簡易檢索 / 詳目顯示

回結果列表
研究生： 李玉璽
Lee, Yu-Hsi
論文名稱： 生成式人工智慧技術於半導體通路商業務推廣流程之創新應用研究
Innovative Applications of Generative AI Technology in Business Promotion Process of Semiconductor Distributors
指導教授： 蔡明田
Tsai, Ming-Tien
學位類別： 碩士
Master
系所名稱： 工學院 - 工程管理碩士在職專班
Engineering Management Graduate Program
論文出版年： 2026
畢業學年度： 114
語文別： 中文
論文頁數： 86
中文關鍵詞： 生成式人工智慧（GenAI） 、檢索增強生成（RAG） 、半導體通路商 、技術型業務支援 、AI 客戶服務品質（AICSQ）
外文關鍵詞： Generative AI, Retrieval-Augmented Generation (RAG), Semiconductor distribution, B2B technical support, AI Customer Service Quality (AICSQ)
相關次數： 點閱：7  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 近年來，生成式人工智慧（GenAI）與大型語言模型（LLM）快速發展，使企業得以透過「檢索增強生成」（RAG）將內部文件與知識庫納入回覆依據，進一步提升知識型任務支援效率。然而，在半導體通路商的 B2B 技術型業務支援情境中，回覆正確性、可追溯性、資安權限，以及回覆不足時的補救與轉接機制，皆屬高風險且高成本議題，仍需建立可衡量的品質指標與導入管理框架。

    本研究以半導體通路商技術型業務支援之使用者為主要對象（包含 RD、FAE、業務、PM），以問卷調查蒐集有效樣本 n=15，衡量 AI 助手之服務品質三大構面：核心服務品質（CSQ）、服務補救品質（E-RecS）、對話品質（CQ），以及使用成效：整體滿意度（SAT）、持續使用意圖（CI）、工作成效自評（PWE），並以回溯式前後測評估流程改善（PI）趨勢。分析方法包含敘述統計、Spearman 等級相關檢定（H1–H9）、Wilcoxon 符號等級檢定（PI），並結合開放題主題分析進行交叉驗證；另以 AHP 在嚴格一致性門檻（CR≤0.10）下進行探索性權重分析（有效樣本 n=3），僅作探索性參考。

    研究結果顯示，受試者對 AI 助手之服務品質整體評價偏正向（平均介於 3.800–4.222），滿意度（SAT） 平均 4.267，持續使用意圖（CI）與工作成效自評（PWE）平均皆為 3.933；其中服務補救品質（E-RecS）相對較低，顯示補救流程仍有顯著改善空間。相關分析結果指出：CQ 與 SAT 呈高度正相關；E-RecS 與SAT、PWE 呈顯著正相關；CSQ 則與 CI、PWE 呈顯著正相關。PI 顯示導入後在回覆時效（TAT）、一次解決率（FCR）等面向具有正向改善趨勢，但因導入時間、情境不均與樣本數限制，未達統計顯著，惟部分指標效果量已具實務參考價值。AHP（探索性）結果與開放題主題方向相近，顯示導入初期可將「上下文延續與結構化輸出」及「可執行的補救路徑（釐清、驗證、替代資源與必要轉接）」列為優先關注之改善方向，並以「可追溯引用、資安權限控管」作為管理核心。

    本研究據此提出半導體通路商導入生成式 AI 助手之管理建議，包含對話模板與案件層級脈絡管理、補救與升級（Escalation）流程、引用追溯與權限管理、以及以 KPI（如 TAT、FCR、轉接率、引用完整度）進行長期監控。未來研究可擴大樣本、納入系統日誌與客觀績效指標並進行縱貫追蹤，以提升結論之可驗證性與跨情境移轉性。

    Rapid advances in Generative AI (GenAI) and Large Language Models (LLMs) have enabled conversational assistants grounded by Retrieval-Augmented Generation (RAG). In semiconductor distribution, B2B technical sales support is document-intensive and high risk, where accuracy, traceability, security governance, and effective recovery actions are essential.
    This study examines how GenAI assistant service quality relates to user outcomes in semiconductor distributors’ technical support workflows. A survey was administered to primary users (RD, FAE, Sales, PM), yielding 15 valid responses. Service quality was measured with three dimensions: Core Service Quality (CSQ), E-Service Recovery Quality (E-RecS), and Conversational Quality (CQ). Outcomes included Satisfaction (SAT), Continuance Intention (CI), and Perceived Work Effectiveness (PWE). A retrospective pre–post measure assessed perceived process improvement (PI) after adoption in turnaround time (TAT), first contact resolution (FCR), search time, and reusability. Analyses used descriptive statistics, Spearman’s rank correlations for hypotheses testing, Wilcoxon signed-rank tests for PI, and thematic analysis of open-ended responses. An exploratory Analytic Hierarchy Process (AHP) was conducted under a strict consistency threshold (CR ≤ 0.10); only three responses met the threshold, so AHP was treated as indicative signals rather than a conclusive group ranking.
    Results show generally positive evaluations (means 3.800–4.222). CQ is strongly associated with SAT; E-RecS is significantly associated with SAT and PWE; and CSQ is significantly associated with CI and PWE. PI indicates positive improvement trends though not statistically significant. Triangulated evidence suggests early-stage priorities: conversational continuity and structured outputs, actionable recovery pathways, and governance for traceability and access control.

