過去幾年來，許多大型企業都投入資源，發展 AI 基礎設施、軟體，還有其他相關建設，然而，即便財務部門同意計畫，採購部門也開始動作，但卻鮮少有企業理解未來該如何管理這些 AI 系統背後所涉及的資料。
在資料無法妥善得到管理的情況下，它將會悄無聲息、日積月累的拖慢公司業務表現，並且以預期之外的人力成本增加、專案進度延誤等形式表現出來。
根據麻省理工學院（MIT）於 2025 年發表的一份報告，高達 95% 的企業生成式 AI 試點計畫，對於營收幾乎或根本沒有可量化的影響。該報告表明，模型品質並不是企業面臨的主要問題，而是企業將 AI 整合到營運流程的方式存在缺口。
換句話說，即便企業的 AI 試點計畫成功了，也無法證明當同一套 AI 系統套用整個組織的運作環境時，獲得同樣順利的表現。
企業 AI 的隱形稅，來自搬不動的資料
科技巨頭戴爾（Dell）技術長辦公室基礎架構解決方案 VP Gaurav Chawla，近日於專欄文章中提出「企業 AI 隱形稅」的概念，說明企業 AI 專案之所以從「試點成功」變成「營運失敗」，其過程容易遭到領導者忽略的困境與難關。
Gaurav Chawla 首先指出，大多數企業在導入全新 AI 平台之後，就會誤認為僅需要將資料匯集到一處，其上方的智慧層就能自然運作。Gaurav Chawla 說，這雖然是個合理的假設，可是在企業級規模下，想實現幾乎是不可能。
理由在於企業資料具有引力，也就是所謂的「資料引力（Data Gravity）」，例如法規規定某些資料只能存放在特定位置，資料主權規則也要求資料只能儲存於指定區域，無法隨意流動與遷移；過去花費數十年時間針對某個資料集建立治理架構的業務單位，也幾乎沒有動機將資料移動到新的平台，有時甚至沒有合法、合規的途徑允許部門這麼做。
資料引力最重要的影響，就是當有人試圖將資料，以及圍繞資料所建構的應用程式分離時，這些應用程式將可能會因此發生嚴重且代價高昂的故障。
Gaurav Chawla 指出，資料引力所帶來的影響，通常隱藏在企業 AI 專案的概念驗證與試點計畫之中，因為這些項目通常只會在經過預先清理的小部分資料上運作，而企業真正需要負擔的成本，將會於 AI 專案應用到大部分雜亂無章的真實環境資料後才浮現。
廣義上資料引力概念的本質為「資料集越大，企業移動的成本就越高」，其中傳輸費用僅是一部分，資料交由 AI 處理後所產生的延遲、頻寬、安全控制及營運開銷，全都會再進一步推高整體成本，所謂的「企業 AI 隱形稅」正是由此而來。
隱形稅不只一筆帳，還會層層壓在團隊身上
Gaurav Chawla 認為，因「資料引力」所產生的「企業 AI 隱形稅」，通常不會以單一項目呈現，而是以數十項細微需求的形式，壓在原本就已不堪重負的團隊身上。
舉例來說，負責團隊必須建立並維護資料傳輸管道，將資料從原本未經此類流量設計的系統中移出；當來源系統變更時，還要將每份副本與原始資料進行對帳；而且無論資料儲存於何處，都必須套用相同的治理控制措施。此外，團隊還必須追蹤為開發、測試、分析及訓練所建立的額外資料集。
這些任務若只單看任何一項，似乎都不至於造成災難性的後果，拖累企業實際營運，但當它們疊加在一起時，便會成為 AI 專案的重大負擔，甚至隨著組織試圖擴大專案規模，負擔的代價只會越來越高。
成本延遲浮現，回頭修改代價更高
除此之外，Gaurav Chawla 強調「企業 AI 隱形稅」最危險的地方，還在於它出現的時機。這筆帳往往會在企業採購完成，而且團隊組建到位之後的 12 至 24 個月內才浮現，此時 AI 帶來的初步成果，早就已經被負責單位向上呈報。
當採購合約已經簽署、團隊人力都已經聘僱，企業甚至連發展方向也已經對外公開承諾，想要再回頭重新修改架構，其成本將遠高於企業從一開始就針對資料引力進行設計。
