目錄
「我們是不是也該自己養一個模型？」這句話，近兩年頻繁出現在台灣企業的董事會與預算會議上。資安部門擔心客戶資料、製程參數與交易紀錄放到別人的雲端；業務部門則看著同業已經上線，自己還在紙上評估。於是「企業 AI 自建外購 評估指標」成了決策者最想拿到答案的一道題。
但要小心，這道題如果只用「技術可行性」回答，通常會答錯。它本質上是一道治理題：哪些能力該留在企業內部、哪些交給外部夥伴，以及未來想換人時，到底換不換得掉。
生成式 AI 投資熱潮下，為何「自建或外購」成為董事會難題？
過去，資訊採購多半停在部門層級；現在，AI 專案的預算規模、資料範圍與風險外溢程度，已經大到必須由董事會拍板。原因很簡單：AI 不只是買一套軟體，而是把企業的資料、流程與判斷邏輯重新編排一次。
所以當決策者問「要自建還是外購」，真正在問的其實是：我們要把哪些能力變成自己的？又要為這個選擇承擔多久的責任？
從試辦到規模化的斷層：多數專案未能產生可衡量損益
MIT NANDA 於 2025 年發布的《The GenAI Divide: State of AI in Business》指出，約 95% 的生成式 AI 試辦專案未能產生可衡量的損益影響，僅約 5% 真正進入規模化並創造價值。這個數字之所以震撼，是因為它並非否定 AI 的價值，而是否定「先做再說」的做法。
多數失敗專案的共同特徵是：沒有先定義要解決的流程問題、沒有指定成果指標、也沒有設定退場機制。試辦結束後，專案既無法證明有效，也無法證明無效，只能無限期延長。
自建 33% 對外購 67% 的成功率落差透露什麼
同一份報告中另一個更值得玩味的數字是：透過外部採購或夥伴合作導入者，成功率約 67%；完全由企業自建的，僅約 33%。這並不代表自建一定錯，而是說明自建對「組織能量」的要求極高。
自建需要的不只是算力，還包括資料工程、MLOps、資安與稽核人力，以及能持續迭代的產品思維。當企業把 AI 當成一個「技術專案」而非「營運能力」時，自建的成功率自然會被組織現實拉低。
台灣市場的雙軌樣貌：98.9% 中小企業的真實處境
台灣的處境更有意思。根據經濟部中小及新創企業署《中小企業白皮書》（2024），台灣中小企業達 167.4 萬家、占比 98.9%，多數無力負擔自建算力與專職維運團隊。另一邊，行政院（2025）規劃 AI 新十大建設，2026 至 2029 年投入逾 1,000 億元，帶動產業 AI 化需求。
於是形成「少數大廠自建、多數企業外購」的雙軌樣貌。這不是能力差距，而是分工的自然結果。若你正卡在第一步，可以參考百工百業AI化：中小企業如何選擇第一個應用場景？的判斷方式，先確認場景，再談架構。
| 數據指標 | 數值 | 來源與年份 |
|---|---|---|
| 生成式 AI 試辦未產生可衡量損益 | 約 95% | MIT NANDA（2025） |
| 外購或夥伴合作導入成功率 | 約 67% | MIT NANDA（2025） |
| 完全自建導入成功率 | 約 33% | MIT NANDA（2025） |
| 至少一項職能使用 AI／感受企業層級 EBIT 影響 | 88%／約 39% | McKinsey（2025） |
| 2025 年全球 AI 支出 | 約 1.5 兆美元 | Gartner（2025） |
| 代理式 AI 專案可能於 2027 年底前取消 | 超過 40% | Gartner（2025） |
| 2028 年全球 AI 支出預估 | 6,320 億美元（2024–2028 年複合成長率約 29%） | IDC（2024） |
