引言

以中華企業策略永續發展學會 創會理事長 莊鈞翔 博士近年觀察來看，生成式 AI 最初讓人想到的是文字與圖片，但真正具有長期產業影響力的，可能是 AI 與實體製造結合；數位孿生、工業模擬、預測維護、機器人路徑最佳化，都可能大幅提升效率；問題是，要讓這些系統變聰明，企業往往必須提供大量工業資料；產線布局、機台參數、良率、溫度、壓力、公差、停機原因、維修手法、操作習慣，甚至老師傅多年累積的經驗，都可能被數位化。

這些資料未必每一項都能單獨構成著作權作品，但它們可能具有營業秘密、資料庫價值、契約價值或競爭情報價值；我因此開始擔心，企業是否會在追求效率時，低估自己正在交出去的東西；傳統設備採購通常是「買一台機器」；工業 AI 平台卻可能是「把企業運作的一部分交給外部系統學習」；這兩種交易的風險完全不同。

營業秘密不是貼上 Confidential 就成立，而是企業真的要有管理措施；企業常把製程參數稱為商業機密，但法律上的營業秘密通常需要具備非一般人可得、具有經濟價值與採取合理保密措施等要素。

也就是說，真正危險的不是把資料放上雲端本身，而是企業在導入系統前從未界定哪些資料屬於核心秘密、誰能存取、供應商能看到多少、是否允許再利用；如果企業對內部資料毫無分級，所有人都能下載，甚至長期透過一般郵件與第三方分享，那麼出事後再主張「這是我們最重要的營業秘密」可能面臨證明困難；AI 導入反而應成為一次資料分級重整的機會；我建議企業至少建立三層：

1. 不可外流的核心製程資料。

2. 可在受控環境下供模型處理的敏感資料。

3. 可以一般雲端使用的低敏感資料。

這不是唯一分類方式，但重點是不要把所有資料當成同一風險層級；最棘手的不是原始資料，而是「模型學到的東西」；如果供應商只保存企業原始檔案，契約相對容易規範：不得揭露、不得另作他用、期滿刪除。

但機器學習帶來更困難的問題：模型可能從資料中學到規律、最佳化策略、異常模式與操作經驗。

這些「衍生智慧」到底是誰的？

企業可能主張，供應商之所以能得到這些最佳化能力，是因為使用了企業多年累積的工藝資料；供應商則可能認為，模型改進屬於其演算法與平台的一般能力；兩方如果沒有在契約中預先處理，日後很容易產生爭議；所以工業 AI 契約需要比傳統 SaaS 條款更精細。

至少要問：客戶資料是否可用於訓練通用模型？是否只能用於該客戶專屬模型？衍生統計可以如何利用？是否允許去識別後跨客戶分析？服務終止後模型參數如何處理？供應商能否把從本企業獲得的最佳化經驗提供給競爭者？

這些不是對供應商的惡意揣測，而是正常的交易風險分配；真正成熟的合作，應該把雙方權利說清楚，而不是靠「我們會保密」四個字支撐整個工業資料交換；Omniverse 或任何數位孿生平台都不應被妖魔化，也不能被神化；本篇原始研究脈絡對數位孿生抱持高度警覺，這個問題意識值得保留，但不能直接推導成「平台一定會把工廠智慧吸走」。

沒有證據，不能把技術可能性寫成企業惡意；真正的分析應放在平台架構與契約條件；如果資料可以選擇地端部署、企業保有加密控制、供應商無權拿資料訓練通用模型，那麼風險可能與「全面上傳公有雲並允許再利用」完全不同；反過來，即使平台品牌再大，只要契約允許廣泛再利用、權限管理鬆散、資料跨境不透明，企業仍應重新評估。

這也是我理解的企業策略：不是先判斷誰值得信任，而是讓任何合作都經得起同一套權限、契約與退出機制檢驗；數位孿生真正改變的，是企業資產的形狀。

傳統製造業的資產很容易看見：土地、廠房、機器、存貨。

AI 時代最值錢的部分可能逐步轉成看不見的資料與模型：參數設定、故障歷史、操作序列、最佳化邏輯、模擬模型、數位分身；這些資產如果沒有被正式盤點，就可能在合作契約中被當成普通「服務資料」。

企業管理階層甚至不知道哪些資料一旦外流，會讓競爭者縮短多年學習曲線；因此，導入工業 AI 前應做的不是先問 GPU 規格，而是先畫出資料資產地圖：哪些資料具有高替代成本？哪些資料能直接反映產能與良率？哪些資料一旦被第三方掌握，會削弱議價權？哪些只需要輸出結果，不需要提供原始細節？