尤其對於規模較大的企業來說，雖然運算資源的需求容易規劃並納入預算，可是資料管線維護、資料對帳、治理、安全審查，以及維持系統運作所需的人力，卻會分散在不同組織之中，使得狀況變得更加複雜。
AI 需要的是上下文，不是更大的資料倉儲
Gaurav Chawla 直言，多數企業針對停滯 AI 計畫所做的事後檢討，往往僅止於「資料尚未準備就緒」的層面，這種判斷雖然方向正確，可是卻不完整，因為更深層的問題在於企業正試圖用儲存策略去解決「上下文」問題。
簡單來說，AI 模型從來不需要有人將原始資料直接倒在它面前，它需要的是上下文，即能夠找出正確的紀錄、與政策進行交叉比對、遵守存取規則，並基於最新資訊進行運作，而非僅依賴專案啟動的資料快照。
Gaurav Chawla 表示，想讓 AI 模型獲得這些東西，解法從來不是更大的資料倉儲，而是建立起企業級的上下文層，利用一種受管制且一致的機制，跨系統和跨位置發現資料，接著連結並檢索資料，這樣就不必將每個資料來源將資料交給中央儲存庫處理。
在這種情況下，中繼資料和向量資訊能夠協助 AI，查找並推論受到法規、主權、所有權限制，無法任意移動的紀錄。Gaurav Chawla 說，關鍵並不在於如何將所有資料匯集到同一個地方，而在於如何讓正確的上下文能在資料原本所在的任何位置、無論受何種規則管轄的情況下，都能被 AI 模型有效運用。
投入 AI 建設前，企業先回答 4 問題
Gaurav Chawla 提醒，在執行重大的 AI 基礎設施投資之前，企業應該要先回答四個基本問題：
- 第一，哪些資料集受到法規或合約限制而無法移動？
- 第二，目前各資料集的治理權歸誰所有？同時當資料集的副本存在於其他地方時，又會發生什麼情況？
- 第三，隨著來源系統的演進，這些副本將如何保持同步？
- 第四，智慧處理能否部署至資料現存的位置，還是架構要求所有資料必須集中化？
Gaurav Chawla 表示，企業釐清這些問題後，將有助於篩選出新架構、新平台的候選供應商，達成導入 AI 的目標，並且以更低成本快速實現業務流程自動化；此外，資料架構應該是成為 AI 商業案例中最主要的要考量項目，而非是在採購合約簽訂後才需要被解決的細節。
ROI 反映一半問題，還有一半是資料
最後 Gaurav Chawla 強調，企業通常會用 Token、吞吐量和 GPU 使用率來衡量 AI 的投資報酬率（ROI），而這些指標雖有助於評估 AI 專案的效率，但僅能反映出問題的一半。
所謂企業 AI 價值的另一半，終究限制在於運算的上游環節，即餵入模型的資料是否值得信賴、是否受到妥善管理，以及能否保持最新狀態，同時又不對相關人員造成日益沉重的負擔。
Token 使用量和 GPU 效率，可以告訴企業團隊運作 AI 模型的成本，但它們無法呈現一款 AI 模型，是否具備做出良好決策所需要的上下文。若想達成這一點，將始終取決於底層資料是否準確、最新、受管控，並且跟正確的業務流程互相連結。
從資料中萃取出的上下文，決定了 AI 自主行動的準確性，以及企業是否正朝著成為「AI 原生組織」的方向前進；既然企業都懂得為 AI 運算成本編列預算，那麼資料架構自然也會需要。
Gaurav Chawla 說，未來能從 AI 中獲益最多的企業，將是那些可以設計資料架構時，為 AI 代理所需要的上下文提供支援，同時還不必移動或刻意集中全組織資料的企業。
【推薦閱讀】
◆ 【企業 AI 成本報告】代理型 AI 與 AI 開發工具成本衝擊商業決策，建立「主動式財務防線」防範失控帳單
◆ 通用 AI 懂最多卻搞不定公司內部流程，企業需要訓練自己的專屬模型
◆ 【用資安思維做 AI 治理】78% 員工自行使用未核准 AI，企業可比照資安管控分層授權
＊本文開放合作夥伴轉載，參考資料：SiliconANGLE、Fortune，首圖來源：Nano Banana 2
（責任編輯：鄒家彥）