    摘要 I ABSTRACT III 誌謝 IX 目錄 X 圖目錄 XIV 表目錄 XV 第一章 緒論 1 1.1研究背景 1 1.2研究動機 2 1.3研究之重要性 2 1.4研究目的 3 1.5 研究問題 4 1.6 研究流程 4 第二章 文獻探討 6 2.1 半導體通路商職責與前線人員工作模式 6 2.2 GenAI與大型語言模型（LLM）於企業領域之應用 6 2.2.1 GenAI 的應用範圍與任務種類 6 2.2.2 企業導入時面臨的風險 7 2.2.3 企業導入時管理需求 8 2.3 檢索增強生成（RAG）技術及其於知識型任務支援之應用 9 2.3.1 檢索增強生成（RAG）的基本流程以及管理層面的意義 9 2.3.2半導體通路商在版本管理、比對、限制和追溯方面所遇到的挑戰 9 2.4 生成式人工智慧（GenAI）在客服及技術支援領域之應用 10 2.4.1 前線人員與支援的工作負荷及 AI 增強技術 10 2.4.2 技術支援自動化的潛力與挑戰 10 2.5 生成式人工智慧（GenAI）於 B2B 銷售流程中的應用 11 2.6 AI 助手服務品質衡量指標 11 2.6.1 服務品質理論於數位服務及自助服務之應用與擴展 11 2.6.2 AICSQ 與研究場域之關聯 12 2.6.3 本研究三項構面CSQ、E RecS、CQ的操作型定義 13 2.7 使用成效 14 2.8 層級分析法（AHP）之決策與優先排序方法 14 2.9 研究假設與研究架構 14 第三章 研究方法 17 3.1 研究設計 17 3.2 研究假設 17 3.3 研究架構 18 3.4 研究變項之操作型定義與衡量方式 18 3.5 研究對象與樣本 20 3.6 問卷設計與內容 20 3.7 施測程序 21 3.8 資料分析方法 22 3.9 AHP資料分析程序 23 3.10 研究倫理與資料保護 24 第四章 研究結果 25 4.1樣本結構與基本資料分析 25 4.2 量表之信度與敘述統計 29 4.2.1 信度分析 29 4.2.2 敘述統計 29 4.3 AHP 重要性權重分析（採 CR≤0.10） 31 4.3.1 構面層級（層級二）群體權重 32 4.3.2 指標層級（層級三）局部權重 33 4.3.3 全域權重排行（Top 10） 33 4.3.4 構面排序一致性（Kendall’s W） 34 4.4流程改善（PI）差異檢定 36 4.5 相關分析（Spearman 等級相關檢驗） 39 4.6 開放題結果主題式分析 40 4.6.1 E1 常用任務 / 需求（對照表 4-13） 41 4.6.2 E2回答不足時的補救期待（對照表 4-14） 41 4.6.3 E3 資安 / 合規需求（對照表 4-15） 42 4.6.4 E4 後續功能與限制（對照表 4-16） 43 4.6.5 綜合對照：開放題主題與量化結果之呼應 44 4.7 本章小結 45 第五章 結論與建議 46 5.1 研究主要發現 46 5.1.1 服務品質現況與使用成效 46 5.1.2 AHP 探索性的改善方向（採 CR≤0.10） 46 5.1.3 回溯式前後測之流程改善（PI） 47 5.1.4 研究假設檢驗結果（H1–H9） 47 5.2 理論意義 48 5.3 實務意義與管理建議（半導體通路商情境） 49 5.3.1 提升對話品質 49 5.3.2 補救措施建置 50 5.3.3 提升核心服務品質以確保持續使用與運作效率 51 5.3.4 透過 KPI 監控導入成效，彌補回溯式量表之不足 51 5.3.5 建立回饋機制及知識庫維護機制：確保品質持續提升 52 5.4 實務系統設計建議 52 5.5 研究限制與未來研究方向 53 5.6 本章小結 54 參考文獻 55 ㄧ、中文部分 55 二、英文部分 56 三、網站 58 名詞釋義 59 附錄、問卷部份 62

