[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-kpmg-openai-deal-turns-saas-into-agents-zh":3,"article-related-kpmg-openai-deal-turns-saas-into-agents-zh":29,"series-industry-945dcec7-8a08-47c7-90de-3f12a531529f":74},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":11},"945dcec7-8a08-47c7-90de-3f12a531529f","kpmg-openai-deal-turns-saas-into-agents-zh","KPMG 這招把 SaaS 變代理人","\u003Cp data-speakable=\"summary\">以前是人先點 SaaS，現在是 AI 先接手流程，SaaS 退回當紀錄庫。\u003C\u002Fp>\u003Cp>我盯 enterprise 軟體很久了，越看越煩。介面越做越滿，儀表板越疊越多，最後工作還是卡在五個分頁、三個簽核、外加一串沒人想接的 Slack。最怪的地方是，很多團隊把 AI 貼在舊系統上面，就說自己在做轉型。結果呢？使用者還是要自己找畫面、找\u003Ca href=\"\u002Fnews\u002Fvector-databases-financial-search-market-growth-zh\">資料\u003C\u002Fa>、找流程、找人救火。這種東西不叫 AI-native，我只覺得像把霓虹燈貼在破牆上。\u003C\u002Fp>\u003Cp>我會開始注意 KPMG 這份公告，是因為它講法比較老實。原始來源在這裡：\u003Ca href=\"https:\u002F\u002Fkpmg.com\u002Fus\u002Fen\u002Fmedia\u002Fnews\u002Fkpmg-openai-strategic-alliance.html\">KPMG and OpenAI form Strategic Alliance to Advance AI-Native Enterprise Workflows\u003C\u002Fa>。它不是在賣一個「聊天機器人加在旁邊」的\u003Ca href=\"\u002Fnews\u002Fgoogle-q2-2026-results-ai-spend-story-zh\">故事\u003C\u002Fa>，而是在講 AI 變成工作入口，企業應用繼續當紀錄來源。這個切法，才像真的有做過 enterprise 的人會講的話。\u003C\u002Fp>\u003Ch2>別再把 AI 當功能貼紙\u003C\u002Fh2>\u003Cblockquote>“The alliance is an important milestone in KPMG’s effort to help clients move beyond application-centric experiences toward a new enterprise operating model where AI becomes the system of engagement, and enterprise applications continue to serve as the systems of record.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：舊 app 還在，但它不該是大家每天盯著看的主角。AI 變成前台入口，幫人把事情跑完；SaaS 留在後面，負責把資料記準、把規則守住。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785090792571-6apd.png\" alt=\"KPMG 這招把 SaaS 變代理人\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前做過內部工具改版，團隊很愛先改 UI，覺得按鈕更漂亮、流程更順眼，採用率就會上去。結果完全不是。真正卡住的不是畫面，是流程。只要使用者還得記得資料在哪、表單怎麼填、哪個審批路徑走哪條，工具就已經輸了。\u003C\u002Fp>\u003Cp>實操寫法很簡單：先不要問「哪裡能加 \u003Ca href=\"\u002Ftag\u002Fcopilot\">copilot\u003C\u002Fa>」，先問「哪一段工作不該讓人再看到」。把那些步驟列出來，像是查狀態、補上下文、轉派、追簽核、補資料，然後讓 AI 去接這些動作。\u003C\u002Fp>\u003Cp>我會建議你先畫兩張圖：一張是現在的使用者點擊路徑，一張是理想的任務路徑。中間少掉的每一個畫面，都是 AI 可以吃掉的空間。\u003C\u002Fp>\u003Ch2>系統紀錄層要穩，互動層才有戲\u003C\u002Fh2>\u003Cp>KPMG 把 AI 說成 system of engagement，把企業應用留作 system of record。這句話很像顧問話，但我承認它有用，因為它把責任切乾淨了。\u003C\u002Fp>\u003Cp>白話講，system of record 就是 ERP、CRM、財務、案件管理這些不能亂動的東西。system of engagement 則是人跟資料、流程互動的那一層。以前這層是 portal、表單、workflow screen；現在 KPMG 的意思是，這層可以交給 AI 先處理。\u003C\u002Fp>\u003Cp>這件事重要，是因為大多數員工根本不想「使用軟體」。他們只想把任務做完。軟體如果還要人自己翻來翻去、自己整理上下文、自己找下一步，那它就只是在消耗注意力。我看過太多財務流程，大家花最多時間不是做判斷，是把人話翻譯成系統語言，真的很浪費。\u003C\u002Fp>\u003Cul>\u003Cli>讓 AI 去理解意圖，不要只回答問題。