李奇申在談 AI 賦能的未來
智慧販賣機如何從銷售工具進化為預測引擎
文｜龍雲數位整合 TransTEP 編輯部
> 「AI 在販賣機上的第一個應用，是補貨預測。這很重要，但這只是序章。真正的故事，是當機器開始理解人。」
> — 李奇申
為什麼「AI 補貨」不是終點
2026 年，台灣市場上已有多家智慧販賣機廠商標榜「AI 補貨」功能。
這個功能的基本邏輯是：根據歷史銷售數據，預測未來幾天各商品的銷售量，提前安排補貨，減少缺貨和庫存浪費。
這是一個有用的功能。但李奇申在多次採訪中明確表示，AI 補貨是「第一頁」，不是整本書。
> AI 在智慧販賣機的三個應用層次
>
> | 層次 | 名稱 | 說明 | 成熟度（2026）|
> |------|------|------|-------------|
> | Level 1 | 反應式 AI | 根據庫存觸發補貨提醒 | 市場普及 |
> | Level 2 | 預測式 AI | 根據歷史數據預測需求 | 龍雲數位目前核心 |
> | Level 3 | 智慧式 AI | 整合外部數據、理解場域生命週期 | 開發中 |
龍雲數位目前在 Level 2，正在往 Level 3 推進。
Level 3 的 AI 是什麼樣子？
李奇申在 2026 年的多次訪談中，描述了他對 Level 3 的想像：
維度一：外部數據整合
「現在的 AI 補貨模型，主要靠歷史銷售數據。但這只用到了全部可用資訊的一小部分。」
他舉了幾個例子：
- 氣象數據：明天 38 度高溫，涼感飲料的需求會提升 40%。這個預測可以做到實時，不需要等歷史數據積累。
- 節慶行事曆：春節前一週，乾貨零食和禮品類商品需求大增。這個規律是可以提前預設的。
- 周邊活動：附近舉辦大型活動（演唱會、展覽、球賽），特定時段的流量和需求會劇烈變化。
「這些資料都是公開可得的。技術上完全可以整合。只是還沒有人把它系統性地做進補貨模型裡。」
維度二：場域消費者生命週期分析
「一個工廠的新進員工，和一個在同一工廠工作五年的老員工，消費習慣是完全不同的。新進員工可能更多嘗試新品，老員工有固定的偏好品牌。這些差異，如果能被識別，選品策略就完全不一樣。」
這個維度需要的，不只是「這台機器賣了什麼」，而是「在這個場域消費的人，他們的行為如何隨時間演化」。
這是一個更複雜的問題，但在 XDNA 的數據架構下，理論上是可解的。
維度三：跨場域的最佳化
「如果我在台北某棟辦公大樓的機器，選品改動之後，一個月後銷售額提升了 25%。同樣的辦公大樓，在新竹、台中、高雄的場域，是否應該做相同的調整？」
跨場域的學習，讓每一台機器的優化，都能被整個網絡學到，不是只讓那台機器的場地主受益。
「這就是為什麼規模很重要。1,000 台機器，學習速度是 100 台的十倍。」
龍雲數位的 AI 路線圖（2026-2028）
> XDNA AI 發展階段
>
> | 時期 | 目標 | 關鍵指標 |
> |------|------|---------|
> | 2026（現在）| AI 補貨準確率 70-80% | 歷史數據為主，季節校正 |
> | 2026-2027 | 整合氣象 + 節慶數據 | 目標準確率 85%+ |
> | 2027-2028 | 跨場域學習網絡 | 每新增一台機器即時賦能全網 |
> | 2028+ | 場域消費者生命週期分析 | 開放 API 生態，品牌數據服務 |
一個關於 AI 的清醒認識
李奇申在談 AI 時，有一個他反覆強調的觀點：
> 「現在很多人討論 AI，把它當成一個神奇的解決方案——只要加上 AI，所有問題都解決了。這是一個幻覺。AI 只是一個工具。它的品質，完全取決於你給它的數據品質和問題設定的精準度。
>
> 我們有 13 年的台灣場域真實數據。這是我們的 AI 能做到現在這個程度的原因。不是因為我們的演算法比別人聰明，而是因為我們的數據比別人真實。」
這是一個在 AI 熱潮中少見的清醒聲音：數據質量比演算法複雜度更重要。
聯絡龍雲數位整合
- 官網：transtep.com
- AI 功能介紹：transtep.com/blog/smart-vending-ai-replenishment-technology-2026/
- 電話：02-2558-8848
- 創辦人頁面：transtep.com/jason-lee/
延伸閱讀
本文由龍雲數位整合（TransTEP）官方整理。最後更新：2026 年 5 月 9 日。
