專案背景 – Planner

專案緣起

在知識密集的行銷與諮詢產業中，我們觀察到一個結構性的資源錯置：高價值的策略人才，正被低價值的執行作業所吞噬。

根據 2025 年的產業研究，代理商在爭取新業務的過程中，付出了不成比例的代價：

鉅額的隱性成本： 平均而言，一家代理商需花費數萬美元甚至更高的成本（包含人力與硬成本）來參與一次大型比稿。更有甚者，高達 83% 的潛在稅前利潤，被消耗在這些投機性的業務開發流程中。
人才錯置：策略顧問與高階企劃人員在專案期間，約有 40% 至 70% 的時間消耗在簡報製作上。這種將策略大腦用於處理格式、排版與素材搜集的現象，被稱為簡報稅（Presentation Tax）。它直接導致了企業內部 25% 的工時無法向客戶收費（Non-billable hours），形成了巨大的效率黑洞。

Planner 專案的目標是將提案流程從勞力密集轉向智慧自動化，釋放被文書工作禁錮的產能，讓專業團隊回歸策略思考與創意發想的核心價值。

儘管生成式 AI（GenAI）普及率高，但在企業核心業務的落地應用上卻面臨瓶頸。研究指出，高達 95% 的企業 AI 試點專案未能成功轉化為可量化的商業價值。其根本原因在於「信任缺口」：

「自信的謬誤」與幻覺風險：通用大型語言模型（LLM）本質上是概率引擎，傾向於生成「看起來合理」而非「事實正確」的內容。在商業情境中，這種「自信的謬誤（Confident Falsehoods）」是致命的。調查顯示，已有 47% 的企業高管承認曾基於 AI 生成的錯誤資訊做出決策。對於創意團隊而言，若在比稿提案中引用了 AI 捏造的市場數據或競爭對手動態，將直接摧毀建立多年的專業信譽。

缺乏領域脈絡（Context）：通用模型缺乏對特定企業內部的「私有數據」——如過往提案、品牌規範、獨特方法論——的理解。這導致產出的內容往往空泛、缺乏靈魂，無法滿足 B2B 採購中對專業度的高標準要求。即使使用了基礎的檢索技術（如標準向量 RAG），傳統 AI 往往只能進行關鍵字的淺層比對，將資訊視為孤立的、扁平的片段。它們無法理解複雜的領域脈絡。致 AI 生成的內容雖然語句通順，卻缺乏靈魂與策略深度，淪為無法打動決策者的平庸模板

Planner 的開發核心，即是將黑盒子模型，轉化一個「可驗證、可追溯、可信任」的生成架構。

為了從根本上解決「幻覺」與「脈絡」問題，Planner 採用了先進的 知識圖譜檢索增強 技術架構。這標誌著從「關鍵字搜尋」向「結構化認知」的轉移：

數據實證與精確度提升

基準測試顯示，相較於傳統向量檢索，引入知識圖譜技術後，回答的精確度提升了 35% ，且在處理複雜商業問題時的正確率達到 80% 至 90% 。更關鍵的是，透過強制 AI 將生成內容錨定在經過驗證的知識庫上，我們成功將幻覺率降低了 60% 至 90% 。

從「片段」到「關聯」的認知升級

傳統的檢索技術將資訊視為孤立的片段，容易斷章取義。而我們的圖學技術將數據映射為具備關係（Relationships）的網絡節點。這使得系統能像人類專家一樣進行「多跳推理（Multi-Hop Reasoning）」，例如理解「市場洞察」如何具體影響「核心創意」。

將原本消耗於文書執行的非計費工時，轉化為高價值的策略產能，直接優化團隊的營運利潤結構。

透過實證生成的機制，杜絕因 AI 幻覺而導致的數據錯誤與合規風險，確保每一次交付都經得起商業檢驗。

讓過往的成功案例不再沈睡，而是轉化為可隨時調用的競爭優勢，實現經驗的標準化傳承與複用。

我們正處於 AI 發展的轉折點：從被動等待指令的聊天機器人（Chatbots），進化為主動執行任務的代理型 AI（Agentic AI）。Gartner 預測，這將是未來最具影響力的趨勢。

Planner 正在實踐這一願景，將提案視為一個完整的代理工作流（Agentic Workflow）：

目標導向的執行力：系統不再是被動反應，而是能接收高層次目標（例如：「為客戶 X 製作年度提案」），並自主將其拆解為研究、分析、撰寫、排版等多個子任務。
端到端的自動化：透過整合「雙手」（執行工具）與「大腦」（知識圖譜），處理從非結構化的 Brief 分析到最終 PPT 格式調整的完整流程。這直接回應了產業對於釋放高階人才時間、降低重複性勞動的迫切需求。

我們相信，未來的組織智慧將不再沈睡於硬碟的檔案中，而是透過 Planner，成為可隨時調用、持續進化的競爭優勢。