的超級雜草，而物理燒毀沒有明確的標靶可以對抗。雜草很難像對除草劑那樣，對雷射演化出針對性的抗性。
到這裡為止，這還是一個很聰明的農機故事。真正的轉折在下一句。
你以為它賣的是除草機器人。它賣的是一台會走路的資料採集器，除草只是這台機器的副產品。
這家公司叫 Carbon Robotics，那台機器叫 LaserWeeder。但這些名字不重要，重要的是它後來長出來的東西。
機器在田裡跑的每一秒，鏡頭都在拍。每一張照片都帶著 GPS 座標、光照條件、土壤類型、作物生長階段。AI 判斷這株是作物就留著，是雜草就燒掉生長點。每一次擊發，就是一個訓練樣本。
這不是在用模型，這是在生產模型。
這些資料餵出來的，是一個叫 LPM 的大型植物模型，Large Plant Model，全球第一個專門用來辨識植物的 AI 大模型。它才是這家公司真正的產品。
還有一個設計很妙。農夫在平板上有一個功能，碰到沒見過的植物，拍兩三張照片傳上去，系統幾分鐘內就學會辨識，機器人立刻知道該打還是該留。不需要技術背景，種田的人自己就是模型訓練師。
到今天，這家公司自己公布的數字是：1.5 億株已標註的植株資料，覆蓋 100 多種作物，部署在 15 個國家。
這裡有一個對比，值得所有做 AI 的人想清楚。
大語言模型的訓練資料是什麼？是網路上抓下來的文字。幾千億個 token，可以爬、可以複製、可以下載。你今天訓出一個好模型，別人只要有算力和同樣的資料集，理論上能追到差不多的水準。這就是為什麼語言模型的競爭會變成軍備競賽，因為資料本身不稀缺，稀缺的是算力跟資本。
植物模型的訓練資料是什麼？是 1.5 億株真實植物的高清影像，每一張都綁著當時的陽光、土壤和雜草狀況。這些資料網路上沒有，爬蟲抓不到，實驗室合成不出來。唯一的取得方式，就是把機器開到真正的田裡，在真正的太陽底下，一張一張拍。
所以問題來了，谷歌、OpenAI、Meta 為什麼不做一個植物模型？
不是技術不行。是位置不對。
谷歌可以爬遍全網，但爬不到洋蔥田裡的那道光。OpenAI 能生成逼真的圖片，但造不出帶著土壤濕度標籤的真實雜草。Meta 有幾十億人的行為資料，但它沒有「作物與雜草共生」這種發生在物理世界裡的紀錄。
不是他們做不到，是那不是他們的主戰場。
在物理世界的 AI 裡，天花板由資料決定，而資料的源頭由硬體決定。
這句話是整件事的核心，也是台灣最該聽進去的一句。因為它同時說明了兩件事：誰把硬體部署到現場，誰就掌握了那個領域唯一會持續生長的資料來源。而這種資產的特性是，它買不到，只能長出來；它也追不上，因為你追的時候，對方的資料還在增加。
台灣在硬體這件事上是世界級的。我們真正缺的，是把機器當成採集器的那個念頭。
五個入口，五座礦脈
我們對外有一個平台，看起來是行銷 SaaS，五項服務、一套後台、一些客戶名單。從外面看，它就是一個提供行銷工具與服務的地方。
但從內部的角度看，這五項服務是同一個設計的五個零件。每一個服務，都是在客戶的決策鏈上裝一個感測器。服務是外殼，感測器才是本體。
以下五個入口，由外往內，一層比一層靠近決策的核心。先給你一張全貌：
洞察看落差，歸因看路徑，OMO 看斷點，代操看判斷，工具看注意力。
五個都不難懂，難的是它們為什麼要串在一起。往下看。
第一個入口
洞察。它觀測的是落差。
客戶找我們做洞察，通常是因為他心裡已經有一個問題。他想知道某個族群為什麼不買、某個價位帶有沒有空間、某個競品到底強在哪裡。
我們做的事，表面上是回答他的問題。實際上有價值的是另一件事：他以為的問題，和資料顯示的問題，差多遠。