真正的工業數據主權，不是「資料永遠不離開台灣」；「數據主權」很容易被政治化；我更願意把它理解為企業能否控制資料的用途、位置、存取與退出；資料放在境外不一定失控，資料放在本地也不代表安全；真正的主權是可驗證的控制能力；企業如果能決定哪些資料可上雲、供應商只能為特定目的使用、所有存取可稽核、資料與模型可在終止時移轉，這才接近實質控制。

反之，企業若只是因為品牌知名就把所有核心資料交出去，再期待 NDA 自動解決一切，那不是合作，而是治理不足；我寫這篇，不是要勸製造業拒絕 AI；相反地，我相信越早數位化、越能掌握自己資料結構的企業，越有機會在 AI 時代形成新的競爭力；但前提是企業不能只讓模型學會自己的工廠，自己卻沒有學會如何治理模型與資料。

資料最小化不是只屬於個資法，而是工業 AI 的基本策略；企業常以為資料越多，模型越準，因此傾向把所有歷史資料一次交給平台。

但對工業場景而言，資料最小化同樣重要；若某個最佳化任務只需要設備溫度與良率，不一定要把供應商名單、客戶資訊與完整製程配方一起送出；把任務拆小，可以降低外洩面積，也能讓權利與責任更清楚；資料最小化在這裡不是保守，而是精準；

跨境資料流動會把單純的技術專案變成多法域治理問題

莊鈞翔 博士認為，工業平台可能把資料存放在不同國家的資料中心，遠端工程師也可能從其他法域提供支援；企業若涉及客戶資料、出口管制技術或受特殊法規保護的資訊，跨境傳輸可能產生額外義務；因此契約與架構都應知道資料實際去哪裡，而不是只接受「全球雲端」四個字；資料位置不是所有風險的答案，但至少是治理的起點；模型可解釋性與工業責任之間存在直接關係；如果 AI 建議修改製程參數，結果造成良率下降或設備損壞，企業必須知道誰有最後決定權。

模型只是建議，還是可以自動控制設備？是否有人類批准？是否有安全閾值？是否可以回復原設定？這些設計決定事故發生時責任如何追溯；工業 AI 不應只追求最佳化，也要追求可停止、可回復、可稽核。

供應商鎖定不只是價格問題，也可能是知識鎖定；當所有工廠資料、模擬模型與最佳化流程都依賴單一平台，企業更換供應商時可能不只要搬資料，還要重建整套知識結構。

這種 vendor lock-in 可能比軟體授權費更昂貴；因此導入時就應要求資料可攜、標準格式、介面文件與退出機制；企業不一定要避免長期合作，但必須保留離開的能力；董事會與高階管理層應把工業資料視為資產治理議題；這類決策不應只由 IT 或工廠主管決定；若某套平台需要讀取核心製程，實際上已涉及企業長期競爭力；董事會或高階治理層應知道資料範圍、權利分配與退出成本，並要求定期檢視。

這不是把技術政治化，而是承認資料已經具有資產價值；真正的數位孿生，不應讓企業自己變成平台的影子；數位孿生的理想，是讓企業能在虛擬世界更好地理解實體工廠；最不理想的結果，則是企業愈依賴平台，反而愈不了解自己的資料與模型；我希望製造業在導入 AI 時，把技術能力與治理能力一起提升；最終目標不是拒絕平台，而是確保企業仍然知道自己的工藝、資料與決策權在哪裡；工業資料應建立「用途限制」，不要只建立「存取限制」；很多企業只控制誰能看到資料，但沒有控制看了之後可以做什麼。

供應商可能合法取得資料提供維運服務，卻不代表可以拿去訓練其他模型、做跨客戶統計或開發新產品。

因此用途限制必須寫進契約，也要在技術上盡可能落實；資料治理的成熟度，就在於能否把「可以看」與「可以再利用」分開；匿名化與聚合不是萬靈丹，但可以降低不必要暴露；很多最佳化任務並不需要完整公司名稱、客戶名稱或精確訂單。

企業可以先聚合、去識別或轉成統計特徵，再交給外部模型；這種設計能減少風險，同時保留分析價值；真正的資料工程不是把所有原始資料都搬走，而是只搬運任務需要的最小資訊。

供應商是否能用資料改善產品，應成為明確可選的商業條件

有些企業願意用資料交換更便宜服務或更好的模型，有些企業則希望完全禁止再利用；這沒有唯一正確答案，但必須是清楚選擇，而不是藏在長篇服務條款中；如果企業允許再利用，也應知道是否匿名、是否可跨客戶、是否能撤回；資料外洩事故發生時，企業要有「技術止血＋法律保全」雙軌流程；工業資料外洩後，第一時間要停止存取、保全日誌、確認範圍，同時檢視通知義務、契約責任與營業秘密保護。

