根據資誠聯合會計師事務所發布的《2025 年全球暨台灣企業領袖調查報告》，有 60％ 的台灣企業預估，生成式 AI 將在未來 1 年內帶來利潤成長。
然而，報告也指出， 台灣仍有高達 42％ 的企業在過去1年未曾使用 AI，高度／非常信任生成式 AI 的企業更僅占 5％，皆低於全球平均 。
換言之，台灣企業在面對 AI 時，展現出「既期待又怕受傷害」的矛盾心態。關於 AI 的導入與落地，各種觀點眾聲喧嘩，使得企業難以果斷下決策。
雲端還是地端？通用大模型或專屬小模型？本篇報導邀請來自產業智庫、顧問公司與解決方案供應商的第一線觀察者，從技術趨勢、成本預算到實務部署，逐一拆解企業導入「地端專屬 AI」最常面對的 4 大問題。
Q1：雲端、地端成本差距多大？哪一種更省？
陳文裕／數位無限執行長：
雲端方案表面上無需建置基礎設施、看似彈性十足，但一旦使用頻率拉高、規模擴大，長期租用費用很容易飆升。
反觀地端部署雖然前期投入較高，若能善用 GPU 管理與資源切割，一套硬體可支援多部門同時運行，使用率提高、成本也能有效攤平。
林緯／群聯電子技術長
以 4,000 人的企業為例，若全員使用 GPT 類型的模型輔助日常工作，部署在雲端1年可能需投入約新台幣 5,000 萬元。若改採地端部署，初期建置成本不到 1,000 萬元，後續幾乎無額外費用。
如今，甚至出現適用 1 至 3 人的團隊入門級設備，10 萬元即可跑得動 320 億參數量的語言模型。
Q2：地端部署程序多又繁雜，為什麼不選雲端就好？
蔡宜潔／APMIC AI 生態圈策略夥伴總監：
雲端服務的優勢在於標準化與模組化，就像買現成的 3 房 2 廳公寓，如果這樣的格局能滿足企業需求，只要開通帳號就能立即使用，部署速度確實較快。
相比之下，地端部署就像「買地自建」，需要較多的規畫與建設時間，但是比較能打造出更符合自身需求的系統。
此外， 地端的關鍵優勢，在於高度的自主性與客製彈性 。
雲端的控制權多半掌握在服務供應商，使用者能調整的範圍有限；而地端部署讓企業能完全掌控模型與資料，依照實際需求彈性配置，打造自己想要的樣子，特別是涉及機敏資料時，地端部署便是不可或缺的選項。
Q3：導入 AI 一定要微調模型嗎？能不能用現成的？
盧志浩／資誠創新諮詢公司董事長：
導入專屬 AI，不一定得從頭自建或微調模型。實務上，大多數企業會根據需求與資源狀況，採取 3 種不同的方式來使用 AI：第 1 類是「通用型 AI」，例如微軟 Copilot 等公有雲或 SaaS 工具，適合處理日常文件、摘要、數字分析等基本任務，不需微調，直接開通即可用。
第 2 類是「專業型 AI」，像是法律或醫療專業領域的訂閱式工具，這類模型已針對特定任務預先訓練，即使不客製也有不錯效果，適合對特定領域有需求但資料量不足的企業。
第 3 類才是「專屬型 AI」，也就是企業針對自身核心競爭力，自建 AI 算力、訓練模型並在地端部署，掌握高度自主性與機敏資料安全。這需要較高的投入與成熟的 AI 操作能力，不建議一開始就跳進來。
企業不必一次做到最複雜，而是可以從串接不同工具與 AI 代理（AI agent）開始，小步測試 AI 的應用邊界與企業的真實需求，再決定是否擴大投入。關鍵在於找出適合自身節奏、符合使用需求的組合，而非一味追求自建。
Q4：導入 AI 前應該注意什麼？有推薦的落地流程嗎？
朱師右／資策會 MIC 產業顧問兼組長：
企業導入 AI 前，第一步還是資料數位化。很多企業的機台沒有聯網，也沒有資料輸出功能，這時可以用非侵入式的方式，例如裝智慧掛鉤或攝影機，從電流或畫面反推機台運作狀況。這樣可以在不更換設備的情況下，把資訊變成數據。
除了設備數位化，企業也要盤點自己有多少資料、資料的品質如何，資料準備好後，才可能進一步做模型微調、RAG 或更進階的應用。此外，導入 AI 不只是技術工程，更關乎企業文化與決策思維的改變。若高層尚未具備轉型意識，即便中層有心推動，也可能因無法說服管理層投入資源而功敗垂成。
建議企業從數位體檢做起，盤點自身體質、痛點與資源，再視需求擬定中長期 AI 導入藍圖。或參考數位經濟暨產業發展協會（DTA）的台灣數位轉型大聯盟、人工智慧技術服務機構服務能量登錄等平台，了解可搭配的解決方案與補助資源，降低導入門檻。
溫紹群／勤業數位轉型服務負責人：
若要推動長期應用與規模化部署，企業內建立「AI Lab」將會是關鍵。
所有要部署到實際業務場景的AI模型，都應先進入 AI Lab，進行資料驗證、精準度測試與風險評估，確認達到一定標準後再釋出。AI Lab 的角色不只是測試新技術，更是建立「準入／準出機制」的中控平台。
此外，AI Lab 也應涵蓋跨部門協作機制，讓業務、IT、資安、法遵能共同參與決策與監管。從長期來看，AI Lab 就是企業內部發展 AI 的中樞治理單位，如果沒有一套管理制度，再多應用也難以持久。企業若期望從試點走向轉型，必須思考AI的「治理力」，而非單點落地而已。
