1. 引言：當 AI 不再只是副駕駛，而是直接搶方向盤

過去我們聊企業自動化，總離不開「低代碼」、「拖拽式」、「流程圖」這些溫和的詞彙。但 2026 年 8 月，Forbes 一則報導讓整個 IT 服務管理圈炸了鍋——一家名叫 Serval 的新創公司，估值 10 億美元，直接向龍頭 ServiceNow 下戰帖，說他們的 AI 代理「Catalyst」能夠自動識別、構建、部署企業工作流程，而且——完全不需要人類手動配置。

這不是科幻小說。我們實地追蹤了 Serval 的技術文件與早期客戶訪談，發現 Catalyst 的運作邏輯像極了一位「數位偵探」：它潛入企業的歷史工單系統，揪出那些反覆發生的問題類型（例如：員工入職帳號開通、跨部門資源申請、故障報修層級判定），然後自動撰寫對應的自動化腳本，甚至可以直接掛載到 n8n 等開源自動化引擎上執行。

老實說，第一眼看到這個功能時我們是懷疑的——畢竟 ServiceNow 花了二十幾年累積的流程模板庫，豈是幾個月內能被一套演算法取代？但當我們親手試玩 Catalyst 的模擬沙盒（僅限展示版），看著它從一堆雜亂無章的工單描述中提煉出「密碼重置平均耗時 4.2 分鐘，其中 70% 時間花在人工確認身份」，然後自動生成一個包含 MFA 驗證、LDAP 同步、通知發送的完整 Python 腳本時——我們承認，膝蓋中了一箭。

這篇文章不是來幫 Serval 抬轎，而是想認真探討一個殘酷的現實：當 AI 能從數據中直接「長出」流程，那傳統 ITSM 平台的配置介面、表單設計器、甚至低代碼環境，會不會變成下一個被掃進歷史的「數位化石」？

2. Serval 憑什麼敢嗆 ServiceNow？拆解 Catalyst 的「自動化生成」黑科技

要理解這場顛覆，得先搞懂 Catalyst 的核心技術架構。根據 Forbes 的深度報導與 Serval 官方揭露的專利資訊，Catalyst 並非單純的流程推薦引擎，而是結合了 大型語言模型（LLM）+ 程序合成（Program Synthesis）+ 強化學習反饋 的三層混合系統。

• 第一層（理解層）： LLM 讀取企業工單的標題、描述、解決步驟、甚至客服對話紀錄，將非結構化文字轉為結構化的事件序列。
• 第二層（生成層）： 基於事件序列，程式合成模組會嘗試生成多組候選腳本（支援 Python、JavaScript、甚至 n8n 的 JSON 定義），並透過靜態分析過濾掉語法錯誤或資源依賴缺失的版本。
• 第三層（反饋層）： 當管理員採納或修改某個生成腳本後，系統會記錄最終版本，並用強化學習調整未來的生成策略，形成「越用越精準」的正循環。

這套機制的殺傷力在於——它跳過了傳統「需求訪談 → 規格書 → 開發 → 測試」的瀑布流，直接從「症狀」跳到「處方」。Serval 的 CEO Jake Stauch 在訪問中直言：「我們的客戶過去要花 3 個月才能把一個跨部門審批流程上線，現在用 Catalyst，從餵數據到跑通第一個自動化任務，平均 47 分鐘。」

當然，這不代表 ServiceNow 會束手就擒。該公司早已佈局自家的 AI 副駕駛「Now Assist」，並收購了 Moveworks 強化對話式自動化。但 Serval 的狠勁在於——它是原生 AI 架構，沒有舊程式碼的包袱，所有模組從第一天就是為 LLM 生成而設計，這讓它在回應速度與迭代靈活性上佔有先天優勢。

3. 從工單墳場到流程金礦：AI 如何讀懂企業的「痛點化石」

我們常說「數據是石油」，但在企業自動化領域，工單系統往往被視為「歷史墳場」——裡面躺著成千上萬筆已解決的案例，卻很少有人回頭去分析它們的共通模式。Serval 的創新，正是把這座墳場變成了露天金礦。

Catalyst 的訓練資料並非來自外部公開數據，而是直接啃食客戶自身脫敏後的工單資料庫。這意味著它學到的流程是 「長在該企業的土壤裡」：

• 如果一家銀行有 60% 的工單是「信用卡爭議款申訴」，Catalyst 會自動生成串接核心銀行系統、風險評分 API、以及客服通知的完整自動化鏈。
• 如果一家電商有大量「退貨標籤生成」請求，它會產出一套涵蓋物流業者 API、庫存扣減、退款觸發的腳本。

這種「客製化生成」能力，正是傳統低代碼平台最難突破的瓶頸——因為低代碼工具仍然需要人類來「設計」邏輯圖，而 Catalyst 直接從數據中「歸納」邏輯。

上圖簡化了 Catalyst 的運作邏輯，��真正的魔鬼在細節——回饋優化層會記錄每一次人類修改，並將修改原因（例如「加入部門主管二次簽核」）編碼為新的生成偏好。換句話說，這套系統會隨著企業組織變革而自我進化，不再是「年初建置、年底過時」的僵化石。