| 同等推論效能成本下降幅度（2022 年 11 月至 2024 年 10 月） | 約 280 倍 | Stanford HAI（2025） |
| 台灣中小企業家數與占比 | 167.4 萬家、98.9% | 經濟部中小及新創企業署（2024） |
| 政府 AI 新十大建設投入規模（2026–2029） | 逾 1,000 億元 | 行政院（2025） |
四大評估指標總覽：決策者的一頁框架
要把這道題從「感覺」變成「可稽核」，最有效的方法是把討論收斂到四個指標。這四個指標不是技術清單，而是四道必須留下書面紀錄的提問。
指標一：策略貼合度與核心能力定位
第一個問題是：這項能力是不是我們的差異化來源？如果是，自建才有意義；如果不是，自建只是把別人的商品變成自己的成本。這一題的答案會決定後面三題的權重。
指標二：總持有成本與投資回收
第二個問題是：三年的總帳長什麼樣子？不是只有加速卡與授權費，而是資料準備、人力、折舊、電力冷卻、資安稽核與升級回歸測試的加總。同時要設定明確的回收期門檻，否則預算審查會變成各說各話。
指標三：資料主權、合規與維運風險
第三個問題是：敏感資料能不能出境？這個問題的答案不該由資訊部門單獨決定，而要先做資料分級。建議先建立企業導入AI代理前的治理關鍵問題與決策框架，把責任歸屬、紀錄保存與風險評估一次談清楚。
指標四：迭代速度、可逆性與退出成本
第四個問題是：如果三年後想換，代價有多高？這個問題在簽約前問，成本最低；在簽約後問，通常只能接受現實。
| 評估指標 | 核心提問 | 自建有利情境 | 外購有利情境 | 檢核重點 |
|---|---|---|---|---|
| 策略貼合度 | 這項能力是否為差異化來源？ | 具專有資料、直接影響客戶價值、同業難以複製 | 屬通用能力、同業普遍採用、不影響客戶選擇 | 能力定位書、專有資料清單、競品差異說明 |
| 總持有成本 | 三年總帳與回收期各是多少？ | 利用率高、規模夠大、單位成本可攤提 | 用量波動大、前期資本有限、需快速驗證 | 三年 TCO 模型、回收期門檻、敏感度分析 |
| 資料主權 | 敏感資料能否出境或委外？ | 受監理高敏感資料、營業秘密、需稽核軌跡 | 一般營運與行銷素材、可去識別化處理 | 資料分級表、加密與存取紀錄、跨境限制 |
| 可逆性 | 更換供應商的成本與時間？ | 已具備內部能力、可自行維護 | 架構以抽象層隔離、資產可攜 | 資料匯出格式、資產可攜條款、退出協助 |
指標一：策略貼合度——哪些能力非自建不可？
策略貼合度是最容易被高估、也最容易被低估的一項。高估，是因為把「同業都在做」誤認成護城河；低估，是因為沒有認真盤點自己手上到底有什麼別人拿不到的資料。
用交易成本理論畫出企業邊界
Williamson（1985）的交易成本理論提供了一個實用的視角：當資產專屬性高、環境不確定性高時，把能力內部化可以降低議價與協調成本；但代價是犧牲規模經濟與外部創新速度。反之，當能力不具專屬性，外購通常更有效率。
放到 AI 場景，資產專屬性就是「你的專有資料與流程知識有多難複製」。如果答案是很難，自建就有依據；如果答案是誰都拿得到，那自建只是替自己增加維運負擔。
三問篩選法：差異化來源、專有資料、關鍵流程
把理論變成可操作的動作，就是三個問題：這項能力是不是差異化來源？我們是否握有專有資料？它是否涉及關鍵流程？三個都是，才值得自建核心層；只有一項是，適合混合架構；三個都不是，就應該優先外購。
把「同業都在做」誤認為護城河的代價
基礎模型能力每季演進、單位成本快速下滑（Stanford HAI，2025）。這代表企業若把資源押在「追上別人的模型」上，很容易陷入追不上又被綁住的雙重困境：付出高額沉沒成本，卻換不到競爭優勢。
