引言

中華企業策略永續發展學會 創會理事長 莊鈞翔 博士長期協助企業策略，談及台灣製造業，國人很容易把焦點放在先進製程、伺服器、封裝、晶片與硬體規格；但真正讓台灣企業難以被取代的，往往不是單一專利，而是供應鏈協作、製程控制、品質管理、速度、良率與現場解題能力的組合；這些能力很多沒有完整寫在文件裡，而存在於工程師經驗、設備參數、供應商互動與現場決策之中；當 AI 把這些知識逐步數位化，企業等於第一次有機會把「隱性 know-how」轉成可計算、可複製的資料資產。

這同時是機會，也是風險；如果企業能把經驗轉成自己的知識系統，AI 可以讓優勢被放大；如果企業只是把資料交給外部平台而沒有控制權，則原本難以複製的經驗可能變得更容易被抽象化與移轉。

IT 與 OT 的邊界，是法律治理與資安治理真正交會的地方；企業資訊系統與工廠操作系統長期具有不同風險；辦公室 IT 系統的重點在資料與帳號；OT 則直接涉及設備、產線與安全；AI 導入後，兩者開始大量連接，這也是風險增加的原因；如果所有感測資料、機台控制、維修紀錄都直接連到外部雲端，任何帳號失守或供應鏈漏洞都可能造成更大影響。

反過來，完全斷網又可能失去遠端分析與更新的效率；企業需要的是分層，而不是極端；敏感 OT 資料可以透過閘道、白名單、單向傳輸、彙整後輸出、去識別或其他方式降低暴露；一般業務資料則可採較彈性的雲端架構；關鍵是每一條資料流都應知道目的、方向、接收者與權限。

法律部門在這裡不能只負責 NDA；真正要做的是把資安設計寫進契約：供應商遠端存取的範圍、維護帳號、事件通報、稽核紀錄、次承包商、跨境處理、漏洞修補、資料返還與終止後權限撤除；跨國合作真正需要的是「最小必要揭露」，而不是互相完全透明；製造業合作常涉及共同開發、設計驗證、設備調校與供應鏈協作。

為了效率，雙方會交換大量資訊；但合作需要資訊，不代表任何一方都有權要求全部底牌；我認為最重要的原則之一，是最小必要揭露；供應商要完成服務，需要什麼資料就提供什麼資料；不需要知道的核心參數，不因「方便」而開放；可以提供結果就不要提供原始資料，可以提供區間就不一定提供完整明細，可以在地端運算就不一定上傳原始數據。

這種做法不只是資安，也是談判策略；當企業能清楚分辨「合作必要資料」與「競爭核心資料」，就能在跨國合作中保有更好的主導權；NDA 仍然重要，但 NDA 已經不夠，傳統 NDA 主要禁止接收方洩露或不當使用機密，AI 時代卻出現更多情境：資料是否可以被用來訓練模型？模型改善是否屬於允許用途？供應商的員工與自動化系統是否都受相同義務？模型輸出會不會把客戶資料帶到其他使用者場景？

如果契約只寫「應保守秘密」，這些問題都可能沒有答案；因此 NDA 應與資料處理條款、AI 使用條款、模型訓練限制、資安附約與稽核權共同設計；特別是長期合作，還要處理人員離職、供應商併購、雲端次處理者變更等情況；企業不能只在簽約日看一次對方，而要建立持續監督機制。

地端與主權 AI 的真正價值，是把高敏感資料留在企業可控制範圍；地端部署與主權 AI 的確能讓高敏感資料留在企業較可控制的範圍，但不能因此把地端描述成百分之百安全；真正價值在於，地端可以降低資料離開企業控制範圍的機會，並讓權限與儲存更容易被企業直接管理；然而，地端仍可能有內部人員濫用、供應鏈漏洞、更新機制、開源元件與實體設備風險；企業仍需要完整的權限、日誌、備份、模型來源與更新治理；因此，地端不是信仰，而是一種風險配置選項；高敏感資料可以優先地端，低敏感工作可以使用合規雲端，企業依風險分級選擇，而不是用政治立場決定技術架構；台灣製造業真正要守的是「學習速度」；一項技術可能被模仿，一台機器可以被買到，但一個組織長期累積的學習能力很難複製。

