百瀚 AI 知識系統與合作討論
日期：2026-06-13 ｜ 時長：69:29 ｜ 來源：PLAUD
參與者：@Marcus、Aaron（百瀚老闆）、Jonin（Aaron 老婆，百瀚一級主管）
摘要
本次會議圍繞外部教育公司的 AI 化轉型：如何把課堂錄影、補課、家長溝通與成績結果轉成可累積的知識系統。雙方逐步把焦點從單點補課工具拉回核心 data loop 與知識庫架構，並討論 Marcus 是否以技術夥伴身分參與。
詳細摘要
會議一開始由 Aaron 說明公司成長卡點：真正瓶頸不是市場或 AI 工具本身，而是教育連鎖體系長期依賴優秀老師、店長與分校經營者，導致經驗難以複製。他展示自己用 AI 分析課堂錄影與逐字稿後，產出老師觀課回饋、學生課後學習單、補課互動與家長報告，認為過去被低度利用的錄影資料，其實可以變成公司護城河。Marcus 進一步把討論抽象成 data point、SSOT、know-how 與 PDCA loop：每堂課、家長諮詢與補課過程都應轉成標準化資料，再回饋教材、教法、營運 SOP 與個人化學習。後段則轉向建置策略與合作可能性，討論 POC、分校試點、Fash 是否適合參與、Marcus 是否能投入、以及以技術服務或股權交換的合作形式。整體結論是：補課應用可作 quick win，但真正高槓桿的是先建立中心化資料與知識循環系統。
主題討論
成長瓶頸與資料護城河
Aaron 認為公司目前卡在「人」的問題：好的經營者、老師與主任不容易大量複製。經過與 AI 對談後，他把公司真正的優勢重新定義為大量教學內容與營運場景資料，而不是單純使用 AI。Marcus 則追問這些內容是否只是教材，並協助區分核心知識庫與現場教學轉化資料。
重點：
- Aaron 表示公司一直在找好的分校經營者，但好的經營者不見得足夠，這使擴張受限。
- Aaron 主張公司最大的優勢來自大量內容與現場教學資料，只是過去沒有建成資料庫或知識庫。
- @Marcus 區分「核心 ground truth 知識庫」與「老師在不同班級現場轉化出來的教學場景」。
- Aaron 接受 AI 不是護城河，護城河是 AI 乘上只有自己擁有的內容、標準與數據。
各方立場：
- Aaron：他認為補教連鎖的擴張瓶頸是人力複製，解法是把大量教學與營運內容轉成公司專屬資料資產。
- @Marcus：他把問題抽象為核心知識庫與現場 data point 的關係，提醒真正的知識未必等於每堂課的錄影本身。
課堂錄影的 AI 萃取價值
Aaron 展示用課堂逐字稿產出的觀課回饋、老師評分、課程與檢定程度對應、學習單與考題。他認為錄影原本只用於缺課補課，價值很低；若轉成文字與結構化報告，就能判斷老師教學品質、課程是否對應目標、學生是否有學習成效，並累積為後續訓練與課程優化資料。
重點：
- Aaron 說每堂課都有錄影，過去只是讓缺課學生到補習班看電腦補課。
- Aaron 測試後發現 AI 可依照老師標準與逐字稿判斷老師教學成果，甚至區分新進、兼職與主管老師。
- Aaron 將課堂內容對照 B2 或檢定目標，分析詞彙、文法、聽力、題型與口說寫作缺口。
- @Marcus 提出除了逐字稿，也可以用技術抓取影片時間點的關鍵畫面，穿插到課後文件中。
各方立場：
- Aaron：他認為錄影資料能產生老師評核、學生學習單、課程效用度與教學品質判讀，是過去被浪費的資產。
- @Marcus：他認同逐字稿有價值，但補充影像截圖與時間點對應可讓課後文件更完整。
AI 補課與學生互動工具
Aaron 延伸出 AI 補課情境：缺課學生不只看影片，而是透過 AI 根據講義、課堂內容與學習單進行互動練習，再產出補課 report 給家長。他認為現場上課仍應保持最佳效果，補課不應超越現場課，但可以降低輔導人力、避免學生看影片晃神，並讓分校人員只需監督與收尾。
重點：
- Aaron 說過去補課需要老師或輔導人員盯學生、教單字與確認學習狀態。
- Aaron 用「小英助教」概念讓 AI 扮演互動助教，根據課堂材料一步步問問題。
- Aaron 認為補課效果原則上不應高於現場上課，否則學生會更容易請假。
- @Marcus 判斷 AI 補課是可見的 quick win，但價值可能小於核心資料化與知識循環。
各方立場：
- Aaron：他希望先把補課場景刻出來，讓學生用 AI 對話取代單純看影片，並降低輔導人力需求。
- @Marcus：他認為 AI 補課可做，但應視為核心資料系統之上的應用層，而不是最根本的系統。
Data loop 與知識庫架構