真正的差異化來源，往往在資料層與流程層。這也是為什麼專家會說：「策略的本質，就是選擇不做什麼。」——麥可・波特（Michael Porter），《What is Strategy?》（1996）。
| 篩選問題 | 若答案為是 | 若答案為否 | 建議配置與星級 |
|---|---|---|---|
| 這項能力是否為差異化來源？ | 代表客戶會因此選擇我們，自建具正當性 | 屬通用能力，外購可取得同等效果 | 三題皆為是：核心層自建 ★★★★★ |
| 我們是否握有難以複製的專有資料？ | 資料本身即為資產，宜留在自家並深化 | 資料取得容易，無須為此承擔維運 | 僅一項為是：混合架構 ★★★☆☆ |
| 這項能力是否涉及關鍵流程？ | 流程中斷將直接衝擊營運，需高度掌控 | 屬周邊流程，可容忍外部依賴 | 皆為否：優先外購 ★☆☆☆☆ |
指標二：總持有成本與投資回收——看得見與看不見的帳
總持有成本是四個指標中最容易算錯的一項。原因不是數學太難，而是大家只算看得見的那幾行。
自建端的六大隱形成本：資料、人力、折舊、電力、資安、稽核
Sculley 等人發表於 NeurIPS（2015）的研究指出，機器學習系統中真正屬於模型的程式碼比例其實極低，資料相依、組態債與外部世界變動才是上線後維運風險的主要來源。這正好解釋了為什麼自建常低估長期成本。
實務上，自建端最常被漏算的六項是：資料清理與標註、模型重訓、MLOps 人力、加速器折舊（約 3 至 4 年）、機房電力與冷卻、資安與稽核。其中資料準備往往吃掉專案大部分工時。
外購端常被低估的四項費用：整合、客製、用量、升級回歸測試
外購也不是「月費乘上十二」。系統整合、客製化開發、用量成長曲線，以及每次版本升級後的回歸測試，都是實務上最容易超支的項目。當使用量從試辦擴散到全公司，單位成本的變化常常超出預期。關於這條曲線的拆解，可以延伸閱讀企業AI推論成本飆升怎麼控管預算？拆解與實務指南。
三年 TCO 模型與回收期門檻怎麼設
建議以三年為期建立模型，並設定兩道門檻：第一，回收期不超過 24 個月；第二，模型須做敏感度分析，測試用量成長 2 倍與 0.5 倍時結論是否翻轉。若結論會在合理波動下翻轉，代表這個決策還不夠穩。
傳統做法（預算會議現場）
財務長：「自建就買幾張加速卡加兩台伺服器，授權費抓一抓，應該幾百萬就夠了吧？」
資訊主管：「應該差不多，反正機房還有空間。」
結果：上線後才發現資料清理吃掉大半工時，還要補人、補電、補稽核。
新做法（同一筆預算，不同依據）
財務長：「先把三年總持有成本攤開，資料準備、人力、折舊、電力冷卻、資安稽核與升級回歸測試都要列。」
資訊主管：「外購那條也把整合費與用量成長曲線放進來，我們用回收期門檻決定比例。」
結果：同一筆預算，決策依據從感覺變成可稽核的模型。
| 成本項目 | 完全自建 | 完全外購 | 混合架構 | 常被忽略的原因 |
|---|---|---|---|---|
| 資料清理與標註 | 全額負擔，常占多數工時 | 部分由供應商吸收 | 敏感資料端自行處理 | 被歸類為「前置作業」，未列入預算 |
| 模型重訓 | 需定期投入算力與人力 | 由供應商迭代 | 核心模型自訓、其餘外購 | 誤以為訓練一次即可長期使用 |
| MLOps 人力 | 需專職團隊 | 需求低 | 需具路由與抽象層能力 | 以專案人力估算，忽略長期維運 |
| 加速器折舊 | 約 3 至 4 年攤提 | 無 | 部分自持 | 只算採購價，未算汰換週期 |
| 機房電力與冷卻 | 直接反映在電費與散熱投資 | 含於服務費 | 地端部分需負擔 | 常被視為既有成本而不計入 |