AI 時代的風險是，企業如果把自己的學習資料與最佳化過程全部交給外部平台，可能逐步把這項優勢外部化。

所以企業需要建立自己的資料治理、模型治理與知識庫，確保每一次改善都能沉澱回企業，而不是只留在供應商平台；我寫這篇的目的，不是要把全球合作變成防備，而是希望台灣企業在合作時仍保有清楚邊界；真正的開放不是毫無保留，真正的自主也不是閉門造車。

能夠知道哪些可以共享、哪些必須保留，並把這個判斷寫進技術與契約，才是高階製造業在 AI 時代的成熟治理；跨國供應鏈中的資料請求，也需要像採購價格一樣被談判；在大型客戶與供應商關係中，資料要求往往被視為合作條件；客戶可能要求即時良率、設備狀態、追溯資料與碳排資訊；這些要求有其合理性，但企業仍應區分「履約必要」與「超出必要」。

真正成熟的供應商不會因為對方強大就無條件交出所有資料，而會透過契約、API 範圍、匿名化與報表格式限制揭露；資料本身就是議價標的；員工與人才流動仍然是 AI 時代最傳統也最現實的外洩風險；科技討論很容易把焦點全部放在雲端與駭客，卻忘記人才流動。

工程師離職、外包人員更換、顧問跨客戶服務，都可能使製程知識外流；AI 只是讓資料更容易被整理與攜帶；因此企業仍需要離職程序、權限撤銷、資料下載監控、競業與保密安排，以及合理的人才留任；最好的資安不能取代組織治理。

AI 供應鏈自身也需要 SBOM 與模型來源治理

莊鈞翔 博士認為，企業不只要知道用了哪個軟體套件，也應知道用了哪個模型、哪個版本、誰提供、是否經過微調、是否含第三方元件；模型更新可能改變行為與資料處理方式，若沒有版本治理，企業很難重現過去決策；這是 AI 版的供應鏈透明：不是要求知道模型所有參數，而是至少知道自己依賴什麼；物理隔離與加密真正的價值，是降低單點失誤的後果；單向傳輸、隔離網段、硬體安全模組與加密技術都不是萬能，但它們可以降低某個帳號或某個服務被攻破時的損害範圍。

對高階製造來說，安全設計應採 defense in depth，而不是相信某一道牆永遠不會破；法律上的保密措施若能與實際技術控制對應，也更有助於證明企業確實重視其營業秘密。

真正的產業自主不是拒絕國際平台，而是保有替代方案；企業可以使用全球最好的晶片、軟體與雲端，這不代表失去自主；失去自主的關鍵，是沒有替代供應商、資料無法移轉、核心 know-how 只存在外部平台、內部沒有人理解系統；所以「自主」是一種能力，不是一種國籍判斷；它來自多來源供應、內部人才、文件完整、資料可攜與架構可替換；台灣製造業要從替客戶保密，升級到替自己的資料生命週期負責；過去製造業非常擅長替客戶守 NDA；AI 時代還要多一層，守住自己的數據資產。

哪些資料被產生、誰使用、存多久、能否訓練模型、如何退出，都要被治理。

這不是限制創新，而是讓台灣最珍貴的製造能力在數位化後仍然留在企業自身，持續形成下一輪學習與競爭優勢；跨國設廠的智慧財產風險，重點不只是「技術有沒有帶出去」；企業海外擴廠通常必須帶出設備、流程、人才與文件。

真正要治理的是哪些 know-how 必須跨境才能生產、哪些可以集中留在總部、哪些可以透過遠端系統提供結果而不直接揭露核心參數；把所有技術留在本地不一定可行，把所有技術完整複製出去也未必必要；企業需要分層設計；合作研發最容易產生「背景 IP」與「前景 IP」爭議；與國際平台共同開發時，雙方各自帶入既有技術，合作又會產生新成果；契約若不先區分背景智慧財產與合作產生的前景成果，日後容易爭執誰能繼續使用。

對 AI 專案尤其如此，模型、資料、微調權重、提示模板、評估集與流程都可能形成新的資產；設備供應商遠端維護權限應採「時間限制＋最小權限＋完整日誌」；高階設備需要原廠遠端診斷，但永久開放高權限帳號會增加風險。