\u003C\u002Fli>\u003Cli>把 truth layer 留給系統紀錄，別讓 AI 亂改。\u003C\u002Fli>\u003Cli>讓互動層負責摘要、路由、下一步建議。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法：先把你的流程拆成「真實資料在哪裡」和「人怎麼把事情做完」。如果 AI 只能碰前者就失控，那你不是在做架構，你是在賭運氣。\u003C\u002Fp>\u003Ch2>client-zero 才像真的要落地\u003C\u002Fh2>\u003Cp>這份公告裡我最在意的是 client-zero。KPMG 說它是在 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 自己的環境裡先做內部部署，拿自己的流程先跑一遍，再拿去對外推。這比漂亮簡報有說服力多了。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785090796785-vbvh.png\" alt=\"KPMG 這招把 SaaS 變代理人\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>client-zero 的意思很直白：先拿自己當白老鼠。這樣才會早點撞到難題，像是權限怎麼切、例外怎麼處理、哪些流程其實太髒不能自動化、哪些資料不能亂碰。很多 \u003Ca href=\"\u002Ftag\u002Fenterprise-ai\">enterprise AI\u003C\u002Fa> 專案死掉，不是模型不行，是根本沒先在真實工作流裡挨打。\u003C\u002Fp>\u003Cp>我看過太多 pilot 在 demo 裡超順，進 production 就當場翻車。原因通常很俗：例外情況沒算進去、權限沒設好、審計沒做、業務流程其實比大家嘴上講的還亂。這種坑不是靠「再優化一下 prompt」就能補的。\u003C\u002Fp>\u003Cp>實操寫法：你要上 AI 前，先開一條 client-zero lane。用你自己的內部 support、採購、法務、財務或 IT 流程先跑。先把最醜的例外情境跑出來，再談外部部署。\u003C\u002Fp>\u003Cp>我會把這個階段當成唯一可信的驗證。別急著對外秀成果，先證明你自己公司能活下來。\u003C\u002Fp>\u003Ch2>forward-deployed engineer 才是交付核心\u003C\u002Fh2>\u003Cp>公告裡還有一個我很買單的字眼：forward deployed engineer。KPMG 說它會把資深工程師直接嵌進 OpenAI 團隊，還會讓自家 FDE 去做 OpenAI 的訓練。這不是裝飾，這是交付模型。\u003C\u002Fp>\u003Cp>原因很簡單：\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa> 最常死的地方，不是 model quality，而是 business intent 跟 production reality 中間那段爛泥。你需要有人坐在客戶旁邊，懂流程、懂整合、懂安全審查、懂怎麼把東西塞進現有 stack 還不爆炸。這不是單純 sales，也不是純 PM，這是工程加上現場感。\u003C\u002Fp>\u003Cp>我見過太多 prototype 聰明到不行，結果一到正式環境就完全不能活。FDE 的價值就在這裡：不是先做出概念，而是先想它怎麼在真實環境裡活下來。\u003C\u002Fp>\u003Cul>\u003Cli>工程師要跟業務一起坐，不要只跟平台團隊開會。\u003C\u002Fli>\u003Cli>把 production constraints 拉進 discovery，不要等到最後才驚訝。\u003C\u002Fli>\u003Cli>先想 permissions、audit logs、fallback paths、人工覆核。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法：每個 AI 專案至少分兩個 owner，一個盯 workflow，一個盯系統邊界。如果這兩件事都丟給同一個人，最後通常不是做出脆弱系統，就是做出沒人敢用的系統。\u003C\u002Fp>\u003Ch2>公共部門最缺的是少一點 portal\u003C\u002Fh2>\u003Cp>KPMG 也提到它會把這套合作放進公共部門 SaaS，像 KRIS Connected 這類工具，目標是讓機關從 siloed legacy systems 走向連動的 case management、service delivery 跟 decision support。這段我特別有感，因為政府軟體長期都在重複同一種毛病：再多一層入口，卻沒少一個步驟。\u003C\u002Fp>\u003Cp>公共部門真正需要的不是更多表單，而是減少民眾、承辦、主管來回切換的次數。如果 AI 能幫忙做案件分流、摘要歷史、找缺件、加速轉派，那才叫有用。若只是把聊天框貼在爛流程上，大家只會更煩。\u003C\u002Fp>\u003Cp>公告裡還說這些 AI 解法可以用 incremental 的方式現代化，降低風險，加快 time to value。這句我很認同。政府專案最怕 big-bang rewrite，因為那種東西通常不是上線，是爆炸。\u003C\u002Fp>\u003Cp>我看過機關被大平台替換案坑過，說要一次清乾淨，結果一年都在救火。比較務實的做法，是先包一層 intelligence 在外面，先把高摩擦步驟削掉，再一段一段換掉底層。\u003C\u002Fp>\u003Cp>實操寫法：先挑一個最痛的公共流程，比如 intake、triage、status lookup。先讓 AI 幫\u003Ca href=\"\u002Fnews\u002Fopus-5-fewer-refusals-ship-faster-zh\">你少\u003C\u002Fa>掉手動轉接和重複輸入，紀錄系統先別動。