拿下大型企業客戶，光有好產品往往還不夠。Databricks 共同創辦人暨現場工程資深副總裁 Arsalan Tavakoli-Shiraji（阿爾薩蘭・塔瓦科利－希拉吉）表示，人員、流程，以及合作夥伴帶來的客戶管道同樣重要。Databricks 初期接觸瑞士銀行 UBS 的經驗，以及後來與 Microsoft Azure 的合作，都說明新創公司若要進入企業市場，商務準備不可少。13

企業採購，看重的不只是產品展示

新創公司即使技術出色，也可能難以打進大型組織。企業採購通常牽涉既有供應商關係、法律與合約條款，以及資安審查。關於塔瓦科利－希拉吉的談話報導指出，Databricks 早期曾因無法妥善回答法律、合約與資安問題，讓商機停滯；也曾遇過潛在客戶早已承諾採用競爭對手產品的情況。19

因此，他強調，除了產品品質，「人員和流程也很重要」。1 對創辦人來說，實際的功課是理解客戶的採購程序、準備好逐項回應，而不是以為技術優勢自然就能換來會面或成交。

Microsoft 如何幫 Databricks 接觸 UBS

Databricks 起初一直難以約到 UBS。後來成為 Azure 合作夥伴，Databricks 得以採用 Microsoft 的合約條款；Microsoft 的業務團隊也協助安排會面，並在與客戶接洽時支持 Databricks。318

這段合作的價值不只在雲端服務的技術連結，也在於協助排除商務門檻，並提供 Databricks 當時尚未自行建立的銷售管道。18 對新創而言，大型夥伴若能帶來客戶接觸機會、信任背書或符合採購要求的方式，價值便不止於產品整合。

企業 AI 採購的「四個 C」

塔瓦科利－希拉吉將企業買家評估 AI 時的考量，歸納為四個面向：脈絡（context）、選擇（choice）、成本（cost）與控管（control）。118

• **脈絡：**AI 能否理解並配合公司的用語、工作流程與優先事項？18
• **選擇：**客戶能否選擇或更換模型，而不是只能依賴單一供應商？18
• **成本：**企業是否負擔得起運行這項 AI 產品的開銷？18
• **控管：**企業能否為系統行為設下防護措施，並保護敏感資訊？18

這四項合在一起，反映出企業採購 AI 的更大考驗：產品不只要在展示中表現出色，還必須配合組織的需求與實際運作限制。

舊系統是 AI 現代化的機會，也是挑戰

塔瓦科利－希拉吉也提到，AI 智能體可能有助於舊系統現代化。相關報導舉例指出，銀行仍可能使用 IBM AS/400 等系統與大型主機；若程式碼陌生或難以理解，修改起來便不容易。20

讓 AI 協助解讀舊系統，或許能成為現代化的起點，但不代表導入 AI 智能體就能立刻取代舊系統。理解既有軟體，與改動企業日常運作仰賴的系統，是兩個不同的步驟。

他也提醒，要在企業中妥善、大規模地部署 AI，還需要很多年。20 關鍵落差在於：證明工具做得到某件事，和讓它在組織既有系統、流程及防護措施中可靠運作，並不是同一回事。

新創可以從 Databricks 的經驗學到什麼

最直接的啟示，是把企業客戶準備度納入產品策略：建立能回答買家問題的人員與流程，了解客戶的採購要求，也評估大型合作夥伴能否協助接觸客戶或符合商務條件。119

若銷售的是 AI 產品，則應準備好說明系統如何處理企業脈絡、客戶選擇、營運成本與控管需求。18 合作夥伴或許能替新創打開大門，但最終仍要由產品證明自己能滿足買家需求，並融入企業的實際運作。

拿下大型企業客戶，光有好產品往往還不夠。Databricks 共同創辦人暨現場工程資深副總裁 Arsalan Tavakoli-Shiraji（阿爾薩蘭・塔瓦科利－希拉吉）表示，人員、流程，以及合作夥伴帶來的客戶管道同樣重要。Databricks 初期接觸瑞士銀行 UBS 的經驗，以及後來與 Microsoft Azure 的合作，都說明新創公司若要進入企業市場，商務準備不可少。13

企業採購，看重的不只是產品展示

新創公司即使技術出色，也可能難以打進大型組織。企業採購通常牽涉既有供應商關係、法律與合約條款，以及資安審查。關於塔瓦科利－希拉吉的談話報導指出，Databricks 早期曾因無法妥善回答法律、合約與資安問題，讓商機停滯；也曾遇過潛在客戶早已承諾採用競爭對手產品的情況。19

因此，他強調，除了產品品質，「人員和流程也很重要」。1 對創辦人來說，實際的功課是理解客戶的採購程序、準備好逐項回應，而不是以為技術優勢自然就能換來會面或成交。

Microsoft 如何幫 Databricks 接觸 UBS

Databricks 起初一直難以約到 UBS。後來成為 Azure 合作夥伴，Databricks 得以採用 Microsoft 的合約條款；Microsoft 的業務團隊也協助安排會面，並在與客戶接洽時支持 Databricks。318

這段合作的價值不只在雲端服務的技術連結，也在於協助排除商務門檻，並提供 Databricks 當時尚未自行建立的銷售管道。18 對新創而言，大型夥伴若能帶來客戶接觸機會、信任背書或符合採購要求的方式，價值便不止於產品整合。

企業 AI 採購的「四個 C」

塔瓦科利－希拉吉將企業買家評估 AI 時的考量，歸納為四個面向：脈絡（context）、選擇（choice）、成本（cost）與控管（control）。118

• **脈絡：**AI 能否理解並配合公司的用語、工作流程與優先事項？18
• **選擇：**客戶能否選擇或更換模型，而不是只能依賴單一供應商？18
• **成本：**企業是否負擔得起運行這項 AI 產品的開銷？18
• **控管：**企業能否為系統行為設下防護措施，並保護敏感資訊？18

這四項合在一起，反映出企業採購 AI 的更大考驗：產品不只要在展示中表現出色，還必須配合組織的需求與實際運作限制。

舊系統是 AI 現代化的機會，也是挑戰

塔瓦科利－希拉吉也提到，AI 智能體可能有助於舊系統現代化。相關報導舉例指出，銀行仍可能使用 IBM AS/400 等系統與大型主機；若程式碼陌生或難以理解，修改起來便不容易。20

讓 AI 協助解讀舊系統，或許能成為現代化的起點，但不代表導入 AI 智能體就能立刻取代舊系統。理解既有軟體，與改動企業日常運作仰賴的系統，是兩個不同的步驟。

他也提醒，要在企業中妥善、大規模地部署 AI，還需要很多年。20 關鍵落差在於：證明工具做得到某件事，和讓它在組織既有系統、流程及防護措施中可靠運作，並不是同一回事。

新創可以從 Databricks 的經驗學到什麼

最直接的啟示，是把企業客戶準備度納入產品策略：建立能回答買家問題的人員與流程，了解客戶的採購要求，也評估大型合作夥伴能否協助接觸客戶或符合商務條件。119

若銷售的是 AI 產品，則應準備好說明系統如何處理企業脈絡、客戶選擇、營運成本與控管需求。18 合作夥伴或許能替新創打開大門，但最終仍要由產品證明自己能滿足買家需求，並融入企業的實際運作。