本週 AI：資料主權、AI 基礎設施與導入服務成為新焦點

把本週三則新聞放在一起看，會發現企業 AI 的競爭焦點正在改變。

模型能力當然還重要，但當 AI 開始進入客服、內部知識庫、文件處理與營運流程，企業更需要回答的是：使用過程產生的資料歸誰？技術架構能不能替換？模型接進公司後，又由誰負責把成果做出來？

Nadella 示警：使用 AI，也要保留自己的知識資產

微軟執行長 Satya Nadella 在 2026 年 7 月提出「反向資訊悖論」，企業付費使用 AI 的同時，也可能在持續提供另一種更難取代的資產，公司如何工作、如何判斷，以及如何修正錯誤的知識。

員工輸入的內部文件只是其中一部分，提示怎麼寫、模型用了哪些工具、答案錯在哪裡、人工如何修正，長期累積下來，都可能反映一家公司的作業方式與判斷標準。

Nadella 因此主張，企業應保留提示、回饋與評估資料的控制權，並建立能在不同模型之間切換的編排層，避免整套 AI 流程被綁在單一供應商上。

不過，這不等於所有企業 AI 服務都會直接拿客戶輸入內容訓練模型。以 Azure Direct Models 與 OpenAI 商業產品為例，官方目前都表示，企業資料預設不會被拿來訓練基礎模型。實際風險仍取決於使用的產品版本、合約條款、資料保留設定、第三方串接，以及企業是否主動分享回饋。

真正值得企業留意的，未必只是「資料有沒有被模型看見」，而是 AI 使用過程產生的提示模板、修正紀錄、測試資料與評估方法，有沒有留在自己的治理範圍內。

要是這些經驗只存在外部平台，公司每換一次模型或供應商，就可能得重新學一次。

NVIDIA 擴大日本 AI 生態，從晶片走向完整技術堆疊

企業與國家要完全依賴外部平台，還是保留一部分自行控制與替換的能力？

NVIDIA 在 7 月 15 日公布與日本產業夥伴的最新合作進展，內容橫跨 AI 運算基礎設施、開放模型、醫療、製造、金融與機器人。這項布局已經不只是銷售 GPU，而是把晶片、模型、開發工具、模擬平台與實體 AI 應用串在同一套生態系裡。

醫療是其中一個具體案例，富士軟片已商業化日本首款採用 NVIDIA Blackwell 的全身電腦斷層掃描系統，並使用擴散式深度學習重建技術改善影像品質。日本政府也啟動實體 AI 計畫，預計結合製造經驗、產業資料與開放式多模態基礎模型，發展機器人、數位分身與 AI 代理應用。

這裡值得注意的，不是又多了幾個採用 Blackwell 的案例，而是 NVIDIA 正把自己的角色從晶片供應商，延伸到模型、軟體、產業平台與機器人基礎設施。

從日本的布局來看，「主權 AI」談的也不再只是資料要不要留在境內，而是國家或產業能否掌握運算資源、模型選擇與應用開發能力。

對一般企業來說，這不代表每家公司都該自建機房或訓練模型，更務實的問題是，關鍵資料放在哪裡、架構能不能切換、成本是否可控，以及現有團隊有沒有能力維護這套系統。

可控，不一定代表全部自己建；但如果連替換方案都沒有，供應商一改價格、條款或產品方向，企業就很難調整。

Ode 押注企業 AI 導入：模型再強，也需要有人帶進企業

即使資料與基礎設施都準備好了，AI 仍不會自然變成營運成果。

Anthropic、Blackstone、Hellman & Friedman、Goldman Sachs 等機構共同成立的企業 AI 服務公司，後來命名為 Ode with Anthropic。這家公司把工程師派進客戶組織，先理解實際流程，再開發符合企業需求的 Claude 應用。Anthropic 官方表示，典型專案會由小型團隊與客戶合作，把 Claude 導入公司核心營運。

Ode 原則上優先採用 Claude，但不完全排除其他公司的 AI 產品，根據 TechCrunch 報導，公司成立時的估值約為 15 億美元，這個數字不代表其商業模式已經被驗證，但足以看出資本市場對企業 AI 導入服務的期待。

Ode 押注的是一個很實際的缺口，多數企業缺的往往不是另一個模型，而是能同時理解系統、流程與商業問題的人。

模型可以生成客服回覆，但誰來決定哪些案件一定要人工覆核？AI 可以整理報價資料，但數字錯了由誰負責？系統可以自動完成文件流程，但成果要用省下多少工時、降低多少錯誤，還是使用率來驗收？

這些問題不會因為模型變強就自己消失。

Ode 想用少數工程師搭配 AI，處理過去需要較大型顧問團隊完成的工作，這個模式能不能在快速擴張時維持品質，仍有待觀察；但它點出企業 AI 市場正在形成的新分工，模型公司提供能力，基礎設施公司提供平台，導入團隊則負責把技術接進真正有人使用、有人負責的流程。

企業要保留的不只是模型，而是選擇權

把這三則消息放在一起看，企業 AI 的下一階段已經不只是比較模型效能。

企業開始需要同時處理三個問題，使用 AI 時產生的資料與經驗是否仍由自己掌握、技術架構能不能在不同模型與部署方式之間調整，以及專案上線後是否真的改善了工作流程。

這三件事彼此相連。

沒有資料治理，企業可能累積了大量 AI 使用經驗，最後卻無法帶走；沒有架構選擇權，公司容易受制於單一平台；沒有落地與驗收能力，再強的模型也可能只停留在展示階段。

對管理者來說，下一次模型更新或許仍然值得關注，但更該持續追蹤的是，公司的提示、修正與評估資料有沒有留下來？模型能不能替換？導入成果能不能用數字驗收？

這些問題不如模型排行榜吸睛，卻更可能決定企業能不能把 AI 變成長期能力。

如果你對 AI Agent 提升企業效率、工作流程應用有興趣，歡迎訂閱我們📱💻

PreMedia 未來序｜帶你建立AI 時代企業新秩序