Marcus 將整套構想整理成三層：課堂、諮詢、補課等 data point；教材、教法、營運 SOP 等 SSOT；以及從多個 data point 萃取出的中介 know-how。這些 know-how 要定期與成績、續班、轉化結果對照，形成 PDCA loop，再反向更新教材與 SOP。Aaron 認同這才是最核心、最能長期改變公司的系統。
重點：
- @Marcus 指出課堂錄影、家長對談與補課紀錄都應先標準化為 data point。
- @Marcus 認為百瀚的優勢是結果可衡量，成績、續課率與轉化結果能成為 AI loop 的正確答案。
- @Marcus 把教材、教學方法與營運 SOP 定義為核心 SSOT，現場資料則是這些核心知識的 representation。
- Aaron 同意必須先自動化資料與知識循環，才能真正強化 knowledge base。
各方立場：
- @Marcus：他主張第一優先是建立 data point 到 SSOT、know-how、結果驗證的中心化 loop。
- Aaron：他認同核心不是單點工具，而是用自動化資料流長期更新教材、教法與營運系統。
營運效率、產品價值與教材迭代
雙方討論 AI 系統如何同時提升營運效率與學生/家長感受到的產品價值。Aaron 提到可透過家長對談預判補課、加課與自學工具需求，也想像未來教材可由固定文法結構搭配最新閱讀素材動態生成。Marcus 則提醒這是更後段的 personalization 與 KB 變化，應建立在核心資料 loop 之後。
重點：
- Aaron 認為分校主任可更專注於家長聯繫，老師則把課上好，不必額外出考卷或補課單。
- Aaron 想像每月向學生收自學工具費，並按季更新內容。
- Aaron 提出教材未來可保留大部分固定文法架構，再加入最新閱讀文章與單字衍生內容。
- @Marcus 將這歸為 personalization 與 KB 迭代，認為它是核心 data loop 成熟後的長期產品價值。
各方立場：
- Aaron：他希望 AI 讓營運人員與老師專注於高價值互動，並把教材與自學工具變成可持續更新的新產品。
- @Marcus：他認為個人化與教材動態生成很有價值，但優先順序應排在資料化與 know-how loop 之後。
系統建置路徑與 POC
Aaron 原本傾向從一到兩間分校與 AI 補課場景開始試點，例如買電腦、使用 Team 帳號與地端資料。Marcus 則認為補課場景啟動成本高且偏應用層，中心化知識系統反而能先在現有公司電腦上建出原型。會中估計若投入，核心系統有機會在約一個月內做出可用版本，但仍需冷靜評估 commitment。
重點：
- Aaron 想先選台北與高雄各一間分校，做地端版補課場景試點。
- @Marcus 認為補課是表層應用，核心系統是中心化的資料與知識循環。
- @Marcus 表示可先用現有機器做中心化系統，而不是先在每個分校部署補課設備。
- @Marcus 判斷用 one-shot AI 工具可做 POC，但無法支撐長期自動化系統。
各方立場：
- Aaron：他想先把看得見的補課場景做出來，並用一兩個分校驗證。
- @Marcus：他建議先做中心化 data/KB 系統，補課工具等應用可等核心 loop 建好後再分支。
合作人選、股權與角色
後段雙方討論誰能一起建這套系統。Aaron 提到 Fash 近期積極、想賺更多錢，也提議 Marcus 可用技術入股或共享股權參與。Marcus 認為 Fash 可能不適合核心系統與最後 dirty work；若自己加入，也需要找到能負責最後維護與執行的人手。雙方最後沒有定案，Marcus 需冷靜評估是否 commit。
重點：
- Aaron 表示可以直接給 Marcus 股票或共享股份，而不只是付顧問費。
- @Marcus 判斷 Fash 在能力與意願上可能不適合承擔核心系統，尤其最後落地階段。
- @Marcus 說如果自己加入，會找其他名單幫忙，而不是找 Fash。
- @Marcus 認為此系統不只需要前期架構與 POC，也需要找到能負責最後維護與執行的人手。
各方立場：
- Aaron：他希望 Marcus 成為長期資訊與 AI 技術 partner，並願意用股權或服務價值交換。
- @Marcus：他對題目有興趣，也認為可做出核心系統，但不想現場衝動答應，需評估時間、角色、資源，以及後續維護與執行人手。
估值、併購與組織槓桿
Aaron 說公司去年曾有外部投資或併購接觸，但他希望先達成財測並建立 AI 系統與流程，讓公司估值更高。他認為上市教育公司多透過財務整併擴張，但沒有真正解決人的問題；若百瀚能用 AI 系統降低管理成本、提高組織能力，就能在被投資、被收購或獨立發展時都有更好籌碼。
重點：
- Aaron 說外部教育公司多靠併購與財務整併擴大規模，但沒有解決老師與組織管理問題。
