垂直 AI 為什麼贏得了通用巨頭？三個台灣看得懂的關鍵
在 ChatGPT 什麼都會的年代，一家只服務婚禮花藝師的公司月費收 138 美元，還有一百多位客戶買單。這不是特例，而是 2026 年最被低估的產業結構——垂直 AI 靠的不是模型更強，是三件通用巨頭做不到的事。
垂直 AI 為什麼贏得了通用巨頭？三個台灣看得懂的關鍵
有一家美國公司叫 Fiory.AI，做的事情窄到近乎荒謬：它只服務婚禮花藝師。月費 138 美元，官網說有一百多位美國花藝師在用。
這在 2026 年聽起來很不合理。ChatGPT 能看圖、能算成本、能寫提案，功能上完全涵蓋 Fiory 做的每一件事，而且更便宜。那為什麼還有人付錢？
答案不在技術，在工作流。婚禮花藝師的痛點不是「我需要一個 AI」，是「新人傳了十二張 Pinterest 照片，我要在今天晚上生出一份有花材明細、有逐支報價、有電子簽名、還能收訂金的提案」。Fiory 從看圖拆花材一路做到收款不抽手續費，ChatGPT 只能幫你完成其中的一小段。
這個落差，就是垂直 AI 的生存空間。而且它比多數人以為的更寬。
為什麼通用模型吃不下垂直場景
過去兩年有個很流行的說法：垂直 AI 是「套殼」，等基礎模型再強一點就會被吃掉。兩年過去了，基礎模型確實強了很多，但垂直工具不但沒消失，數量還在增加。
原因可以拆成三層，而這三層剛好都是模型能力提升解決不了的。
第一層：流程整合，不是能力
Aiello 是台灣團隊做的飯店客房語音助理。它的技術難度真的比智慧音箱高嗎？未必。但差別在於：客人說「我要毛巾」之後會發生什麼事。
通用音箱聽懂了，回你一句「好的」，然後就沒有然後了。Aiello 的價值在於這句話會變成房務系統裡的一張工單——有人接、有紀錄、有完成時間、有事後的客需統計可以拿來排班。
語音辨識只是入口，接進工單系統才是產品。而工單系統長什麼樣子，每個產業都不一樣，這件事沒辦法靠模型變聰明來解決。
第二層：專業語料的密度
鴻海研究院做 FoxBrain 的時候，把製造業的產業知識放進訓練語料。這個決定的意義，要在製造現場才看得懂。
「稼動率」「治具」「SPC 管制圖」這些詞，在通用語料裡的出現密度極低。通用模型不是完全不懂，但它的理解深度就是不夠——問它一個製程異常的判斷，它給得出一段看起來合理的分析，可是老師傅一看就知道不對。
同樣的道理適用於每一個專業領域：法務的契約術語、醫療的臨床路徑、金融的交割流程。語料密度是結構性的差距，不會因為模型參數變多而自動消失。
第三層：誰承擔責任
這是最少被討論、但我認為最關鍵的一層。
一套醫療影像 AI 要用在臨床診斷上，在台灣必須經食藥署查驗登記取得許可證。沒有許可證的產品，能力再強也不能用——這不是市場偏好，是法規紅線。滲透測試工具也一樣，未經授權對他人系統測試，在台灣可能觸犯刑法的妨害電腦使用罪。
通用 AI 公司不會為了一個垂直市場去跑完各國的醫材認證、去承擔專業責任保險、去建立稽核軌跡。但垂直玩家會，因為那就是它的全部生意。
台灣看得懂的三個實例
溫室：從畫圖到下指令
設施農業的 AI 過去多半停在「把溫濕度畫成漂亮曲線」，決策還是丟回給栽培師。Koidra 這類產品往前走了一格——它真的會下控制指令去調整氣候與補光，而且會把即時電價算進補光決策。
這件事通用 AI 做不到，不是因為算不出來，是因為它沒有接上你的環控主機。細節可以看我們的溫室與設施農業 AI 專文。
美業：漏接的那通電話
台灣的美髮設計師手上正在染髮時，電話響了就是接不了。這不是效率問題，是實打實的漏單。
Blismo、Zenoti 這類美業平台，把 AI 接聽做進預約系統裡——接到電話、問清楚要做什麼服務、算出需要多久、查設計師的空檔、直接成立預約。每一步都綁著那家店的服務項目與時長設定。完整的評估方式，我們另外寫在預約型服務業的 AI 櫃檯。