\u003C\u002Fp>\u003Ch2>資安場景才看得出 AI 有沒有真本事\u003C\u002Fh2>\u003Cp>KPMG 也把合作接到 OpenAI Daybreak Cyber Partner Program，想把 AI 用在 threat detection、security operations、AI-powered \u003Ca href=\"\u002Ftag\u002Fcybersecurity\">cybersecurity\u003C\u002Fa>。這塊我反而比較不排斥，因為 security 本來就活在大量 alert、summary、triage 裡面。\u003C\u002Fp>\u003Cp>資安團隊最需要的是更快的 pattern recognition、更好的優先順序、還有少一點低訊號噪音。如果 AI 能在可信邊界裡幫忙整理、關聯、排序，那它就不是裝飾，是實際工作的一部分。\u003C\u002Fp>\u003Cp>但我還是保留。資安是最愛講得很滿、做得很虛的地方。如果模型講不清楚自己為什麼 flag 某件事，或是流程讓 analyst 更慢，那這工具最後只會變成另一個要人照顧的東西。\u003C\u002Fp>\u003Cp>實操寫法：先把 AI 放在 summarization、correlation、prioritization，不要一開始就讓它自己下動作。先讓 analyst 願意用，再談半自動化回應。\u003C\u002Fp>\u003Cp>我會把資安當成驗證場景，因為它最容易看出 AI 是在幫忙，還是在製造新工作。\u003C\u002Fp>\u003Ch2>我會直接偷走的做法\u003C\u002Fh2>\u003Cp>這份 KPMG x OpenAI 合作最值得偷的，不是標題，而是架構語言。AI 當 system of engagement，應用當 system of record，client-zero，forward-deployed engineers，incremental modernization。這些字眼都很務實，因為它們在講交付，不是在講夢話。\u003C\u002Fp>\u003Cp>如果我明天要做一個 enterprise AI 專案，我會直接照這個骨架走：先定義紀錄層，再重畫互動層；工程師貼近流程；先拿內部營運測；最後才碰客戶或民眾。這樣做很不帥，但比較像真的會上線。\u003C\u002Fp>\u003Cp>很多人習慣從 model 開始往回推，我比較想反過來。先看 workflow，再問哪個 model 該插在哪裡。這樣少掉很多幻覺，也少掉很多 demo 失敗的尷尬。\u003C\u002Fp>\u003Cul>\u003Cli>先拆 workflow，再選模型。\u003C\u002Fli>\u003Cli>先保住紀錄層，再改互動層。\u003C\u002Fli>\u003Cli>先內部驗證，再外部擴張。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI-native enterprise workflow template\n\n## 1) 定義分工\n- System of record：主資料、稽核紀錄、簽核、合規控制\n- System of engagement：AI 層，負責理解意圖、抓上下文、路由工作、摘要與草擬下一步\n\n## 2) 選一條流程\n挑一條符合這些條件的流程：\n- 步驟重複\n- 例外情況明確\n- 延遲可量化\n- 最後仍需要人工覆核\n\n範例：\n- 案件受理\n- 財務申請路由\n- 事件分流\n- 員工支援\n- 供應商 onboarding\n\n## 3) 畫出現在的痛點\n列出：\n- 哪些地方一直在點\n- 哪些資料一直在複製貼上\n- 哪些簽核一直卡住\n- 哪些上下文一直遺失\n- 哪些例外一來流程就壞\n\n## 4) 設計 AI 互動層\nAI 層應該：\n- 理解使用者意圖\n- 從紀錄層抓上下文\n- 摘要重點\n- 提議下一步\n- 草擬給人覆核的動作\n- 記錄每一步\n\nAI 層不該：\n- 變成真實資料來源\n- 悄悄修改關鍵紀錄\n- 跳過審批規則\n- 隱藏不確定性\n\n## 5) 跑 client-zero\n正式對外前先做這些：\n- 用你自己的內部流程\n- 測真實例外，不測 demo 案\n- 拉進 security、legal、ops\n- 量測省時與失敗模式\n\n## 6) 配交付角色\n至少要有：\n- 一個 workflow owner\n- 一個 systems owner\n- 一個 security reviewer\n- 一個貼近業務的 engineer\n\n## 7) 先輔助，再自治\nPhase 1：\n- 摘要\n- 分類\n- 路由\n- 草擬\n\nPhase 2：\n- 建議\n- 預填\n- 驗證\n\nPhase 3：\n- 有限自動動作 + 人工覆核\n\n## 8) 量你真的在乎的東西\n追蹤：\n- 完成時間\n- handoff 次數\n- 錯誤率\n- 例外率\n- 使用者滿意度\n- 分析師或客服負載\n\n## 9) 漸進上線\n一次只換一個步驟。\n不要整條流程一起重寫。\n\n## 10) 讓紀錄層保持無聊\nAI 層掛掉時，紀錄層還要能運作。\n如果紀錄層掛掉，先停下來修那個。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會真的拿去改的版本。其他都可以先放旁邊。\u003C\u002Fp>\u003Cp>來源是 KPMG 的原始公告：\u003Ca href=\"https:\u002F\u002Fkpmg.com\u002Fus\u002Fen\u002Fmedia\u002Fnews\u002Fkpmg-openai-strategic-alliance.html\">kpmg.com\u002Fus\u002Fen\u002Fmedia\u002Fnews\u002Fkpmg-openai-strategic-alliance.html\u003C\u002Fa>。