- Aaron 認為公司是乾淨的殼、組織品質好，加上 AI 系統能補足同業問題。
- @Marcus 理解這會提升未來投資或收購估值，也能讓公司不賣也更賺。
- Aaron 表示導入 AI 不是為了裁員，而是讓公司做三到五倍的事。
各方立場：
- Aaron：他把 AI 系統視為公司估值、獲利與未來併購談判的關鍵槓桿。
- @Marcus：他認同這會讓公司從傳統教育公司變成不同型態的公司，並提升交易籌碼。
決議
- 第一優先不是先做 AI 補課前端，而是先建立中心化的 data point、SSOT、know-how 與結果驗證 loop；補課系統是這個核心系統長出來的應用。
- 短期 POC 可以用現有 AI 工具或 one-shot 方式驗證概念，但若要支撐每天大量資料與長期自動化，必須做工程化系統架構。
- Fash 不適合作為核心系統的主要建置者；若參與，較適合在核心系統完成後協助表層應用，而不是負責 architecture 與最後落地。
- Marcus 暫不現場承諾投入，需冷靜評估時間、seniority、合作形式與可用人手後再決定。
爭議點
系統建置路徑與 POC
- Aaron：傾向先把 AI 補課場景在一兩個分校刻出來，因為看得見、也能立刻解決輔導與補課痛點。
- 理由：他目前已用 AI 生成學習單、補課互動與家長報告，覺得這條路踏實且能快速讓分校看到改變。
- @Marcus：主張先做中心化 data/KB loop，補課只是應用層，可以等核心系統完成後再長出來。
- 理由：他認為補課場景部署成本高、價值相對較小；真正能長期提升營運與產品品質的是 data point、SSOT、know-how 與結果驗證循環。
合作人選、股權與角色
- Aaron：考慮找 Fash 參與，因為 Fash 近期積極、想多賺錢，而且可能有時間。
- 理由：他需要有人陪他建系統，若 Marcus 忙，Fash 看似是可用人選。
- @Marcus：不傾向讓 Fash 負責核心系統，若自己加入也不會優先找 Fash。
- 理由：他認為此事難度高且最後有 dirty work，Fash 可能較不擅長完成最後落地的 20%。
Action Items (Marcus)
- 冷靜評估是否 commit 參與系統建置 > 「我我正在考慮我有沒有辦法commit。好，我不考。我不commit，我做不到的事。」 — 00:45:36
其他人的承諾
- @Aaron：安排 Jerry 進行 AI 工具內訓給 one down 與總監群 > 「我找了那個Tattoo的那個Jerry。我想要請他來幫我做內訓，然後教我的one down，就是我老婆他們啊，就我總監們他們。」 — 00:27:10
- @Aaron：選一到兩個分校做 AI 場景試點 > 「我可能要選一兩個分校，然後真的把它像這樣的情境」 — 00:27:41
- @Aaron：把輔導區、電腦與 AI 對話補課場景刻出來 > 「我真的要把這個情境給刻出來。就是我要把輔導區，然後呢電腦，然後呢要怎麼讓他開始把AI對話。」 — 00:28:30
- @Aaron：盤點並建立標準庫與資料庫 > 「先把標準庫跟資料庫建立起來，然後再去找一個模型，然後去應用。」 — 00:29:17
- @Aaron：若 Marcus 無法投入，仍請 Marcus 提供建議 > 「那縱使你無法答應我，你也可以給我建議。對。因為我覺得這對我們來講真的可以優化很多。」 — 01:04:00
關鍵數字
- 將近 160 間教室：Aaron 描述全台教室規模，是課堂資料量的來源 — 00:01:09
- 一天 320 堂課：160 間教室每間至少兩班，估算每日進行課堂數 — 00:01:22
- 一週 6 天：計算每週課堂資料量的上課天數假設 — 00:01:35
- 一週 1,800 堂課：Aaron 估算每週產生的課堂資料量 — 00:01:35
- 一個月約 7,200 堂課：Aaron 估算月度課堂資料量，作為 AI 資料資產規模 — 00:02:01
- 三個老師：用新進老師、兼職老師與主管三種類型測試 AI 觀課評估 — 00:07:06
- 14 分中拿 12 分：AI 對老師教學品質評分，判定為優良 — 00:07:21
- B2：將課堂內容對應雅思或檢定程度，判斷是否符合 B2 目標 — 00:09:03
- 半年：用半年的課程內容與學生考試成績比對，判斷課堂品質與學習成效 — 00:09:42
- 60-70 分：Aaron 描述一般老師達到可上戰場的訓練水準 — 00:11:26
- 現場課 100%、補課約 70%：Aaron 說明策略上補課效果不應超過現場課，補課大約達到七成即可 — 00:15:53