| 資安與稽核 | 需自建紀錄與稽核流程 | 需查核供應商合規 | 兩端皆需 | 等到第一次稽核才發現缺口 |
| 系統整合 | 內部工時 | 外部報價，常追加 | 最複雜，兩端都要整合 | 初期報價未含異質系統串接 |
| 客製化 | 自行開發 | 依需求另行計價 | 應用層自行開發 | 低估需求變更的次數 |
| 用量計費 | 無 | 隨規模上升 | 部分情境按用量 | 以試辦用量線性推估全公司 |
| 版本升級回歸測試 | 自行驗證 | 每次升級都需重測 | 兩端皆需 | 未編列測試人力與時間 |
指標三：資料主權、合規與長期維運風險
資料主權經常被簡化成一句口號：「重要資料不要上雲。」但這句話既不精確，也不可行。真正該問的是：哪一級資料，放在哪裡，用什麼控制措施。
資料分級先於部署選擇：從營業秘密到一般行銷情境
建議把資料由高至低分為四級：受監理高敏感、營業秘密與個資、內部一般營運、公開與行銷素材。分級完成後，部署位置才有依據，才不會走向「全部要求地端」的過度保守，或「全部上雲」的過度曝險。
法規地圖：EU AI Act、歐盟資料法、金管會指引與 AI 基本法草案
國際上，歐盟 AI 法案（2024）分階段上路，歐盟資料法（2025 年 9 月適用）強化雲端轉換協助與資料可攜。台灣方面，金管會發布金融業運用人工智慧指引（2024），AI 基本法草案進入立法程序。這些規範的共同方向是：合規不再是事後補件，而是選商門檻。
與此同時，AI 代理開始參與實際作業，權限邊界就成為資料主權的第一道防線。可以參考企業AI代理授權治理如何定義權限邊界與問責機制，以及AI 代理自主行動如何落實最小權限與稽核軌跡？，把權責寫進系統設計而不是只寫在政策文件裡。
機器學習系統的隱藏技術債為何讓自建長期成本失控
自建最危險的不是第一年，而是第三年。當外部世界變動、資料來源更換、相依套件升版，維護成本會以非線性方式增加。這也是為什麼評估自建時，必須把「三年後的維運情境」寫進計畫，而不是只看上線那一天。
| 資料等級 | 範例 | 建議部署位置 | 必要控制措施 |
|---|---|---|---|
| 受監理高敏感 | 病歷、交易紀錄、信用審核資料 | 地端或私有雲，原則上不出境 | 全程加密、完整存取紀錄、跨境限制、每季稽核 |
| 營業秘密與個資 | 製程參數、配方、客戶名單 | 地端優先；必要時去識別化後使用雲端 | 去識別化驗證、權限分級、留存紀錄、半年稽核 |
| 內部一般營運 | 內部規章、會議紀錄、專案文件 | 雲端可，但需設定存取範圍 | 角色權限、加密傳輸、紀錄保存 |
| 公開與行銷素材 | 官網內容、公開貼文、產品型錄 | 外購 API 即可 | 基本使用紀錄、品質抽查 |
指標四：迭代速度、供應商鎖定與合約條款
第四個指標談的是選擇權。企業買的不只是現在的功能，還包括未來換人的自由。
推論成本兩年降約 280 倍，自建的追趕風險有多大
Stanford HAI《AI Index 2025》指出，達到同等推論效能的成本在 2022 年 11 月至 2024 年 10 月間下降約 280 倍。這代表外購 API 的單位成本長期下滑，而企業自建的硬體折舊與攤提卻是固定的。自建必須達到極高利用率，才可能在外購降價的環境下維持成本優勢。
鎖定的五個層次：提示詞、微調成果、向量索引、評估資料集、工作流程設定
供應商鎖定不是單一事件，而是五個層次逐步累積：提示詞、微調成果、向量索引、評估資料集、工作流程設定。前四項若無法匯出，更換供應商等於整個專案重做。這也是為什麼檢索增強生成（RAG）架構下的資產盤點格外重要，可延伸閱讀企業如何用檢索增強生成降低AI幻覺風險，理解資料層該如何設計成可攜。
