以 DoorDash 接入 Kimi 協助內部軟體開發為案例
| 面向 | 核心重點 |
|---|---|
| 基本概念 | APP 不必自行訓練大型模型，可透過 API、雲端平台或自行部署的開放權重模型取得 AI 能力。 |
| 可見功能 | 對話客服、搜尋、推薦、翻譯、寫作、圖片理解、語音互動、教學與無障礙服務。 |
| 不可見功能 | 程式開發、程式碼審查、內部知識搜尋、資料分類、內容審核、詐欺偵測與工作流程自動化。 |
| 多模型策略 | 同一 APP 可依任務難度、成本、速度、語言、資料敏感度與可用性，把工作分配給不同模型。 |
| DoorDash 案例 | DoorDash 將 Kimi 接入內部軟體開發流程，處理部分較基礎的程式任務；這不是把 Kimi 直接當成外送客服。 |
| 為何不只用 OpenAI | 企業會比較價格、延遲、準確率、部署方式、資料治理、開放權重、供應商風險及特定任務表現。 |
| 主要風險 | 資料外洩、跨境傳輸、提示注入、錯誤輸出、智慧財產權、供應商鎖定、服務中斷及國家安全疑慮。 |
| 治理原則 | 資料分級、最小揭露、供應商審查、模型評測、人工覆核、日誌監控、退出與替代方案。 |
外部 AI 平台是由其他公司提供的模型、API、雲端運算環境或可自行部署的模型權重。APP 開發者只需把特定任務與必要資料送入介面，再取得文字、圖片、語音、程式碼或結構化資料等結果。這種模式可縮短研發時間，也讓中小型團隊不用承擔訓練大型模型所需的龐大算力與人才成本。
外部平台不一定只等於「雲端 API」。實務上可分為三種：直接呼叫供應商 API、透過雲端平台使用模型，以及把開放權重模型部署在企業自己的伺服器或指定雲端。三者在成本、控制程度與資安責任上不同。
| 能力 | 可執行工作 | 常見應用 |
|---|---|---|
| 自然語言與客服 | 回答問題、摘要、改寫、翻譯、客服分流與回覆建議 | 購物、銀行、旅遊、外送、社群 APP |
| 搜尋與推薦 | 理解自然語言需求，結合商品、內容或地點資料提供建議 | 電商、影音、新聞、餐飲 APP |
| 多模態理解 | 分析照片、文件、影音、畫面與語音 | 無障礙、醫療輔助、飲食記錄、教育 APP |
| 內容生成 | 產生文案、圖片、簡報、設計草稿與教學內容 | 設計、行銷、社群、辦公 APP |
| 軟體開發 | 撰寫與修正程式碼、測試、重構、文件化、程式碼審查 | 企業內部工程平台與開發者工具 |
| 代理與自動化 | 呼叫工具、查詢資料、填表、更新系統、執行多步驟流程 | 企業管理、銷售、客服與協作 APP |
| APP／服務 | 外部 AI | 用途位置 | 平台帶來的功能 | 主要治理問題 |
|---|---|---|---|---|
| DoorDash | Kimi K2.6／其他高階模型 | 內部工程 | 將部分較基礎的工程任務交給 Kimi，較困難工作再交由其他前沿模型；展現依成本與難度路由的多模型策略。 | 程式碼與系統資訊是否離開控制環境、供應鏈與跨境資安風險。 |
| Duolingo Max | OpenAI GPT-4 | 使用者功能 | Role Play 提供語言情境對話；Explain My Answer 解釋答錯原因。 | 教學正確性、未成年使用者保護、費用與延遲。 |
| Canva Magic Write | OpenAI | 使用者功能 | 在 Canva 內產生文案、草稿、標題與腦力激盪內容。 | 著作權、品牌語氣一致性、生成內容錯誤。 |
| Notion AI | Anthropic Claude 等 | 使用者功能／工作流程 | 協助寫作、搜尋、整理資料與自動輸入；亦發展代理式工作流程。 | 工作區資料權限、提示注入、供應商依賴。 |
| Graphite | Anthropic Claude | 開發者工具 | 以 Claude 驅動 AI 程式碼審查，找出錯誤並提出修正。 | 錯誤建議進入正式程式碼、原始碼機密性。 |
| Clay | Anthropic Claude | 銷售與資料平台 | 辨識潛在客戶、補充資料並大量產生個人化銷售訊息。 | 個資、錯誤推論、垃圾訊息與歧視性篩選。 |
| Shop（Shopify） | OpenAI GPT API | 購物助理 | 依自然語言需求提供個人化商品推薦。 | 推薦偏誤、商業排序透明度與消費者資料。 |
| Khanmigo（Khan Academy） | OpenAI GPT-4 | 教育 | 作為學生的虛擬家教及教師的教學助理。 | 答案可靠性、學生依賴、教育資料與年齡適切性。 |
| CalCam | Google Gemini API | 飲食記錄 | 分析餐點照片並輸出營養相關結構化資料。 | 照片隱私、營養估算誤差，不宜取代專業醫療判斷。 |
| Be My Eyes | OpenAI GPT-4 多模態能力 | 無障礙 | 協助視障使用者理解照片與周遭視覺資訊。 | 錯誤描述可能影響安全；敏感影像與個資保護。 |
DoorDash 案例的重要之處，在於它不是把 Kimi 直接放進消費者看到的外送介面，而是讓模型參與公司內部的軟體開發流程。AI 在此扮演類似工程助理的角色，可協助處理程式碼生成、修正、測試、重構或其他較規格化的任務。
依公開報導，DoorDash 採取的是任務分流思維：較基礎的工作可交給成本較低、速度合適的模型，較高難度的工作再交給能力較強的前沿模型。這反映企業採購 AI 時，評估單位不是「哪家公司最有名」，而是「某個模型在某個任務上的品質、成本與風險」。
爭議則來自程式碼本身可能包含商業機密、系統架構與安全弱點。若模型透過外部雲端服務運行，企業須確認資料是否保存、是否用於訓練、傳輸至何地，以及供應商與政府可能取得資料的法律條件；即使自行部署開放權重模型，也仍要承擔模型來源、套件、更新與安全測試責任。
第一，成本與延遲不同。大量、重複、低難度任務可能不需要最昂貴的模型；使用較小或較便宜的模型，可顯著降低每月推論費用。
第二，模型專長不同。有些模型在程式設計、長文件、中文、多模態、語音或結構化輸出方面更符合特定產品需求。
第三，部署與資料控制不同。企業可能偏好能在自有雲端、私有環境或指定地區部署的模型，以降低敏感資料直接送到外部 API 的程度。
第四，避免供應商鎖定。只依賴單一平台，可能受到價格調整、模型下架、限額、政策改變或服務中斷影響。多模型架構可增加備援與議價空間。
第五，企業通常會以自己的資料與任務進行評測。公開排行榜只能作參考；真正重要的是模型在該 APP 的錯誤率、延遲、成本與安全測試結果。