這個落差本身就是資料。一個品牌連續三年來問「怎麼提高年輕族群的轉換率」，如果三年下來的資料都指向同一個答案，那個答案遲早會說出來：問題不在年輕族群，在結帳流程。但客戶不會主動告訴你這個，他只會一年一年問同一個問題。
我們記下每一次他問什麼、我們答什麼、他後來做了什麼。這條紀錄累積起來，就是一個企業「認知盲區」的檔案。這種跨客戶、跨年度累積的認知落差紀錄，市場上很少見。
第二個入口
歸因。它觀測的是路徑。
成效廣告這件事，台灣的企業幾乎都做。預算投下去，報表出來，ROAS 有高有低，然後呢？
然後就是最常見的那一幕。Meta 說自己貢獻了多少轉換，Google 說自己貢獻了多少轉換，兩個加起來超過實際的訂單總數。這種事每一家都遇過，每一家也都習慣了，因為報表對不上是常態。
但歸因真正要解的，不是「哪個管道功勞大」。是決策鏈上哪一環真的影響了結果。一個客戶看了兩次短影音、搜了一次品牌字、比價了三個網站、最後在 LINE 上問了一句運費，然後下單。這條路徑裡，哪一步是必要的？哪一步拿掉會全盤改變？
我們做歸因，同時也在觀測客戶「怎麼看歸因」。他相信哪個數字、忽略哪個數字、在什麼時候決定加預算、在什麼時候喊停。這些判斷紀錄，比歸因模型本身更值錢，因為它顯示出這家企業的思路長什麼樣子。
第三個入口
OMO。它觀測的是斷點。
線上線下這件事，台灣的零售與服務業特別難。一個客戶在網路上看到廣告、在店裡試了商品、回家在手機上比價、最後跑到另一家分店結帳。這條路徑橫跨四個系統，四個系統彼此不認識。
多數企業的做法是在每個節點各裝一套工具，然後各自看各自的報表。結果是每個節點看起來都還行，整條路徑卻在漏。
我們串 OMO，真正在找的是斷點在哪裡、為什麼斷。而且有一個很有意思的現象：斷點通常不在流程設計得最差的地方，而在「沒有人負責」的地方。跨店的庫存、線上下單門市取貨的等待時間、會員點數在兩個系統間對不上。這些都是結構性的空白，不是誰偷懶。
誰能看見斷點，誰就能定義問題。這件事的價值，比優化任何單一節點都大。
第四個入口
顧問代操。它觀測的是人的判斷。
這一項最容易被誤解。外界看，顧問代操就是「幫客戶操作」。客戶付錢，我們出人。
但這項服務真正的價值在另一邊。當我們的顧問每天坐在客戶的後台前面，調預算、換素材、改受眾、看數字跳動，他同時在做一件客戶看不見的事：記錄一個專業判斷是怎麼形成的。
哪一種素材在什麼條件下會失效？預算加多少會開始邊際遞減？什麼訊號出現時該停手？這些東西在教科書上寫不出來，因為它們依賴具體的市場、具體的季節、具體的競品動作。
更關鍵的是錯誤判斷。判斷錯了、預算燒掉了、事後檢討，這些紀錄比成功案例更有價值。因為它標記出「這條路走不通」，而這種標記能讓下一次的判斷快很多。
一個顧問做了五年，腦子裡有一萬條這樣的規則。但規則在他腦子裡，不在公司裡。我們的設計，就是把這些規則一條一條挖出來，變成系統能用的東西。
第五個入口
工具本身。它觀測的是注意力。
這一項最少人討論，但我認為它是五個裡面最有意思的。
先講一個不太好聽的事實。中國信通院統計過，超過六成企業的 BI 系統，實際業務使用率不到 30%。換句話說，企業花了錢、買了工具、建了儀表板，結果七成的功能沒有人打開。這件事在台灣也一樣，只是沒有人統計。
多數人看到這個數字，結論是「工具做得不好用」。我們的看法不同。如果一個數字沒有人看，那「沒有人看」本身就是一條情報。
我們提供後台、提供儀表板、提供各式各樣的報表。看起來這是在交付功能。但只要你用，就會留下一種非常特殊的資料：你在看什麼，以及你不看什麼。