合約必寫的六項可攜與退出條款
議價能力在簽約那一刻就大致決定了。建議至少把六件事寫進附錄：資料匯出格式、提示與微調資產可攜、模型版本與服務水準、責任上限、訓練資料使用範圍、退出協助與過渡期。
傳統做法（第一次議約）
採購主管：「就用你們的標準合約吧，反正大家都這樣簽。」
供應商：「對，資料匯出我們會盡量協助。」
結果：兩年後想換供應商，才發現提示與微調成果無法帶走，等於整個專案重做。
新做法（第二次議約）
採購主管：「請把資料匯出格式、微調資產可攜、服務水準、責任上限與退出協助寫進附錄。」
供應商：「我們可以提供結構化匯出與 90 天過渡支援。」
結果：議價能力與選擇權，在簽約那一刻就被保住了。
| 條款項目 | 應約定內容 | 未約定的風險 | 檢核優先序 |
|---|---|---|---|
| 資料匯出格式 | 明定結構化格式、頻率與交付方式 | 只能人工搬移，轉換期拉長 | 高 |
| 提示與微調資產可攜 | 確認提示、微調成果與設定可匯出 | 資產留在供應商端，重建成本高 | 高 |
| 模型版本與服務水準 | 載明版本變更通知期與可用性水準 | 改版導致既有流程失效 | 高 |
| 責任上限 | 界定錯誤輸出的責任歸屬與賠償上限 | 事故發生時責任不明 | 中 |
| 訓練資料使用範圍 | 明定不得將企業資料用於訓練通用模型 | 營業秘密外溢風險 | 高 |
| 退出協助與過渡期 | 約定協助時長、人力與費用 | 轉換期間服務中斷 | 中 |
三種導入模式比較：完全自建、完全外購、混合架構
談完四個指標，就可以把選項攤開來比較。實務上並非只有兩個極端，第三條路往往最貼近現實。
完全自建：掌控度最高，沉沒成本也最高
完全自建適合資料高度敏感、流程高度專有、且已具備維運團隊的企業。優勢是資料不出境、可深度客製；限制是前期資本支出高，迭代速度受內部能量限制，失敗時的沉沒成本也最大。
完全外購：上線最快，議價能力流失最快
完全外購適合需要快速驗證價值、用量波動大的情境。上線快、無前期資本支出、維運負擔低，但客製深度有限，用量成本隨規模上升，也較容易受供應商政策與定價調整影響。
混合架構：敏感資料地端、一般情境雲端的多模型路由
混合架構依資料分級分流，兼顧速度與主權，並透過抽象層保留多供應商替換空間。代價是架構複雜度與治理難度明顯增加。若企業場景橫跨門市、產線與辦公流程，可以參考邊緣AI應用案例：零售、製造、交通的落地判斷與策略，理解分流設計的實務考量。
| 模式 | 優勢 | 限制 | 適合情境 |
|---|---|---|---|
| 完全自建 | 資料不出境、深度客製、模型行為完全掌控 | 前期資本支出高、需專職 MLOps 與資安人力、迭代受內部能量限制 | 資料高度敏感、流程高度專有、已具維運能量 |
| 完全外購 | 上線快、無前期資本支出、可跟隨外部迭代 | 資料需跨境或委外、客製有限、用量成本隨規模上升 | 需快速驗證、用量波動大、無專職維運團隊 |
| 混合架構 | 兼顧速度與主權、可依資料分級分流、保留替換空間 | 架構複雜、需路由與抽象層能力、治理與成本控管難度增加 | 資料等級落差大、跨多場域、需長期治理節奏 |
| 評分構面 | 完全自建 | 完全外購 | 混合架構 |
|---|---|---|---|
| 資料主權 | ★★★★★ | ★★☆☆☆ | ★★★★☆ |
| 前期資本支出 | ★☆☆☆☆ | ★★★★★ | ★★★☆☆ |
| 上線速度 | ★★☆☆☆ | ★★★★★ | ★★★☆☆ |
| 迭代速度 | ★★☆☆☆ | ★★★★☆ | ★★★★☆ |
| 維運負擔 | ★☆☆☆☆ | ★★★★★ | ★★★☆☆ |
