過往，資料分析師跟顧問最值錢的地方，就是能把一堆冷冰冰的數據，翻成老闆聽得懂的商業洞察，告訴企業「下一步該往哪走」。
但這一兩年 Agentic workflow 紅起來之後，這些事被壓縮得超快..跑分析、產報表、做簡報，通通丟給 Agent。這時候，真正還站得住腳的，反而是那個更難被取代的判斷力：哪個問題值得花力氣解、哪個結果可以信、哪個成果真的能變成生意。
七月的數創小聚，我們請到了 Visa Consulting & Analytics（VCA）團隊總監 Sean Huang。他一直站在商業跟技術中間當橋樑，從客群洞察、行銷成效評估、數據與 MLOps 平台導入，一路做到最近的 Agentic 解決方案導入。Sean 從新創的「資料黑手」做起，一路走到今天的數據分析顧問，十多年來陪著台灣不少數位跟 AI 專案從零長到成熟，一路陪伴從「定義商業問題」一路扛到「驗收上線、做出業務成效」的人。
這次 Sean 會用他踩過很多坑的實戰經驗，跟大家聊聊：一個 AI 專案怎麼從一個「講不清楚的模糊需求」開始，怎麼判斷哪些工作可以放心交給 AI、哪些一定要把人留在關鍵環節，最後再用一套 ROI 跟成效評估的框架，回答那個最現實的問題，這個專案，到底值不值得做？另外，Sean 也會聊：測試做完之後，到底要怎麼決定這個專案該上線、該修、還是乾脆喊卡？而真的上線之後，又要怎麼靠不斷迭代跟跨部門對齊，把一個 AI 專案，做到讓大家真的「敢信、敢驗收」
活動大綱
傳統顧問業架構正在被重組
- AI 沒有殺死顧問業，它殺死的是舊的人力金字塔
- 當「跑數據、做投影片」被 AI 做掉，顧問還剩下什麼？
市場扁平化：顧問價值正在往「執行與成效」移動
- 為什麼純策略簡報的溢價在消失
- 最先被衝擊的，是做「綜合分析」的通才
- 能存活、客戶願意付費的：定義問題 ＋ 對成效負責 ＋ 端到端交付
問題定義先行：把模糊需求變成可解、可測的問題
- 顧問的第一個交付，是「問對問題」而不是答案
- 做完 ≠ 有用：很多 AI 做出來了，卻說不清對生意的影響
- 銀行真實場景：客群分群、流失預測、行銷成效歸因
- 一個壞需求 vs. 好需求的對照
邊界判斷：哪些交給 AI、哪些要限制或轉人工
- 用「價值 × 風險」決定全自動、半自動或不做
- 金融業的關鍵考量：資安、法規、隱私和風控
- 邊界要在問題定義階段就設計進去
從「準不準」到「值不值」：ROI 與成效評估框架
- 市場已經用定價投票：顧問業正從「賣時數」轉向「賣成效」
- 變成可測標準的四個步驟：定義成功標準 → 設好 baseline → 想清楚歸因 → 建立討論依據
- precision/recall 高 ≠ 有商業價值
- 驗收不只看財務 ROI，也要看組織與人才的準備度
驗收與迭代：看懂結果、轉成上線建議
- 把測試結果收斂成三種建議：上線 / 修正 / 不做
- 把概念付諸成效的最後一哩：上線後追蹤與迭代
- 跨部門對齊：誰驗收、用什麼指標、多久回看一次
收尾：一個非傳統顧問的範例，與給 AI 專案推動者的 3 個提醒
- 當「做出 agent」不夠，還要建立讓 agent 能被信任、被驗收的機制
- 3 個提醒：先問對問題、驗收看生意、把人留在關鍵迴路
適合對象
- 正在推動 AI 專案的開發者、數據工作者和管理顧問
- 夾在不同 Stakeholders 之間、又得對專案成效負責的 PM 與主管
- 想知道一個 AI 專案怎麼從 Demo 走到能被信任、被驗收的學習者