若只由 IT 清除事件而沒有保存證據，日後可能很難追究責任；AI 導入不應破壞原本供應鏈中的客戶保密義務；代工廠可能掌握客戶的設計與產品資訊；即使資料是代工廠系統產生，仍可能受到客戶 NDA 限制；企業把資料送進 AI 平台前，必須確認是否含第三方機密，不能只看資料檔案「在自己手上」。

工業 AI 的最高效率，不應以企業失去自身知識邊界為代價；如果 AI 幫企業提高良率，卻同時讓核心工藝變得無法控制，長期代價可能高於短期效率。

真正好的工業 AI 應該讓企業更理解自己、更可複製自己的成功，同時仍保有對資料與模型使用的控制；用一個數位孿生情境看懂「效率換資料」的交易；假設某工廠導入外部平台，供應商要求上傳設備震動、溫度、良率與維修紀錄，以建立預測維護模型；企業因此降低停機時間，效益明顯；這本身可能是一筆非常好的交易；但企業仍應問：模型只服務自己，還是供應商可以把資料加入通用模型？若供應商後來以相同模型服務競爭者，是否使用了從本企業學到的模式？如果企業退出，模型是否繼續保留這些學習結果？

這些問題不是指控，而是交易條款；把它們事前談清楚，反而能讓雙方合作更長久；營業秘密保護最怕「便利例外」慢慢變成常態；企業往往有正式制度，但專案急迫時會讓工程師用私人帳號上傳檔案、讓供應商暫時取得全權限、把資料複製到共享雲端。

這些便利如果不被記錄與收回，久而久之就會破壞保密措施；AI 專案應特別管理臨時權限與例外，設定到期、自動撤銷與主管核准；合理保密措施不是一份政策，而是日常行為。

工業資料的價值應該被列入投資評估

企業評估 AI 平台常算訂閱費與節省人力，卻沒有把「提供資料」視為交換成本；若某些資料具有高度競爭價值，應在投資分析中被視為一種資產投入，這能迫使管理層更認真比較：效率收益是否值得資料暴露？能否用較少資料達成同樣結果？是否需要要求更好的契約條件？

工業 AI 的倫理問題，其實可以轉成可管理的治理問題；與其抽象討論「AI 是否會取代工人」，企業可以具體問：哪些決策仍由人批准？哪些異常由誰處理？員工是否知道模型局限？績效評估是否不當依賴自動化數據？；把倫理轉成權限、程序與責任，才能真正落地；工業 AI 應該讓企業擁有更多知識，而不是更少；如果平台導入後，企業能更清楚理解製程、留下更多可用資料、培養更多內部人才，那是數位轉型；如果企業愈來愈依賴外部黑盒子，內部反而失去判斷能力，就需要重新評估。

公司治理策略師 莊博士所關心的，是這是我對工業 AI 最核心的企業策略判準：每一次外部合作，都應同時增加自己的長期能力；資料授權條款可以和服務價格一起談，而不是只能接受制式條款；大型平台常有標準條款，但企業客戶若提供高價值工業資料，仍應爭取企業版條件：禁止訓練通用模型、限定次處理者、縮短保留期間、提供地區選擇、增加稽核與事件通知；法律談判的價值，就在於讓資料價值被反映到契約；若供應商因為資料敏感而不願提供相應保障，企業就能更早知道風險；工業 AI 專案應有「停止線」；企業容易因沉沒成本不斷擴大專案；應事前設定停止條件，例如模型誤判率超過可接受範圍、資料需求超出原授權、供應商要求新增用途、無法通過資安測試或退出成本失控。

停止線不是悲觀，而是讓專案在還有選擇時能被調整；模型輸出的知識能否反向寫入 SOP，需要人工治理；如果 AI 在大量模擬後提出新的最佳化方式，企業不能直接把它視為正式製程。

應經工程驗證、品質評估與主管核准，再決定是否寫入 SOP；這個流程可避免模型建議悄悄改變工廠規則，也讓真正有效的新知識沉澱回企業；供應商事故不代表企業可以把責任完全外包；即使外洩發生在雲端供應商，企業仍需面對客戶、員工與主管機關；選擇供應商、設定權限、備援與事件應變都是自己的治理責任。

工業資料估值將逐漸成為併購與投資的一部分

未來投資人不只看機器與營收，也會看企業是否掌握完整製程資料、是否可合法使用、是否被單一平台鎖定；資料治理品質可能直接影響企業估值；企業不能只問 AI 能為工廠多賺多少，也要問工廠為 AI 付出了什麼；付出的可能是費用、資料、依賴與控制權。