| 可逆性 | ★★☆☆☆ | ★★☆☆☆ | ★★★★☆ |
不同規模與產業怎麼選？四種企業樣貌
同一個框架，放到不同規模與產業，權重會完全不同。以下用四種常見樣貌說明。
中小企業：外購為主、自建為輔
對多數中小企業而言，資源有限、維運人力不足，最務實的做法是先以外購服務驗證流程價值，僅把真正具專有資料且直接影響差異化的環節內化。自建前應先確認有專職維運人力與三年預算。
金融與醫療：主權優先的混合架構
受監理產業通常以資料主權為第一順位。混合架構較能同時滿足合規與速度：高敏感資料落地處理，一般情境採外購服務。合約中的稽核權與紀錄保存條款，往往是選商的關鍵。
大型製造與零售：資料層自建、模型層外購
製造與零售的價值多半集中在資料層與流程層。把資料治理、評估資料集與流程文件留在自家，模型層則跟隨外部迭代，是相對平衡的配置。連鎖門市若要導入代理管理顧客回饋，可延伸參考連鎖門市用AI代理管理評論的流程與品質控管技巧。若是半導體與電子製造場景，則可對照AI 代理如何緩解半導體工程師短缺困境？EDA導入策略解析。
政府與受監理採購：合規條款即選商門檻
政府與受監理採購的招標條件通常已納入風險評估、紀錄保存與轉換協助。此時合規條款不只是加分項，而是投標資格。建議在需求書階段就把資料分級與退出條款寫清楚。
| 企業樣貌 | 建議模式 | 優先指標 | 注意事項與星級 |
|---|---|---|---|
| 中小企業 | 外購為主、自建為輔 | 總持有成本、迭代速度 | 先驗證流程價值，再內化專有資料環節；自建急迫度 ★★☆☆☆ |
| 金融與醫療 | 混合架構（主權優先） | 資料主權、可逆性 | 稽核權與紀錄保存條款不可省略；自建急迫度 ★★★★☆ |
| 大型製造與零售 | 資料層自建、模型層外購 | 策略貼合度、總持有成本 | 評估資料集與流程文件務必留在自家；自建急迫度 ★★★☆☆ |
| 政府與受監理採購 | 依招標條件配置，多為混合 | 資料主權、可逆性 | 合規條款即資格門檻，需求書階段先寫清楚；自建急迫度 ★★★☆☆ |
五步驟落地：從能力定位到 90 天 Go/No-Go
框架要能落地，必須變成動作。以下五個步驟，建議直接排進下一次預算會議的議程。
步驟一至步驟三：能力定位、三年 TCO 模型、資料分級
第一步，用三問篩選法定位核心能力，非核心環節一律優先外購。第二步，建立三年 TCO 模型，逐項列出資料準備、人力、算力折舊、電力冷卻、資安稽核、系統整合、用量計費與升級回歸測試，並設定回收期門檻。第三步，完成資料分級，決定落地位置、加密、去識別化與跨境限制。
步驟四至步驟五：可攜條款、試辦與階段門檻
第四步，把資料匯出格式、提示與微調資產可攜、服務水準、責任歸屬、訓練資料使用範圍與退出協助寫進合約。第五步，以 90 天為一期設定 Go/No-Go 指標，未達門檻就退場，不再無限期延長。
把每季重評自建與外購比例寫進治理節奏
基礎模型能力與單位成本變動快速，合約條款與法規也會更新。建議至少每季重新檢視自建與外購的配置比例，讓決策跟著現實走，而不是跟著當初的假設走。
| 檢核面向 | 指標 | Go 門檻 | No-Go 訊號 |
|---|---|---|---|
| 採用情況 | 目標使用者採用率 | 第 90 天達 60% 以上 | 低於 30% 且無成長趨勢 |
| 任務成效 | 任務完成率 | 達人工基準的 90% 以上 | 低於 70%，且改善幅度趨緩 |
| 成本效率 | 單位任務成本 | 低於現行人工成本的 80% | 連續兩個月上升且未見規模效益 |
| 人力依賴 | 人工介入率 | 低於 20% | 高於 50%，實質仍需全人工複核 |