哪一個數字你每天開，哪一個數字你從來不點。哪一張圖表你放大了看三次，哪一個紅色警告你連續忽略兩個月。禮拜一早上你第一眼看的是什麼，月底結算前你反覆確認的是什麼。同事之間互相分享的是哪一頁，開會時投影出來的是哪一頁。
這些行為資料，客戶自己都不知道。他不會告訴你「我其實不在乎新客成本，我只在乎舊客回購」，因為他自己也沒意識到。但他每天點開的頁面會說出來，而且說得比問卷誠實。
這個東西有一個名字，叫「上下文」。
MIT Technology Review Insights 在 2026 年 10 月 28 日發布的《Creating AI value with enterprise context》，整份報告講的就是這一件事：企業導入 AI 的價值落差，卡在上下文層。翻成人話就是：模型再強，不知道你這家公司的脾氣、你的客戶長什麼樣、你老闆真正在意哪個數字，它給的答案就還是通用答案。
而上下文這種東西，問不出來，只能從行為裡看出來。
決策者的注意力在哪裡，這家公司的真實優先順序就在哪裡。這件事寫在策略文件上的版本，和寫在他每天點開的頁面裡的版本，通常不是同一份。我們要的是後面那一份。
而這份資料，只有把工具交到他手上、並且持續看著他怎麼用的人，才拿得到。
五個入口，講完了。
如果分開看，它們是五項服務，各自定價、各自交付、各自被比較。任何一個競爭對手都可以某一項做得比我們好，任何一個客戶都可以某一項找別人做。
但如果串起來看，它們是同一條路徑上的五個觀測點。洞察看到落差，歸因看到路徑，OMO 看到斷點，代操看到判斷，工具看到注意力。落差、路徑、斷點、判斷、注意力，這五件事合起來，就是一個決策的解剖圖。
而且它們有先後順序。客戶通常是先買一項，用出效果，再買第二項。每多接一項，他留在我們系統裡的資料就多一個維度。接得越多、串得越久，那個圖就越清楚。
這就是我們跟一般行銷服務公司最大的差別。他們做完一個案子，帶走一份結案報告。我們做完一個案子，留下一層資料。
一個案子留一層，十個案子就十層。等到層數夠多、時間夠長，會發生一件事：我們會比客戶自己更早看出他的問題在哪裡。
那一天開始，我們賣的就不再是服務了。
礦挖出來之後，生意會長成什麼樣
先看一組對照，兩個都是軟體公司，都在同一個賽道，市場給的價差不只一倍。
| 公司 | 賣什麼 | 市銷率（PS） |
| Salesforce | CRM 席位訂閱 | 約 5 倍 |
| Palantir | 已沉澱的資料與決策系統 | 約 58 倍 |
以上為 2026 年 10 月前後的市場數據，撰文時的數字。市銷率＝市值÷近 12 個月營收。
同一個市場、同一個時點，十一倍以上的差距。市場對這兩種生意的本質判斷不同，價差就出來了。
賣席位的公司，收入等於「客戶數 × 每人多少錢」。要成長，就得拉更多客戶、賣更多席位。線性、可預測、也有天花板。這是一個好生意，但天花板就在那裡。
賣資料與決策系統的公司，收入來自「客戶離不開」。客戶的資料在裡面、流程在裡面、判斷邏輯也在裡面。這種關係一旦建立，轉換成本高到一個程度：換掉它，等於整個決策方式要重來。
十月發生了一件事，把這個分野標得很清楚。十月二十日，Salesforce 宣布用 56.6 億美元全現金收購 Braze，每股 47.50 美元，較前一日收盤溢價約 58%。Braze 做的是跨渠道的客戶行為即時響應，服務 2,770 家客戶。
有意思的是，Braze 在收購消息前的股價是 29.34 美元，比起 2021 年 IPO 發行價，仍低了約五成。在 SaaS 被 AI 打壓的大環境下，一家股價只剩發行價一半的公司，還是被人用接近六成的溢價、全額現金買走。
