Sirion與WorldCC研究揭示：大部分企業仍欠缺可信合約記錄系統

全球人工智能原生合約生命周期管理（CLM）龍頭Sirion，聯同世界商業與合約組織（WorldCC），今日發表一份題為《可信合約數據：從儲存庫到記錄系統》的最新研究報告。

隨着企業加快採用人工智能，研究結果揭示，僅僅儲存合約的機構，與能夠在整個企業中信任、操作及利用合約數據的機構之間，差距正不斷擴大。該報告匯集了全球超170間企業的回應及見解，受訪者包括法律、採購及資訊科技部門主管。

Sirion聯同WorldCC發表一份關於可信合約數據的報告，探討從儲存庫管理轉向合約記錄系統的轉變。 AP圖片

研究指出，許多企業的人工智能計劃，可能並非受制於模型能力，而是受制於碎片化及不可信的合約數據基礎。

Sirion聯合創辦人兼行政總裁Ajay Agrawal表示：「生成式人工智能（GenAI）正揭示企業面臨的嚴峻現實：人工智能的可靠性，僅取決於其底層數據基礎。」他指出，大部分機構仍將合約視為分散於儲存庫、共享硬碟及獨立系統中的獨立文件。這種模式在人工智能驅動的企業中將會失效。現時的合約管理需要一個可信的記錄系統，將法律語言轉化為結構化、互聯互通及可操作的數據。若缺乏此基礎，人工智能便無法可靠地推動決策、自動化或企業級別的執行。

雖然大部分機構現時都有地方儲存已簽署的合約，但報告強調一個更重要的差距：只有極少數機構建立了真正的合約記錄系統，能夠捕捉協議內容、適用範圍、隨之而來的義務及權利，以及企業能否自信地依據該資訊採取行動。

Capgemini美洲區客戶合約管理（CCM）主管兼副總裁Leandro Doca在調查中指出：「變革管理仍然是合約轉型中最被忽視的元素，但它往往是成敗的決定性因素。」

調查主要發現：

WorldCC行政總裁Sally Guyer表示：「這份報告警告人們，切勿將儲存誤認為控制。」她指出，機構可能已將合約檔案數碼化，但這並不代表他們擁有可信的合約數據。在現今市場，機構需要了解協議內容、變更事項、所需行動，以及企業能否依賴該資訊。可信的合約數據現已成為更佳執行的基礎。能夠向前邁進的機構，將會是那些清理數據、連接系統、擴大存取權限並明確定義所有權的機構。他們不會依賴人工智能來修復薄弱的基礎，而是會利用人工智能來強化穩固的基礎。

報告亦強調了合約數據斷裂所帶來的營運後果。若缺乏可信及互聯互通的記錄系統，企業將繼續依賴人手解讀、碎片化的儲存庫及機構知識。結果是決策速度減慢、對義務及權利的掌握度降低、價值流失增加，以及對人工智能生成輸出的信心下降。

《可信合約數據：從儲存庫到記錄系統》現已可從Sirion及WorldCC獲取。

該調查於2026年2月13日至4月10日期間進行，共有170名受訪者。

關於WorldCC

世界商業與合約組織（WorldCC）是一個全球性非牟利協會，致力於改善貿易關係及商業效益。WorldCC在全球擁有超80,000名會員，提供研究、標準、培訓及資源，協助機構取得更佳的商業及合約成果。

關於Sirion

Sirion是全球領先的人工智能原生合約生命周期管理（CLM）平台，率先應用代理式人工智能，協助企業轉變其儲存、建立及管理合約的方式。

該平台的提取、對話體驗及人工智能強化談判功能，已徹底改變了企業團隊（從法律、採購到銷售及財務）的合約管理方式。全球最具價值的品牌信賴Sirion管理超700萬份合約，總值近8,000億美元，並處理與超100萬個供應商及客戶在超100種語言中的關係。Gartner、IDC及Spend Matters等領先分析機構，一直肯定Sirion在合約生命周期管理（CLM）領域的領導地位，因其專注於引領行業的創新。

（美聯社）

Chef Robotics，一間食品行業實體人工智能公司，今日公布開發雙臂實體人工智能系統，用於備餐枱食物組裝。現時Chef的機械人主要處理食品生產輸送帶上的大批量餐點組裝，而這個新的雙臂實體人工智能系統，將專注於處理幽靈廚房、快餐店、航空公司餐飲、學校、醫院、軍隊、監獄、體育館、企業餐飲及酒店等行業中，較低產量但較高複雜度的備餐枱組裝工作。

隨著實體人工智能及模仿學習的出現，Chef的AI團隊正開發一個新的實體人工智能系統，旨在處理備餐枱上的餐點組裝任務，例如後廚的漢堡或墨西哥捲餅組裝。這些任務的產量較低，但複雜度較食品生產輸送帶上的組裝為高，因為單一工人（或機械人）必須組裝整份餐點，而非將流程分解為每個食材的獨立工作站。

Chef的雙臂實體人工智能系統，用於備餐枱食物組裝。 AP圖片

為執行較高複雜度的任務，新系統將採用兩隻機械臂，實現雙臂控制。它將能夠執行與人類手臂及手部相媲美的協調靈活操作。系統的末端執行器將足夠靈活，可拾取不同的食材及餐具。

由Chef的食物基礎模型（FFM）驅動

這個新的實體人工智能系統將由Chef的食物基礎模型（FFM）驅動，該模型比傳統機械人系統學習更快，並能適應更廣泛的應用場景。

現成的視覺語言動作模型（VLA）及實體人工智能模型，不足以應付食物操作。大多數VLA及實體人工智能模型均針對剛體操作進行訓練，但食物操作涉及高度可變形材料（例如濕潤、黏稠、不規則的物品）。這要求Chef的AI模型能夠在廣泛的物理狀態及互動中進行泛化。

FFM無需為拾取及放置食物、偵測托盤、隔間及內襯，以及處理可舀取或獨立食材等任務，分別建立獨立模型，而是透過單一的「基礎」人工智能模型，支援所有這些功能。它亦能更高效地擴展至新任務，並提升表現。

FFM並非透過編程，而是透過示範（模仿學習）來執行特定任務，例如組裝漢堡或製作墨西哥捲餅碗。它亦透過學習可跨硬件實體（例如具有不同運動學、末端執行器及配置的系統）轉移的任務表示，從而在不同機械人硬件平台之間進行泛化。從這個意義上說，Chef正在為食物構建實體人工智能層。

FFM預計將隨著時間推移，解鎖更多功能。例如，它可能支援零樣本或少樣本食材導入，以最少訓練適應新食材。該模型亦將自我改進，並隨著時間自主提升產量及一致性。

其他優點

Chef的新實體人工智能系統將具備：

Chef Robotics創辦人兼行政總裁Rajat Bhageria表示：「我們最初專注於高產量食品製造，但行業大部分仍依賴人手備餐枱組裝。這些環境更複雜、結構性較低，令自動化更困難。透過這個新的實體人工智能系統及我們的食物基礎模型，我們將擴展實體人工智能，以應對這些現實世界條件，並為食品行業解鎖更廣泛的應用。」

關於Chef Robotics

Chef是首間將可擴展人工智能驅動食品機械人解決方案商業化的公司。Chef已在生產中製作超1億份餐點，利用ChefOS這個用於食物操作的人工智能平台，提供機械人即服務解決方案，協助行業領先的食品公司增加產量及滿足需求。Chef總部位於加州三藩市，旨在透過加速智能機器的出現，賦予人類做人類最擅長的事情。

（美聯社）