| 合規表現 | 合規事件數 | 0 件重大事件 | 出現資料外洩或未授權存取事件 |
常見誤區與決策陷阱
最後，整理五個在實務現場最常看到的誤區。它們通常不是判斷錯誤，而是「漏看了一格」。
五個最常見的誤區：只算硬體、迷信同業、全雲或全地端、忽略退出成本、試辦沒有退場機制
只算加速器與授權費，會讓自建看起來遠比實際便宜；把同業做法當成護城河，會讓資源錯置；資料分級缺位，會讓組織走向全雲或全地端兩個極端；合約未談可攜，會在兩年後付出高額轉換成本；試辦沒有 Go/No-Go，則會讓專案變成無法結案的長期支出。
值得一提的是，當工具越強，人的判斷力反而更重要。這也是AI越強，工程師為何更要自己動手寫？這篇文章想談的核心：工具能加速執行，但邊界與取捨仍要由人決定。
如何把誤區轉成可稽核的檢核點
把每一項誤區改寫成一個可查核的文件要求：成本要有一張三年表、能力要有一份定位書、資料要有一張分級表、合約要有一份可攜條款清單、試辦要有一張門檻表。文件存在，共識才存在。
| 常見誤區 | 背後原因 | 修正做法 |
|---|---|---|
| 只算加速器與授權費 | 以採購思維估算，忽略營運與人力 | 建立三年 TCO 模型，逐項列出十類成本 |
| 把同業做法當護城河 | 缺乏能力定位與差異化盤點 | 用三問篩選法逐一檢核並留下紀錄 |
| 資料分級缺位，走向全雲或全地端 | 以部門立場取代組織標準 | 先完成四級資料分級表，再決定部署位置 |
| 合約未談可攜與退出 | 認為換供應商不會發生 | 把六項可攜條款列為簽約必要條件 |
| 試辦沒有 Go/No-Go | 成果指標未事前定義 | 以 90 天為期設定門檻與退場訊號 |
| 忽略升級回歸測試成本 | 假設模型版本長期不變 | 把每次升級的測試人力編入年度預算 |
常見問答：企業 AI 自建外購的實務疑問
以下整理五個決策現場最常被問到的問題，並以評估指標分類，方便快速跳讀。
| 問題類型 | 對應評估指標 | 建議先讀章節 |
|---|---|---|
| 中小企業該自建還是外購 | 策略貼合度、總持有成本 | 指標一、指標二 |
| 自建的隱形成本有哪些 | 總持有成本 | 指標二 |
| 如何避免供應商鎖定 | 可逆性、合約條款 | 指標四 |
| 資料主權是否強制地端部署 | 資料主權 | 指標三 |
| 決策多久重新檢視一次 | 迭代速度、可逆性 | 指標四、五步驟落地 |
中小企業的選擇邏輯
問：中小企業該自建 AI 還是外購 AI？
答：多數台灣中小企業人力與資本有限，建議以外購為主、自建為輔。先以外購服務驗證流程價值，僅把具專有資料且直接影響差異化的環節內化。自建前應先確認有專職維運人力與三年預算，否則容易陷入上線後無人維護的困境。
隱形成本與鎖定風險
問：自建 AI 的總持有成本包含哪些常被忽略的項目？
答：主要包括資料清理與標註、模型重訓、MLOps 人力、機房電力與冷卻、硬體折舊、資安與稽核，以及合規文件維護。研究顯示模型程式碼占比其實很低，資料與組態相依才是長期負擔（Sculley 等人，NeurIPS，2015）。估算時務必把這些項目納入三年模型。
| 成本項目 | 內容 | 為什麼容易漏算 |
|---|---|---|
| 資料清理與標註 | 格式統一、品質檢查、標註人力 | 被視為前置作業，未編列正式預算 |
| 模型重訓 | 定期以新資料更新模型 | 誤以為訓練一次即可長期使用 |
| MLOps 人力 | 部署、監控、版本管理 | 以專案人力估算，忽略長期需求 |
| 機房電力與冷卻 | 電費、散熱與機櫃空間 | 被視為既有成本而未計入 |