只有把這些都放進同一張決策表，才能知道專案是否真正值得；這就是我希望工業 AI 從科技專案升級為企業策略的原因；AI 模型本身也可能成為企業的製程資產；當企業用自己的資料調整模型，模型可能逐步反映特定工廠的故障模式與操作經驗；這種模型雖然不一定等同傳統營業秘密，但若具經濟價值且企業採取保密措施，仍可能成為重要無形資產；企業應決定模型權重、微調資料與評估集由誰保管，是否允許供應商複製。

模型更新不能直接覆蓋舊版本；工業場景需要可重現性；若供應商自動升級模型後，建議結果改變，企業必須知道何時改版、差異是什麼、是否重新驗證；對重大流程，模型版本應像設備韌體一樣被控管；數位孿生中的「真實世界權限」必須比模擬權限更嚴格；可以讓模型在模擬環境自由嘗試，不代表可以直接寫回實體設備。

企業應建立隔離：模擬結果先經人工與安全檢查，再進入實際控制；這能防止模型錯誤直接造成停機或安全事故；供應商若提供跨客戶 benchmark，企業應理解資料如何被聚合；跨客戶統計可能很有價值，但也可能間接暴露產能、良率與效率；企業應了解聚合門檻、匿名方法與是否可能被反推；不能因資料「沒有公司名稱」就假設一定安全。

內部績效管理不應直接把 AI 推估當作唯一依據；若模型用設備與人員數據評估效率，員工可能受到自動化判斷影響；企業仍應保留人工申訴與覆核，避免把技術估計當成不可質疑的事實。

工業 AI 最終仍是一套權力分配系統

誰能看資料、誰能改模型、誰能批准製程、誰能停止系統，這些都是權力；企業若只談效率，不談權力，最後最容易在事故或爭議時發現沒有人真正負責；我希望工業 AI 的導入，能讓企業把這些權力正式化、可追溯化；如此，數位孿生才是企業能力的延伸，而不是新的黑盒子；企業應定期做「模型與資料關係盤點」；同一個工廠可能同時使用預測維護模型、品質檢測模型、排程模型與數位孿生平台。

每套系統使用不同資料，供應商與保留期間也不同；若沒有盤點，資料流會隨時間變得難以理解；企業可以每年或重大改版時更新一張模型資料圖：模型名稱、用途、資料來源、敏感等級、供應商、是否外傳、是否允許再訓練、owner 與退出方式；這張圖比任何口號更能代表企業的 AI 治理成熟度。

企業也要防止「影子模型」；工程師可能為了測試，自行下載模型、複製資料、建立臨時環境；專案結束後這些副本若沒有清理，就形成無人管理的影子模型。企業應要求測試環境同樣有基本登記與到期清理；資料如果是新時代的生產要素，治理它就應像治理設備與資金一樣正式；公司不會不知道機器放在哪裡、誰能操作、何時折舊；未來也不應不知道資料被哪個模型使用、由誰存取、何時刪除；當資料治理達到這種程度，工業 AI 才真正進入企業管理，而不是停留在技術試驗；企業需要把模型與資料的退出測試真正做一次；契約上寫著可匯出，不代表實務上一定容易；重要系統應定期演練資料匯出、權限撤銷與備援切換，確認企業真的能離開供應商；沒有演練過的退出權，往往只是紙面權利。

GRC 專家莊鈞翔 博士要提醒的是，工業資料治理也應納入保險與責任配置；重大資料外洩、系統中斷或模型錯誤可能造成實體損失；企業可評估既有資安保險、營運中斷保險與供應商責任是否涵蓋 AI 情境，並確認免責條款。保險不能替代控制，但能補足剩餘風險；企業不應忽略證據保存；若發生資料外洩或供應商違約，系統日誌、權限紀錄、版本與契約通知都可能成為重要證據；平常就應設計保存，而不是事故後才發現沒有紀錄。

資料出去之後，企業還能不能完整收回

任何工業 AI 專案如果無法回答「資料出去後如何回來」，就還沒有真正完成治理；資料返還、模型刪除、權限撤銷與知識移轉，都應在合作開始前設計。

真正需要收回的，也不只是企業最初交出去的檔案；模型在合作期間形成的專屬參數、微調成果、評估資料與操作知識，是否能由企業承接、供應商是否仍保留副本、終止合作後是否繼續利用，都應在一開始說清楚，否則關閉帳號不代表企業已經真正把自己的資料與知識帶回來。