當百工百業開始使用 AI，搶先導入 AI 到工作流的企業就能脫穎而出嗎？鴻海集團亞灣超算產品總監蘇介安於 TechOrange 科技報橘日前舉辦的「2026 企業 AI 主權高峰論壇」，分享企業需要先辨識哪些 AI 應用值得投入與深化為強項，並在推動 AI 發展的同時，掌握資料治理與 AI 控制權。
「你必須在企業端去辨識，AI 到底應用在哪一個階層，」蘇介安引用 Gartner 的架構，依企業競爭力，將 AI 應用分成三層來說明 AI 的商業價值。最底層是維持市場生存的「基本門檻」，如同數位結帳已是零售業的日常；往上第二層是「追隨趨勢」，當同業跟上市場標準，推出自動化客服、動態庫存排程等，企業也得思考如何回應；最頂層則是「差異化優勢」，讓 AI 參與最關鍵的業務決策，創造難以被競爭對手複製的市場價值。
蘇介安以製藥業為例，新藥從研發、臨床試驗、法規審查到產品上市，每一關都是重資本、長週期的考驗；若 AI 能協助團隊整合研究與臨床資料並加入商務價值的參數，提早判斷哪些研發項目值得投入，影響的就不只是工作效率，更是資金與人才如何分配，以及 AI 如何結合核心業務決策，展現 AI 創造差異化競爭優勢。
但蘇介安也提醒，企業在實際推動 AI 應用時，仍會面臨四大瓶頸：分散於各系統及難以串接的資料、缺乏從應用開發到底層基礎設施專業能力的 AI 人才、難以兼顧穩定與高效的算力供應，以及風險控管與資料安全的治理挑戰。
自建 AI 算力中心需要面對的四大能力
出於資安考量，不少企業想要自己建算力，但蘇介安提醒，自建算力的挑戰，初期硬體投資只是第一步，機房工程、系統底層架構、模型維運、資安與實體防禦，乃至供應鏈與資本調度，都需要長期投入。
除了建置與維運能力，蘇介安指出自建算力的三大隱憂：「投資效益低」、「技術迭代快」與「資源被排擠」。他引用 Epoch AI 的估算並換算成一櫃 NVIDIA GB200 NVL72 的算力投資，前期資本支出約 1.5 億新台幣，將資本支出依資產使用年限攤提後，五年的總擁有成本約 1.7 億新台幣。企業仍須依自身規模與使用效益評估，甚至也可能排擠企業投入核心 AI 應用的資源。
即使設備建好了，運作也未必划算。蘇介安觀察，有台灣企業將員工原本使用的外部 AI 服務搬回內部部署，地端算力看似省下 Token 成本，接著卻得處理模型效能調校、系統維運，以及尖峰與離峰需求落差，真正考驗在企業的 IT 架構與團隊營運能力。
資料分級 X 算力彈性部署：主權 AI 的落地分工
那麼，企業要掌握 AI 主導權，就一定得自建算力中心嗎？主權 AI 又該如何落地？蘇介安提出「控制平面與算力平面分工」的概念：將控制平面留在企業，算力平面則取用外部資源，讓身分管理、存取政策、金鑰與稽核等控制權由企業掌握。這套分工要落地，首先企業需要先替資料分級，從 Tier 0 的核心機密到 Tier 4 的公開資料，依照等級訂出權限規則，接著定義各角色擁有權限以及 AI 使用範圍，以及對外連線時確認是否走專線或設定白名單，另外在挑選外部算力服務時，應檢視是否提供專屬 GPU、網路隔離及資料處理機制，確認推論服務能否保證資料不落地，以強化資料安全與 AI 運算環境的可控性。
而 AI Gateway 則是執行這些規則的入口，整合身分與授權、資料外洩防護、安全護欄、模型路由、使用紀錄，以及配額與成本控管。如此一來，企業即使使用外部模型與算力，也能依自己的政策決定誰可以用、可以用什麼、花費多少，以及出問題時如何追查。
在算力方面，蘇介安引用黃仁勳提出的「 AI 五層蛋糕」說明分工：能源、晶片、基礎設施，是企業發展模型與應用的底座。亞灣超算與 NVIDIA 在台灣推進算力中心建置，從底層支援企業的 AI 工作負載，企業則可依自身 AI 路線圖，為訓練、微調或推論選擇合適的算力，把更多心力放在模型與應用上。
但使用外部算力，不代表資料分散、人才不足與治理難題會自行消失。蘇介安強調，企業仍須建立資料分級、角色權限設計與 AI Gateway，當控制權留在企業內部，將最耗資的 GPU 運算由專業算力中心支援，企業才能把有限的人才與資金，集中投入最了解自身業務、也最有機會建立差異化優勢的 AI 應用。
