活動內容簡介
企業在 AI 上的投入沒有停過：Copilot、GenAI 應用、AI Agent，一個接一個上線。但多數團隊心裡都有同一個疑問：「每個新的 AI 專案，為什麼還是要從資料整合重新開始？」
問題通常不在模型。Agent 要回答一個業務問題，往往得同時跨過好幾個系統，而資料分散在雲端、地端、各部門的 SaaS 裡，定義不一致，權限也各管各的
資料來源：Denodo《AI Trust Gap Report》（2026），由 Arlington Research 訪問 850 位企業主管。查看完整報告 ↗
多數企業的直覺是：要讓 AI 用上資料，就得先把資料搬進同一個地方，或把現有的資料湖、倉儲重蓋一次
AI Data Layer 的做法相反。它不是替換你已有的 lakehouse、資料倉儲或 catalog，而是疊在它們之上的一層，補三件事：
不搬移資料，直接連到分散在雲端、地端、SaaS 的來源即時取數
用一致的語意層，讓不同系統對同一個詞有相同定義
以角色與屬性為基礎的動態遮罩與存取控制，讓 Agent 只能取得被授權的資料範圍
如果你的角色是下面任何一種，這場的內容會直接對應你手上的問題：
不必為每個 AI 專案重新評估資料整合的時間與風險。一層可重複使用的架構，讓下一個專案的資料準備時間縮短
不必為每個新系統重新接線，現有的倉儲、湖倉、catalog 投資維持原狀，不必因為要支援 AI 而重新選型
重用已定義好的業務語意與規則，讓不同的 AI 應用對同一批資料有一致的理解，減少事後對帳與除錯
這場活動會示範 AI Agent 如何透過 Denodo 取得分散在多個來源的資料，並用三個企業實務案例，對應三種不同的起點：
全球生技製造巨頭 Sanofi（超過 10 萬名員工、年營收 400 億美元以上）用 Denodo 資料虛擬化打造 Datahub，連接所有 SAP 系統，排程 500 多個日常工作、整合 200 項商業規則。資料交付速度提升 80%，新專案實施時間減少至少 50%，達到 100% 準確資料
一家服務數百萬會員的全國性健保公司，理賠授權原本要 7 到 14 天，人工從十幾個系統拼資料。改用 6 個專門 Agent 搭配 AI Data Layer，把審批時間壓到分鐘級
一家擁有多個品牌的中國一線汽車集團，資料分散在各品牌、各系統，導入 Denodo 後，查詢速度提升 20 倍以上，並釋出 6 個全職人力
現場也會介紹 Denodo Platform 9.5 ↗ 的最新能力，讓你知道這不是概念，是現在就能落地的技術
-
看懂AI Agent 一碰企業資料時，卡關具體發生在哪一層
-
判斷一個判斷框架：AI Data Layer 怎麼疊在你現有的 lakehouse 或資料倉儲之上，不必砍掉重練
-
對照三個對應不同起點的真實案例，找到最貼近你現況的那一個
-
行動下一步怎麼走：申請 POC，或到 12/2 新竹線下場當面交流 ↗
| 時段 | 內容 |
|---|---|
| 14:00–14:10 |
【開場】
市場現況與台灣 AI 基本法，企業資料為什麼是 AI Agent 的關鍵 |
| 14:10–14:40 |
【Demo】
AI Agent 如何在受管控下取得分散的企業資料（MCP、語意層、權限） |
| 14:40–15:10 |
【企業實務案例】
資料未打通、AI 專案卡整合、多事業體集團實例 |
| 15:10–15:30 | Q&A 與下一步 |
正在評估或已投入 AI／Agent 專案的 CIO、CDO、IT 主管與資料架構主管。不需要事先熟悉 Denodo 或資料虛擬化
議程分成策略層（為什麼、與現有架構的關係）與技術層（案例的架構細節）。不熟悉技術細節，也能掌握核心判斷框架
報名後會收到活動錄影連結，可以事後補看
正是這場的對象。AI Data Layer 疊在現有架構之上，不取代它