Velocity Curve 給我們的價值在於，原本永遠排不進我們待辦清單的工作，現在不僅都在清單上，而且已經真的上線執行了。我們日常營運使用的 AI 比其他同行多，同業看到我們有很多工具已經真的在線上使用，幾乎都很意外。這是這次合作最直接的結果。
改變如何發生
GFM (Gourmet Food Marketplace) 是美國一家 B2B 異國食品平台，目前有 3,500 種產品，團隊裡每個人都深深感受到業務快速成長帶來的瓶頸和陣痛
品項增加，大幅加劇工作負荷
我們認識 GFM 時，他們管著 3,500 個品項，每週還要再上架約 70 個新品。產品上架、排序、補貨、根據銷售速度和保存期限調整訂價、更新型錄、出貨進貨排程、客服等等，沒有一件事真的很難，但每一件都需要耗費人力，每週加起來工時約 130 小時。
真正的困難的地方是，這些工作會隨著公司的品項數目擴大而變得沈重。當品項大幅增加時，一家中小企業就會被自己的成長淹沒。
B2B 不是什麼高深的學問，它有許多小流程，每一個流程都必須做對，否則上一個錯一次，下一個就會變成錯十幾次。當一個流程每週要花掉幾個小時的人力，加總起來就是可觀的營業費用。在我們這種勞力密集的生意裡，成長的痛就是這個樣子。
我們沒做工具，而是讓他們能做工具
我們第一次和 GFM 坐下來談時，就很清楚表示我們不是來幫它們做某個工具。我們是來讓公司裡最懂這個行業的人，有能力做出自己需要的工具。
他們不用把需求寫成規格書交給工程師，再花一筆大錢等上數週，而是下午動手 vibe code 自己需要的工具，傍晚就可以用。真正重要的不是我們在 GFM 時做了什麼，而是我們離開後這些工具無縫融入員工的工作流程裡。
Velocity Curve 不是來幫我們做某一個工具的，它們是來讓最懂這個行業的人有能力自己做工具，讓我們不必等任何人。換句話說，真正重要的是他們離開之後會發生什麼事。
這件事之所以成功，是因為他們把我們當成有能力自己做到的人。他們沒有賣給我們一套系統加一張維護合約。他們把地基打好，把方法教會，然後就離開了。
工具做得出來，還要跑得起來
員工很快做出第一批工具，接著遇到第一個天花板：工具只能在做的那個人電腦上運作，資料無法在整個系統裡同步，每個工具各撈各的資料，數字對不起來。會做工具解決了功能的問題，但沒有解決這個功能如何在全公司運作的問題。
所以我們替 GFM 建了一層基礎設施，讓做好的工具可以馬上安全地部署到雲端，全公司當天就能使用。在這種架構下，公司的資料和程式都有固定放置的地方可供取用，出問題也會有人馬上知道。
Vincent 和 Joanne 為我們打造的東西，可以用「安全的遊樂場」來比喻，讓我們可以自己開發工具處理手上的許多工作，並部署在安全的環境。現在，我們的客服代理機器人可以自動處理 90% 以上的客服工作，還可以彼此制衡、監控工作，並在問題出現時發出警報的代理系統。這些代理機器人全天候運作，並在每一次互動和每一次人類給的回饋下，變得越來越聰明。Vincent 和 Joanne 給我們釣竿，而不是讓我們不斷和他們買魚。
成長不再等於加人或缺貨
每一個新品項都要建檔、上架、陳列、進倉、補貨，並隨著保存期限推移重新訂價。沒有一個步驟是困難的，但如果品項夠多，工作量就會壓垮一家中小企業。
但這件事沒有發生。GFM 積極擴充品項，換來的是更高的在庫率、更有效率的營運，並且有更多餘力去做下一件事。多出來的工作被 agent 吸收掉了，人則出去接洽更多供應商。
以前，我們成長只會帶來兩種結果：請更多人或者缺貨。現在，這兩種狀況都沒有發生。
外部技術長：技術上的判斷交給我們
基礎設施完成後，我們換了一個角色，當 GFM 的外部技術長。GFM 還是有工作要交給外包團隊和兼職工程師，但公司沒有全職的技術主管，也不需要這樣規模的團隊去請一位全職技術長。以前這些事都是 Rebecca 自己盯，盯得到進度，卻不一定判斷得了對錯和合理性。現在找人時由我們面試，評估技術能力和經驗，也看溝通和協作；日常開發會議我們都參與，架構設計和安全性由我們審查，權限和資安相關的工作由我們管理。技術債哪些要先處理、哪些可以往後排，也由我們判斷。
對經營者來說，差別有兩個。一是負擔變輕：不必再親自盯每一件事，也不必硬著頭皮判斷沒把握的技術問題。二是做決策時資訊更完整：哪個選項有風險、哪個會多出成本、哪個需求其實有更便宜的做法，事前就會知道。
GFM 正在使用的工具
十項日常主要營運工作導入 agent 的前後差別
使用 Agent 前使用 Agent 後
- 產品上架
- 45
- 6–10分鐘／品項
- 進貨對帳
- 25
- 5小時／週
- 補貨
- 20–25
- 5小時／週
- 商品陳列
- 15
- 2小時／週
- 客服
- 10–15
- 2–3小時／週
- 路線規劃
- 5–7
- 約 3小時／週
- 訂價研究
- 人工查詢
- 上架時一併完成
- 短效期降價
- 臨時處理
- 每週一次，Slack 點一下
- 降價稽核
- 沒有驗證
- 每一筆改動都檢查
- 倉儲儲位
- 人工
- 即將上線
AI 基礎設施的四個核心
資料安全
AI 用得到資料，但碰不到核心
我們替 AI agent 建了專用的資料庫和 API 服務，跟主要產品的資料庫分開：agent 拿得到最新的業務資料，但動不到核心資料庫和交易邏輯。這是效率和風險的分界線——工具做得再多、跑得再頻繁，都不會影響到正在賣東西的那套系統。
可維護性
工具不受人員去留影響
我們教團隊用 GitHub，並讓 AI agent 把做好的程式自動同步上去。工具從此不綁在一個人的電腦上，任何人都能部署、能接手、能看得到裡面寫了什麼。以前是「東西在某個人的電腦裡」，現在是「東西在公司的倉庫裡」。
權限管理
權限管控嚴明，問責清楚
內部工具通常是最沒有防護的東西：一個網址，誰拿到誰就能用。我們替每個工具加上帳號管理和權限控管，資料只有該看的人看得到，離職或轉調也收得回來。
監控機制
壞掉了會有人知道
自動化最危險的不是報錯，是不報錯——工具靜靜地跑出錯的結果，沒有人發現，直到影響到重要資料。我們加上監控和警報機制，程式出問題時能在第一時間發現並修復。