買方買的不是它現在的營收。買方買的是那 2,770 家客戶的即時行為資料，以及那個能對行為立刻反應的系統。
市場正在重新定價「有沒有留下資料」這件事。
那十一倍的價差，支撐它的是三件事。
第一是續約率。席位訂閱的續約，靠的是「還算好用」；資料系統的續約，靠的是「走了會斷」。前者每年要重新說服一次，後者一旦裝進去就自己留著。
第二是擴張收入。賣席位的公司，客戶用得再多，也不會自動多付錢，要加席位得再談一次。資料系統不一樣，客戶的資料越積越多、接的場景越來越多，付的錢會自己往上走。
第三是邊際成本。每多一個客戶，席位型公司的客服、導入、客製都得重來一遍。資料型公司的模型已經養好了，多一個客戶只是多餵一筆資料，成本增加得極慢。
續約率高、擴張收入佔比高、邊際成本低，這三件事疊在一起，市場才願意給十一倍。少任何一項都不成立，這也解釋了為什麼大部分號稱做資料的公司，最後只拿到軟體的倍數。
如果這座礦真的挖開，會發生三層改變。
第一層
收入結構會變。
現在我們的收入是專案型。做一個案子收一份錢，客戶滿意就續約，不滿意就換人。營收曲線是階梯狀，每一階都要靠業務去拿。
當資料層累積到某個厚度，會長出一種新的收入：按「接入」收。客戶付的錢，買的是「你能看見我看不見的東西」。這種收入的特性是續約率極高，因為中斷等於放棄自己累積的歷史紀錄。
專案收入要靠業務推進，接入收入會自己長。
第二層
客戶關係會變。
現在我們是供應商。客戶有需求就找我們，需求結束就散。我們的位子在採購清單上。
當我們比客戶更早看出他的問題，位子就換了。我們會變成他的外部雷達。雷達不是採購項目，雷達是決策流程的一部分。
這個轉變聽起來抽象，但它有一個很具體的判準：客戶會不會在做決定之前先問你。如果他決定了才來找你執行，你是供應商。如果他還沒決定就來找你討論，你是雷達。
第三層
護城河會變。
現在我們的護城河是人和經驗。顧問很強、方法論很熟、客戶關係很好。這些都是真的，但這些都能被挖角、被複製、被更低價的團隊模仿。
當資料層成形，護城河就換了材質。那個時候我們的優勢會變成「我們看過別人沒看過的東西」。人會走，這種東西會自己變厚。
而且它有一個特性，跟那家農業機器人公司完全一樣：這個資產買不到，只能長出來。誰想追，得從今天開始把機器開進現場，而且追的過程中，我們的資料還在增加。
5 倍和 58 倍之間。前者留下一份合約，後者留下一層資產。市場願意為後者付十一倍的價，是因為資產會自己長，合約不會。
我們現在的收入，全部落在左邊那一欄。這是事實。
但我們的每一次服務，都在往右邊那一欄搬東西。這也是事實。
兩個事實同時成立，就是我們現在的位置。
紅皇后：看得到的，不一定拿得到
先講故事。
《愛麗絲鏡中奇遇記》裡，紅皇后拉著愛麗絲一直跑，愛麗絲跑得氣喘吁吁，抬頭一看，風景一點都沒變。她問為什麼，紅皇后說：
在這個國度裡，你必須全力奔跑，才能保持在原來的位置。
一九七三年，芝加哥大學的演化生物學家 Leigh Van Valen 把這句話借去解釋生物學，提出紅皇后假說。核心機制是：在一個開放、連結、持續加速的生態系統裡，任何個體的進步都會被系統迅速吸收，變成整個系統的新基準線。
所以紅皇后最狠的地方，不是「要一直跑」。是「你看著別人跑，你的位置一點都沒有動」。
先看台灣的數字。
Meta 委託 YouGov 在 2026 年 8 到 9 月、亞太九個市場做的調查，台灣子樣本顯示，86% 的台灣中小企業說自己已經開始用 AI，94% 計劃在未來一年內用於行銷與內容。
看起來很棒。但資誠 2024 年的調查，換一個問法，只有約 8% 的企業明確應用 AI。