| 硬體折舊 | 加速器約 3 至 4 年汰換 | 只算採購價，未算汰換週期 |
| 資安與稽核 | 存取紀錄、稽核流程、合規文件 | 等到第一次稽核才發現缺口 |
問：企業 AI 外購如何避免供應商鎖定與合約條款風險？
答：在合約中約定資料匯出格式、提示與微調資產可攜、服務水準與退出協助；技術面則以抽象層隔離模型呼叫，保留多供應商路由能力。並將評估資料集與流程文件留在自家，確保更換時可快速驗證替代方案。
| 條款項目 | 應約定內容 | 未約定的風險 |
|---|---|---|
| 資料匯出格式 | 結構化格式、頻率與交付方式 | 只能人工搬移，轉換期拉長 |
| 資產可攜 | 提示與微調成果可匯出 | 資產留在供應商端，重建成本高 |
| 服務水準 | 可用性水準與版本變更通知期 | 改版導致既有流程失效 |
| 責任上限 | 錯誤輸出的責任歸屬與賠償上限 | 事故發生時責任不明 |
| 退出協助 | 協助時長、人力與過渡期 | 轉換期間服務中斷 |
資料主權與重新檢視頻率
問：資料主權與合規會強迫企業一定要地端部署 AI 嗎？
答：不一定。關鍵是資料分級：涉及營業秘密、個資或受監理的高敏感資料，才需要落地或去識別化處理；一般行銷與客服情境可用外購服務。先分級再決定部署位置，可避免過度保守造成的成本浪費，也能避免過度曝險。
問：企業 AI 自建外購的評估指標多久要重新檢視一次？
答：建議至少每季檢視一次。基礎模型能力與單位成本變動快速，合約條款與法規也會更新。以採用率、任務完成率與單位成本三項指標為準，若外購成本已超過自建攤提、或自建迭代明顯落後，就應重新配置比例。
品牌觀點：王道治理視角下的自建外購取捨
從智菩科技（AIbud）與王道經營學的視角來看，自建或外購從來不是單純的技術選擇，而是一道治理題。
先定價值排序，再談技術選型
治理的第一步是定邊界與權責，也就是先說清楚價值排序：什麼對客戶最重要？什麼風險絕對不能承擔？什麼成果必須在什麼時間內看到？若這三件事沒有共識，任何技術選型都只是把爭議延後。
王道強調「創造價值、利益平衡、永續經營」。放到 AI 採購上，就是要同時看見顯性與隱性、現在與未來、直接與間接的成本與效益，而不是只比較第一年的帳面數字。
治理、領導、管理三層如何對應四大評估指標
治理層對應的是資料主權與合規邊界，決定哪些資料絕對不出門；領導層對應的是策略貼合度，決定哪些能力值得內化為組織能力；管理層對應的是總持有成本與可逆性，決定預算怎麼編、合約怎麼簽、門檻怎麼設。
三層都對齊，AI 才會成為智慧的延伸，而不是另一筆說不清楚的支出。
把選擇權留在自己手上的長期思維
最實務的建議是：把提示與微調資產、評估資料集與流程文件的擁有權留在自己手上。這些資產不隨供應商更換而消失，選擇權才不會在簽約那一刻就流失。
若你正在準備下一次 AI 預算會議，可以先從三年總持有成本模型與資料分級表開始，把四大評估指標寫成一頁檢核清單；需要共同語言時，再回來對照本文的比較表。
結論：自建或外購不是二選一，而是配置問題
回到最初的問題：企業 AI 該自建還是外購？答案通常不是其中一個，而是「哪一部分自建、哪一部分外購、比例多少、多久重評一次」。
四大評估指標的最小可行檢核清單
策略貼合度：用三問篩選法確認能力定位；總持有成本：建立三年 TCO 模型並設定回收期門檻；資料主權：完成四級資料分級表並對應部署位置；可逆性：把六項可攜條款寫進合約。四張表備齊，決策就能被稽核。
今天就能開始的一項行動
如果只能做一件事，就先把「三年總持有成本模型」建起來。把資料準備、人力、折舊、電力冷卻、資安稽核、系統整合、用量計費與升級回歸測試全部列上，你會發現原本的爭論很快就會收斂到具體數字上。