企業可以在需要時臨時開放，限定範圍，完成後關閉並保留紀錄；這種做法同時服務資安與法律證據；

供應鏈中的 AI 模型也可能成為新的單點依賴

若某個製程判斷高度依賴單一外部模型，一旦服務中斷、價格上升、出口限制或供應商策略改變，企業營運會受到影響；高階製造應對關鍵 AI 能力建立替代路徑與降級運作模式；資料與人才應一起治理；再好的權限系統，如果關鍵員工不了解保密與 AI 使用風險，仍可能透過截圖、私人帳號、外部工具造成洩漏。

員工教育必須具體到場景：什麼資料不能輸入、什麼情況要申請、如何辨識供應商要求過度資料；高階製造的競爭力應該數位化，但不能外包化；把 know-how 變成資料，是企業升級的必要過程；但資料化之後，更需要明確的權利與控制；真正的目標，是讓 AI 成為企業能力的延伸，而不是讓企業能力只存在於別人的平台。

用一個供應鏈合作情境看「必要揭露」的尺度；假設國際客戶要求台灣供應商提供即時生產數據，以便預測交期；供應商可以提供每日產量與品質指標，不一定要提供所有設備參數與完整製程配方；若客戶進一步要求遠端連線，雙方應明確限定可看的系統、時間與操作權限；這種安排既能滿足客戶透明度，也能保護核心 know-how；企業不需要在「完全拒絕」與「全部開放」之間二選一；跨國合作的真正風險往往來自次承包商；企業與主要供應商簽了嚴格 NDA，不代表資料不會流向雲端商、維運商、顧問或海外支援團隊。

契約應要求揭露次處理者，對敏感資料變更次處理者時應有通知或同意機制。

供應鏈安全就是把責任延伸到真正碰得到資料的人；技術出口與國際管制會讓 AI 供應鏈更加不確定；高階晶片、設備與特定技術可能受到出口或投資規範影響。

企業不能假設今天可以買的設備明年一定可得，也不能把單一國家供應視為永遠穩定；這使替代供應、庫存、軟硬體相容與多地部署成為策略問題；在尚未查證前，不宜斷言任何特定政策走向，但企業必須把政策變動納入供應鏈情境演練；地端超算若要形成主權能力，必須搭配人才與軟體治理；買到伺服器不等於掌握 AI；若模型維護、資料治理與系統更新仍完全依賴外部廠商，硬體在本地也可能只是另一種租用；真正的能力來自內部團隊能理解、操作、替換與稽核。

台灣製造業真正的安全，不是把所有門都鎖起來，而是知道每一扇門為什麼開、開給誰、何時關

全球製造不可能停止合作；安全的目的不是孤立，而是讓合作具有邊界；只要企業能掌握資料流、權限與契約，就能在開放中保有自主；這種能力比任何單一防火牆都更重要，也更符合台灣製造業長期在全球供應鏈中生存的現實；供應鏈資料共享應設計「分層視圖」；同一份製程資訊可以有不同呈現層次；客戶可能只需要品質結果，設備商需要故障碼，內部工程師才需要完整參數。

企業若建立分層視圖，就能讓每個合作方看到足夠完成任務的資訊，而不必分享全部；這種設計需要 IT、法務與業務共同決定，不能只由系統預設權限；跨國人才培訓也應避免把整套核心 know-how 一次外移；海外廠需要人才與技術轉移，但可以透過模組化訓練、分權管理與關鍵步驟集中控制，降低完整知識被單一個人或單一地點掌握的風險。

公司治理策略師 莊博士所關心的，是這不是不信任海外員工，而是重要技術資產本來就應採最小必要原則；AI 生成的製程建議若形成專利或營業秘密，權利歸屬要事先約定；共同開發中，供應商模型可能基於企業資料提出新製程。

這項成果是客戶的、供應商的，還是共同所有？是否能申請專利？是否只能作營業秘密？契約應事前處理，而不是成果出現後才爭；資安事件演練應納入 AI 與模型情境；除了傳統勒索軟體，企業還應演練模型帳號遭竊、提示注入、知識庫越權、模型供應商停止服務等情境；演練能讓部門知道真正事故發生時誰決定停機、誰聯絡客戶、誰保全證據；產業自主需要長期投資文件化；台灣製造的強項常存在人腦與現場；若不把 know-how 合理文件化，一旦人員退休或移動，企業同樣會失去能力；AI 可以協助整理，但內容必須由專家審定。