    ㄧ、中文部分
    1.郭正哲（2012）。半導體零組件銷售人員之教育訓練與企業績效之相關性研究（碩士論文）。國立臺灣大學管理學院碩士在職專班財務金融組。
    2.曾志豪（2020）。應用層級分析法（AHP）發展客服型聊天機器開發策略之研究（碩士論文）。淡江大學管理科學學系企業經營碩士在職專班。
    3.方志員（2021）。運用人工智慧智能客服聊天機器人資訊系統提升顧客服務滿意度績效（碩士論文）。國立臺北教育大學理學院資訊科學系。
    4.王願晴（2023）。半導體通路商中與業務相關工作之個案研究（碩士論文）。國立中山大學人力資源管理研究所。
    5.石峰、楊揚、袁韵、賈建民（2025）。人工智能驱动下的营销变革。中国管理科学，33(1)，111–123。doi:10.16381/j.cnki.issn1003-207x.2024.1913
    6.梁峻誠（2024）。生成式AI發展對消費者購物決策的影響：以對話式AI為例（碩士論文）。國立臺北科技大學資訊與財金管理系碩士班。
    7.蔡佳穎（2024）。生成式AI客服品質如何影響消費者滿意度與忠誠度之研究（碩士論文）。國立臺灣科技大學企業管理系碩士班。
    8.陳佳琪（2025）。以資訊系統成功模式探討生成式AI對數位行銷工作的影響（碩士論文）。致理科技大學國際貿易系國際經營與數位貿易碩士班。
    9.蕭貴徽（2025）。商管領域中探究生成式AI應用文獻之分析。臺灣教育評論月刊，14(5)，149–158。
    10.李晏慈（2025）。以大型語言模型為基礎結合檢索增強生成之聊天機器人應用（碩士論文）。中原大學應用數學系。
    二、英文部分
    1.Parasuraman, A., Zeithaml, V. A., & Malhotra, A. (2005). ES-QUAL: A multiple-item scale for assessing electronic service quality. Journal of service research, 7(3), 213-233.
    2.Li,C.,Qiu,Z.,Huang,X.,Hu,J.,& Cai,J. (2020). Design of intelligent voice customer service system based on knowledge graph. Computer Science and Application,10(2),255–264. doi:10.12677/csa.2020.102027
    3.Chen,Q.,Gong,Y.,Lu,Y.,& Tang,J. (2022). Classifying and measuring the service quality of AI chatbot in frontline service. Journal of Business Research,145,552–568. doi:10.1016/j.jbusres.2022.02.088
    4.Fischer,H.,Seidenstricker,S.,Berger,T.,& Holopainen,T. (2022). Artificial intelligence in B2B sales: Impact on the sales process. Artificial Intelligence and Social Computing,28(28),135-142. doi:10.54941/ahfe1001456
    5.Raj,R.,Singh,A.,Kumar,V.,& Verma,P. (2023). Analyzing the potential benefits and use cases of ChatGPT as a tool for improving the efficiency and effectiveness of business operations. BenchCouncil Transactions on Benchmarks,Standards and Evaluations,3(3),100140. doi:10.1016/j.tbench.2023.100140
    6.S Sharma,K. K.,Tomar,M.,& Tadimarri,A. (2023). Unlocking sales potential: How AI revolutionizes marketing strategies. Journal of Knowledge Learning and Science Technology ISSN: 2959-6386 (online),2(2),231-250. doi:10.60087/jklst.vol2.n2.p250
    7.Lin,X.,Wang,X.,Shao,B.,& Taylor,J. (2024). How chatbots augment human intelligence in customer services: A mixed-methods study. Journal of Management Information Systems,41(4),1016–1041. doi:10.1080/07421222.2024.2415773
    8.Rane,N.,Paramesha,M.,Choudhary,S.,& Rane,J. (2024). Artificial intelligence in sales and marketing: enhancing customer satisfaction. Experience,and Loyalty,Experience and Loyalty. doi:10.2139/ssrn.4831903
    9.Reinhard,P.,Li,M. M.,Peters,C.,& Leimeister,J. M. (2024). Generative AI in customer support services: A framework for augmenting the routines of frontline service employees. In Proceedings of the 57th Hawaii International Conference on System Sciences. doi:10.2139/ssrn.4862940
    10.Wulf,J.,& Meierhofer,J. (2024). Utilizing large language models for automating technical customer support. arXiv preprint arXiv:2406.01407.
    11.Yusuff,M. (2024). Generative AI in Chatbots: Revolutionizing 24 / 7 Customer Support for B2B and Retail.
    三、網站
    1.石立康（2024年3月25日）。生成式AI產業應用發展。電腦與通訊（趨勢觀點）。工業技術研究院產科國際所。https://ictjournal.itri.org.tw/xcdoc/cont?xsmsid=0M208578644085020215&sid=0O087535443903855323
    2.塗家章（2024年3月25日）。生成式AI於文字客服機器人應用。電腦與通訊（技術探索）。工業技術研究院資訊與通訊研究所。https://ictjournal.itri.org.tw/xcdoc/cont?xsmsid=0M236556470056558161&sid=0O086626378596417147

    QR CODE