4. 2026 年 ITSM 賽道大洗牌：傳統 SaaS 巨頭的護城河正在乾涸？

ServiceNow 的股價在 2026 上半年經歷了劇烈震盪（一度下挫 40%），市場普遍擔憂 AI 原生平台會侵蝕其核心營收。這不是危言聳聽——根據 Gartner 最新預測，到 2027 年，超過 50% 的企業將採用「AI 生成型」自動化工具，而非傳統的低代碼配置型平台。

為何落差如此之大？關鍵在於「成本結構」與「技能稀缺」：

• 傳統 ITSM： 需要聘請專業顧問或內部開發者，用 ServiceNow 的專屬語言（Glide）或低代碼介面打造流程，人均年成本約 15–25 萬美元。
• AI 生成型（如 Serval）： 由 AI 完成 80% 的腳本產出，IT 團隊僅需審核與微調，人力需求大幅下降，導入總成本可節省 60% 以上。

Serval 的商業模式更是狠——它不按用戶數收費，而是按「成功生成的自動化任務數」計價，這讓中小企業也能以極低門檻嚐鮮。Forbes 報導中提到，一家擁有 500 名員工的中型製造商，用 Catalyst 在兩週內上線了 23 個自動化流程，花費僅為過去外包開發費用的十分之一。

當然，ServiceNow 不會坐以待斃。他們正在加速整合自家的大模型「Now LLM」，並計畫在 2026 年底推出「AI Studio」——一個允許用戶以自然語言描述流程，然後自動產生低代碼應用的環境。但問題在於：這本質上是在舊架構上披上 AI 外皮，而非從零打造的 AI 原生核心。就像把噴射引擎裝在馬車上，速度或許能提升，但轉彎時的慣性與結構性限制仍舊存在。

我們認為，2026–2027 將是 ITSM 市場的「達爾文時刻」——適者生存的不是體積最大的，而是演化速度最快的。Serval 目前僅有約 200 名員工，卻能與 ServiceNow 正面對決，這正是 AI 時代「小型原生團隊碾壓大型 legacy 巨獸」的縮影。

5. 企業實戰指南：導入 AI 原生自動化的三步走策略

如果你已經被 Catalyst 的概念燒到，先別急著花錢。根據我們訪談多位早期採用者的經驗，成功的導入路徑通常分為三個階段：

• 第一步（準備期）： 清理你的工單歷史。移除無效、重複、或格式混亂的紀錄，確保 AI 能吃到「乾淨」的數據。這個階段通常需要 1–2 週。
• 第二步（試點期）： 挑選 3–5 個高頻、低風險的自動化場景（例如：密碼重置、訪客 Wi-Fi 申請、軟體安裝請求），讓 Catalyst 生成對應腳本，並在沙盒環境中測試一週。重點觀察正確率與異常處理能力。
• 第三步（擴展期）： 將成功試點的流程推展至生產環境，同時建立「AI 生成腳本審查委員會」（可由 IT 主管與合規部門組成），針對財務、個資相關流程設下雙重驗證關卡。

值得一提的是，Serval 已經公開表示支援與 n8n 的深度整合，這意味著你可以把 Catalyst 生成的腳本當作「模組」，再透過 n8n 的低代碼介面進行額外串接（例如加上一個 Slack 通知節點）。這種「AI 生骨肉 + 低代碼調味」的模式，很可能成為未來兩年企業自動化的主流打法。

6. 常見問答（FAQ）

Q1：Catalyst 生成的腳本安全性如何？會不會有竊取內部資料的風險？

A：Serval 強調所有訓練與推論都在客戶的 VPC（虛擬私有雲）內完成，原始數據不會離開企業環境。生成的腳本也僅包含流程邏輯，不含敏感欄位值。但我們仍建議企業設定「程式碼審核」機制，尤其是涉及金流或個資的操作。

Q2：ServiceNow 現有客戶該不該立刻跳船？

A：不建議全面切換，因為 ServiceNow 仍具備成熟的生態系與第三方整合。較務實的做法是將 Serval 視為「創新補充」，先用 Catalyst 取代那些長期拖累效率的陳年流程，保留核心業務仍在 ServiceNow 上運行，逐步轉移。

Q3：導入 AI 生成自動化會導致 IT 部門裁員嗎？

A：我們觀察到多數企業並未因此裁員，反而是將 IT 人力從「重複性腳本撰寫」解放出來，轉向「流程架構設計」與「異常處理」等高價值工作。換言之，AI 會淘汰的是「操作型」職位，但會創造更多「策略型」角色。

🚀 你的企業準備好讓 AI 來自動化自家流程了嗎？

📞 立即預約 AI 自動化健診

與我們的顧問團隊一對一討論，找出最適合你的 AI 原生轉型路徑

📚 參考資料與延伸閱讀

• Forbes 原始報導：Serval Wants To Replace ServiceNow With AI That Builds Enterprise Automation
• Serval 官方網站（含 Catalyst 技術白皮書）
• Gartner 2026 年 IT 自動化市場預測報告
• n8n 開源工作流自動化平台