上面這篇拆解裡，架構翻譯、實操方式、模板整理都是我自己延伸出來的。\u003C\u002Fp>","我把 KPMG 跟 OpenAI 的合作拆成一個可抄的企業 AI 流程模板：AI 當操作層，SaaS 留著當紀錄層。","kpmg.com","https:\u002F\u002Fkpmg.com\u002Fus\u002Fen\u002Fmedia\u002Fnews\u002Fkpmg-openai-strategic-alliance.html",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785090792571-6apd.png","industry","zh","3dabe3a5-6bec-4d4b-9127-e83073d42ad5",[17,18,19,20,21],"enterprise AI","system of engagement","system of record","forward-deployed engineer","client-zero",[23,24,25],"AI 應該先接管工作入口，SaaS 留在後面當紀錄層。","client-zero 和 FDE 才是 enterprise AI 能不能落地的關鍵。","最實用的做法是先拆 workflow，再決定模型怎麼插。",0,"2026-07-26T18:32:51.378834+00:00","2026-07-26T18:32:51.368+00:00",{"tags":30,"relatedLang":33,"relatedPosts":37},[31],{"name":17,"slug":32},"enterprise-ai",{"id":15,"slug":34,"title":35,"language":36},"kpmg-openai-deal-turns-saas-into-agents-en","KPMG’s OpenAI deal turns SaaS into agents","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"e3b46881-e490-44f9-b86d-0ea729422b8c","waic2026-ai-agent-embodied-landing-zh","WAIC2026把AI從參數堆到落地","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785092632780-79pe.png","2026-07-26T19:03:13.385596+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"93de4b89-e2e9-4123-ac95-ea708b7e54f7","moonshot-ai-anthropic-copying-dispute-zh","Moonshot AI 捲入 Anthropic 抄襲爭議","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785088976195-ccdf.png","2026-07-26T18:02:28.508396+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"502550a2-2898-420b-96e6-94cfa30252f1","vector-databases-financial-search-market-growth-zh","向量資料庫會重塑金融搜尋，但不會取代核心系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785070982837-6kjm.png","2026-07-26T13:02:19.809149+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"811eab3e-0105-455c-b196-83d77bb29e52","google-q2-2026-results-ai-spend-story-zh","Google Q2 2026：AI支出已成估值主軸，不再只是搜尋故事","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785033163241-3n0s.png","2026-07-26T02:32:19.848016+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"8a081a75-f194-4e1c-9289-a36ac221f048","ai-regulation-india-business-risk-2026-zh","印度 AI 監管已成商業風險","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785031373528-ak4r.png","2026-07-26T02:02:33.344117+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"af446384-5a3b-4675-9df8-8797809f33fd","europe-should-standardise-ai-act-harmonised-rules-zh","歐洲該用統一技術標準落實 AI Act","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785029576170-tlby.png","2026-07-26T01:32:30.58516+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":81,"slug":82,"title":83,"created_at":84},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]