企業導入 AI，第一關不是模型，而是散落在 Excel 裡的資料

部署方式、模型選擇與導入建議

不同企業對資料留存與模型服務的要求不一樣。有些可以在公有雲環境使用受控服務，有些則必須放在企業私有雲、VPC 或內部機房。AotterClam AI 官方資料列出企業私有雲與地端部署選項，並說明可設定角色與權限、操作紀錄，也提供本地推論或連接外部 AI 模型等不同方式。5

談到「資料不離境」或「資料不出公司」，我們會建議把這句話拆成具體的資料路徑來核對。資料庫本身放在哪裡？備份和日誌存在哪個區域？模型推論在哪裡執行？使用者問問題時，系統會把哪些欄位、摘要或查詢結果送往模型？支援人員能否接觸資料？服務供應商的子處理者有哪些？只回答「我們架在地端」還不夠，因為一個企業系統通常還包含備份、監控、更新、外部模型和維運通道。

同樣地，BYOK（Bring Your Own Key）通常指企業自備模型服務的 API 金鑰；BYOAI 則常用來描述企業選擇或帶入自己的 AI 模型與服務。它們是採用模型與費用管理方式，不代表資料自動獲得保護，也不等於個人版 ChatGPT 或 Claude 訂閱一定包含企業 API 權限。實際能否連接、如何計費、資料是否用於模型訓練、日誌保留多久，都應該依模型供應商的服務條款與企業部署設定確認。

MCP 可以讓 AI 工具透過標準化方式連接資料服務，但 MCP 本身不是隱私保護協定，也不會自動決定資料應該開放到什麼程度。企業需要定義可供查詢的資料範圍、欄位遮罩、角色權限、查詢紀錄與外部模型的使用政策。若使用者只需要產品庫存與銷售趨勢，系統不應因為同一個資料庫裡有客戶電話或地址，就把那些欄位一併暴露給模型。

導入時，我們建議從一個明確的業務問題開始，不要先承諾「所有資料都要 AI 化」。企業可以先選一個有固定工作量、資料來源可取得、管理者也在意的場景，例如每月銷售彙整、門市庫存分析、供應商交期追蹤或客服問題分類。把目標問句說清楚，才能知道要接哪些資料、哪些欄位重要、驗證方式是什麼。

接著，盤點兩到三份最關鍵的來源文件或系統輸出。要找出每份資料的擁有人、更新頻率、欄位定義、保存規範、主鍵和已知例外。這一步不需要先把每個系統都換掉；先確認現有資料是否能按排程匯出、是否有權限讓系統讀取，以及資料能否在企業指定的環境內處理。若資料目前只能手動寄送，也先把寄送方式、檔案命名和收件規則定下來，讓流程穩定再談擴充。

再來，與業務一起定義「正確答案」的判準。若目標是每月淨銷售額，至少要說明取消訂單、退款、折讓、稅額和出貨時間如何計算；若目標是庫存週轉，則要約定期初庫存、期末庫存、在途貨品與缺貨天數如何處理。可以從最近三個月份挑出真實案例，和現有人工報表逐筆比對，確認差異落在哪些規則，不要只測一張漂亮的樣本檔。

接下來才安排驗證和擴充。先測試常見檔案，也要刻意測試錯誤檔、欄位改名、空值突然增加、重送重複檔、歷史資料回補和新代碼加入等情境。通過後再開始排程更新，並設定資料異常通知、版本保存和人工例外處理流程。當第二個來源加入時，企業就可以觀察資料關聯是否穩定，再決定是否把第三個部門納入。

成效衡量也要從開始前就設定。可以記錄同事每月整理資料的工時、從提問到取得可信答案需要的時間、人工重工或對帳差異的頻率、管理者在決策前等待報表的天數，或特定庫存和客服指標的變化。若只計算 AI 問答的使用次數，容易把「大家試用過」誤認為「業務流程改善了」。當企業能說清楚導入前後的差異，才知道下一筆預算該投在資料品質、流程自動化，還是更複雜的模型應用。

PwC 2026 年調查的另一個觀察值得納入導入策略：受訪營運主管中，89% 認為可採取行動的資料比追求全面完整的資料更重要，73% 認為資料不必完美也能創造價值。這不等於可以忽略資料錯誤，而是說企業不必等到所有資料都「百分之百乾淨」才開始。更實際的方式，是先針對一個高價值場景提高關鍵欄位品質，同時持續改善其餘資料，再以明確驗證與風險分級來守住底線。2