馬廄：先學會正常，才找得到異常
英國諾丁漢大學的衍生公司 Vet Vision AI 做馬匹的行為監測，它的技術路線很有啟發性：不設通用的異常標準，而是先花時間學會「這匹馬的正常長什麼樣」，之後偏離才有意義。
因為馬的個體差異太大——有些一晚躺三次，有些幾乎整夜站著睡，兩者都正常。設一套通用門檻的結果，是大量誤報加上真正的異常被淹沒。
這個洞察不是 AI 的洞察，是養馬的人才有的洞察。
台灣團隊該從哪裡切入
如果你在想做垂直 AI，我會給三個很實際的判斷標準。
第一，選一個你真的待過的產業。 上面三個例子的共同點是，做產品的人知道那個產業的人每天在痛什麼。這種知識不能靠訪談速成，訪談問得出「流程是什麼」，問不出「哪一步最讓人抓狂」。
第二，確認那個痛點值錢。 婚禮花藝的客單價高，所以 138 美元的月費算得過來；台灣的機車行情查詢單次價值低，所以 Motobook 只能走免費模式靠其他方式變現。同樣的技術，商業模式完全不同。
第三，把整合做深，別停在功能。 一個能寫報價單的 AI 是功能，一個能從看圖拆花材一路做到收款的系統是產品。前者會被通用工具吃掉，後者不會。
至於通用 AI 工具該怎麼用在日常工作，我們整理過用 AI 自動化工作的實務做法，跟垂直工具是互補而非取代的關係。
TheAI學院 總結與評語
我觀察這個領域兩年多，最大的感受是：垂直 AI 的護城河從來不在 AI。
真正擋住競爭者的，是那些看起來很無聊的東西——飯店的工單流程、製造業的行話、醫材的許可證、花藝師的花材資料庫。這些東西累積起來很慢、很瑣碎、一點都不性感，但正因為如此，有錢有人的通用巨頭也懶得做。
評語：如果你的垂直 AI 產品，把 AI 那一層拿掉之後就什麼都不剩，那它遲早會被通用工具吃掉；反過來，如果拿掉 AI 之後還是一套有價值的行業系統，那 AI 只是讓它更好用而已——這種產品才活得久。
給台灣團隊的具體建議：台灣最大的優勢其實是製造業與服務業的密度——每一種行業都有，而且離你家開車半小時就到。這比矽谷團隊只能靠 Zoom 訪談的情況好太多。挑一個你有真實人脈的產業，去待一個禮拜，把最讓人抓狂的那三件事寫下來。那張清單的價值，比你研究三個月的模型架構高。
資料來源
本文依各產品官方公開資訊整理，功能與定價以官網當下公告為準。
常見問題
垂直 AI 會不會最後還是被通用大模型吃掉？
取決於它的價值來自哪裡。如果產品的核心只是「把提示詞包裝得漂亮一點」，那通用模型變強就會取代它。但如果它的價值在流程整合（接進客戶的工單、ERP、金流系統）、專業語料累積或法規責任承擔，那就不容易被取代——因為通用 AI 公司沒有動機為單一垂直市場做這些苦工。判斷方式很簡單：把 AI 那一層拿掉，剩下的東西還有沒有價值。
台灣團隊做垂直 AI 有什麼優勢？
最大的優勢是產業密度與地理距離。台灣製造業與服務業的類型極為齊全，而且多數離你開車半小時內就到得了——你可以真的去工廠站一天、去沙龍坐一個下午。這種第一手的觀察，是矽谷團隊只能靠遠距訪談所取代不了的。劣勢是市場規模小，所以選題時要優先考慮「能不能複製到其他市場」。
垂直 AI 一定要自己訓練模型嗎？
多數情況不用，而且不該。自訓模型的成本極高，對絕大多數垂直應用來說投資報酬很差。務實的做法是用現成的基礎模型，把力氣花在檢索強化、流程整合與領域知識的結構化上。真正需要自訓或深度微調的，通常是語料極度專業（醫療影像、工業感測訊號）或資料完全不能出境的場景。
評估要不要買垂直 AI 工具時，該看什麼？
三個問題。第一，它能不能接上你既有的系統（工單、ERP、會計、預約）——接不上就只是多一個要切換的視窗。第二，它處理你的語言與在地情境的實際表現如何，務必用你自己的真實資料測，不要看原廠示範。第三，如果你的產業有法規要求（醫材許可、個資、金融合規），先確認合規狀態再談功能。這三題的順序不要顛倒。