- 近 30 家直營：Aaron 說明公司能收集資料的優勢來自直營體系 — 00:19:19
- 同業直營不超過 10 家：用來對比其他連鎖體系多為加盟，較難取得教學資料 — 00:19:31
- 一年上千個新生：Aaron 提到新生入班與家長諮詢資料也是可被記錄的巨大行為資料 — 00:20:15
- 一季到半年：@Marcus 說 AI loop 需要等考試結果，可能一季或半年才看到效果 — 00:22:13
- 幾千個學生，假設 3,000：Aaron 估算現有學生規模，用於家長對談與自學工具需求預判 — 00:25:35
- 每月 200 元：Aaron 假設每位學生每月為自學工具付費 — 00:26:22
- 每一季 update：Aaron 想像自學工具內容按季更新 — 00:26:22
- 一兩個分校：Aaron 想先選少數分校做試點 — 00:27:41
- 三個地方：補課錄影目前同時存在分校地端、雲端備份與總部 — 00:28:43
- 幾個 Q 到一年：@Marcus 判斷核心 data loop 可能需要數季到一年才顯現較大效果 — 00:32:57
- 兩週：@Marcus 估計依當時畫出的系統架構，約兩週可以做出來 — 00:43:21
- 30 部影片：@Marcus 建議可先把 30 部影片丟進 one-shot 工具做 proof of concept 與 know-how 採集 — 00:44:50
- 300 個上限：@Marcus 指出 Notebook 類 one-shot 工具的資料庫上限約 300 個，百瀚一天資料量就會超過 — 00:45:08
- 10%：Aaron 說去年若外部投資方要投，自己也只打算給大約 10% — 00:49:21
- 60 幾 %：Aaron 舉例上市教育公司投資其他公司可能持有六十幾 percent — 00:48:38
- 去年賺幾百萬：Aaron 描述公司獲利水準與總部成本負擔 — 00:51:09
- 3 到 5 倍：Aaron 說全面 AI 的目的不是裁員，而是做三到五倍的事 — 00:51:56
- 90 個分校：Aaron 提到老婆面對的分校規模與每日產出的訊息量 — 00:52:58
- 1 到 1.5 年：Aaron 想像未來可能不用固定教材，改為動態教材講義 — 00:39:08
- 80% 不變、20% 最新閱讀文章：Aaron 描述未來教材可由固定文法與新素材組成 — 00:39:16
- 五到六個程度：Aaron 說每個年級會細分多個程度班 — 00:58:48
- 半年顆粒度：Aaron 說每個班級程度的顆粒度約半年 — 00:58:48
- 台北一家、高雄一家：Aaron 想先選兩個地區各一間分校做試點 — 01:00:52
- 三個輔導位置：Aaron 舉例一個分校可能有三個 AI 補課輔導位置 — 01:01:26
- 一個月：Aaron 估計如果把此系統當作遊戲投入，約一個月可做出東西 — 01:02:20
- 70%：Aaron 表示自己覺得投入並做出核心系統約有七成可能性 — 01:04:33
- 三個月：Aaron 說 AI 記憶與 context 是近三個月前沿討論的重點 — 01:05:11
- 客服月成本 10 萬降到 1 萬：Aaron 舉例 AI 客服讓原本四個工讀生的客服成本下降 — 01:07:45
- 四個人：Aaron 說原本客服需要四位工讀生 — 01:07:45
未解決問題
- Marcus 是否正式 commit 參與百瀚 AI 知識系統建置？
- 卡住：決定合作模式、技術架構負責人與第一階段時程
- 推動：@Marcus
- 若 Marcus 參與，應用技術服務價值、時薪或固定價格如何換算股權？
- 卡住：股權合作與長期 partner 關係定案
- 推動：@Aaron
- 第一階段 data point 類型要如何定義，除了 lecture 與家長諮詢是否還有其他類型？
- 卡住：核心資料模型、匯入 pipeline 與知識庫 schema 設計
- 推動：@Marcus
- 課堂與諮詢資料如何定期對應成績、續課率、轉化率等結果指標？
- 卡住：形成真正可驗證的 know-how loop，而不只是報告生成
- 推動：@Marcus
- Fash 或其他幫手各自適合承擔哪些角色？誰能負責後續維護與執行？
- 卡住：建置團隊分工、後續維護責任與是否外包最後 20% dirty work
- 推動：@Marcus
- 分校試點要先做中心化知識系統，還是同步做 AI 補課場景？
- 卡住：第一個 MVP 範圍與試點成本
- 推動：@Aaron