86% 和 8%，差了十倍以上。這不是矛盾，這是同一件事的兩面。86% 的那群人用的是一支手機、一個訂閱帳號；8% 的那群人把 AI 放進了流程、放進了決策。
中間那條鴻溝長什麼樣子，還有一組數字。資誠 2026 年 3 月的新聞稿引述 MIT 研究，超過 90% 的員工回報自己在工作中使用個人 AI 工具，但只有 40% 的企業有提供官方的 LLM 訂閱。
這 50 個百分點，叫做影子 AI。企業不是沒有在用 AI，是員工自己偷偷在用，公司層級沒有任何沉澱機制。沒有人管、沒有資料回流、沒有資產累積。用得很熱鬧，位置沒有動。
但真正讓人清醒的，是另一個數字。
MIT Technology Review Insights 十月那份報告裡，所有受訪企業今天都在某種程度上用著 AI，可是能從部署裡榨出變革性價值的，只有 16%。真正讓 AI 承擔關鍵流程大部分工作的，只有 3%。
也就是說，一百家企業裡，九十七家還停在「有在用」。距離「靠它改變生意」，差得很遠。
而這 16% 跟其他 84% 的差距，報告給的答案還是同一個詞：上下文。誰手上有自己生意的上下文，誰就能把那 16% 拿下來。
這個詞，前面五個入口講的就是它。
這就是台灣企業現在的處境。所有人都知道，動的人卻是少數。買了工具、聽了論壇、看了報告、成立了委員會，然後呢？
然後 AI 的能力每三個月跳一級，你的位置還在那裡。
紅皇后那句話，在 AI 時代的版本是這樣：別人跑，你不會因此落後；但別人的跑會抬高整個賽道的基準線，而那條線抬高之後，你的原地就變成了後退。
這件事對台灣還有一層更深的意義。
我們最會做的硬體，全世界都在買。但硬體賣出去之後，資料留在別人的田裡。我們賺的是製造的錢，不是資料的錢。製造的錢有天花板，資料的錢沒有。
那座礦還在原地，沒有人挖。
而挖礦這件事有一個特性：它不會等人。誰先把機器開進現場，誰就開始累積那條別人追不上的曲線。等曲線拉開了才想進場的人，只能當客戶，買別人整理好的判斷。
台灣現在站在一個很特別的位置上。我們有全世界最密的消費場景、最會做硬體的能力、最貼近第一線的行銷服務經驗。這三件事湊在一起，是挖礦的完整條件。
唯一缺的，是那個念頭：把硬體當成採集器，把服務當成入口，把每一次接觸都當成一層資料留下來。
鏟子我們已經有了。礦就在腳下。
礦不會跑掉，會跑掉的是時間。等別人把礦脈圈完了，我們手上那批鏟子，還是鏟子。
推薦閱讀 AI時代的金礦:
我們很會做鏟子，卻沒留下半塊礦
AI時代的護城河不在演算法，而在現場數據
歡迎訂閱我的文章，第一時間可以收到喔!
常見問題
為什麼文章說台灣只做出鏟子卻沒有留下礦？
因為台灣的硬體與行銷服務多半是一次性交易，賣出去之後資料與價值就留在客戶端或別的平台，自己沒有累積起來，等於只賺了製造財，沒賺到資料財。
Carbon Robotics 這家公司給了什麼啟示？
它表面上賣除草機器人，實際上是透過機器持續在田間拍攝蒐集植物影像，訓練出獨家的大型植物模型。重點在於：誰部署硬體到現場，誰就能持續取得別人拿不到的真實資料。
文中提到的五個行銷服務入口分別觀測什麼？
洞察觀測認知落差、歸因觀測決策路徑、OMO觀測通路斷點、代操觀測專業判斷、工具觀測客戶注意力。五者串連起來就能逐步拼出客戶決策的全貌。
Salesforce 與 Palantir 市銷率差距說明了什麼道理？
兩者同為軟體公司，但 Palantir 市銷率約為 Salesforce 的十倍以上，因為它賣的是沉澱下來的資料與決策系統，客戶黏著度與轉換成本都遠高於單純訂閱席位的服務。