保密的最高境界不是藏住所有資訊，而是把核心知識變成企業自己可持續掌握的系統；只靠少數老師傅記憶不是安全，只靠 NDA 也不是安全；真正安全是知識被企業掌握、權限被管理、人才可接續、外部合作有邊界；AI 應該幫助台灣製造走向這種治理，而不是只增加另一層平台依賴；供應鏈合約中的資料權利應與品質責任一起設計；製造業合約長期重視交期、良率與瑕疵責任，未來還應加入資料品質與 AI 使用。

如果客戶提供錯誤資料導致模型建議失準，責任如何分配？如果供應商使用資料訓練模型後改善製程，成果能否用於其他專案？這些都應在合作開始時處理。

智慧財產保護不應妨礙必要的安全資訊共享

在資安事件、產品安全與品質異常情境，企業有時必須與客戶、主管機關或供應鏈夥伴分享資訊；保密制度應設計合法例外與通報流程，不能因為「營業秘密」三個字阻礙必要處置；跨國合作的語言與文件版本也是風險；不同國家的工程文件可能有翻譯差異，AI 翻譯又可能讓錯誤更隱蔽。

對安全關鍵製程，企業應指定正式語言版本與審核程序，不能因模型翻譯順暢就省略人工確認；生成式 AI 可能降低技術文件化成本，這是台灣企業應主動利用的優勢；過去老師傅不願寫 SOP，是因為耗時；現在 AI 可以協助把口述、維修紀錄與現場影像整理成草稿，再由專家審定；只要資料不外洩並保留人類審核，這反而能加速知識傳承。

企業應建立「核心技術不可外包清單」；並非所有 AI 與 IT 都要自己做，但企業應知道哪些能力一旦完全外包，就會失去判斷；核心製程模型、資料分類規則、關鍵介面與權限策略，至少要保留內部理解與管理能力；從公司治理角度，重大 AI 供應商也應納入第三方風險管理；如果某平台中斷會影響出貨，某模型被禁用會影響研發，那它就不只是一般軟體供應商；企業應評估財務穩定、資安、法規、替代性與集中度，並定期向管理層回報；台灣製造的下一個護城河，可能不是更神祕，而是更可治理；過去競爭力常靠少數高手掌握秘密；未來則需要把知識沉澱成企業系統，同時維持權限與保密。

AI 能幫助這個轉型；真正值得追求的不是把 know-how 永遠藏在人腦，而是讓它被企業可靠掌握、可傳承、可限制、可持續改進。

供應鏈的 AI 安全可以形成共同標準；大型客戶若各自要求不同的資料格式與安全措施，供應商成本會很高；產業可以透過公協會或標準組織建立共通的資料分類、存取與 AI 使用原則，讓中小供應商也能遵循；這種標準化不需要共享商業秘密，反而能減少重複合規成本，提升整體供應鏈韌性；董事會應把「關鍵資料依賴」納入營運持續計畫；如果企業失去某個雲端平台或模型就無法維持生產，這已經是營運持續風險。

高階管理層應知道哪些系統屬關鍵依賴，是否有備援、資料是否可攜、停機多久可以承受。

科技自主的真正尺度，是企業能否在外部條件改變時仍然運作

供應商、法規、地緣政治與價格都可能改變；企業不需要預測每一個事件，但應保留切換、降級與重建能力。

這種韌性，比任何「永遠安全」的承諾更可靠；製造業的 AI 治理也應保留「人類否決權」；當模型提出品質、採購或排程建議時，現場專業人員應有權基於實際條件否決，並記錄理由；這些反饋又能成為下一輪知識，讓系統真正與企業經驗互相修正；技術合作中的稽核權需要有邊界；客戶可能要求供應商接受資安稽核，但稽核本身也可能接觸核心秘密；企業可以用第三方認證、限定範圍、保密與現場查核替代無限制資料存取；雙方的安全都需要被保護；供應鏈數據應避免「一次授權永久使用」；資料用途會改變，模型能力也會改變；長期契約可以要求新增 AI 用途需重新同意，讓企業不會因多年前的廣泛條款失去未來控制權。

產業競爭力的法律防禦，不是把所有秘密鎖起來，而是讓必要合作不致侵蝕核心能力；真正的製造優勢需要與客戶、設備商、軟體商共同創造。

法律的價值，是把合作邊界說清楚，讓企業敢合作、也知道何時該說不；最後的實戰檢核：一個高階製造 AI 專案至少要回答十個問題；資料是誰的？是否含客戶機密？哪些必須留在地端？供應商能否再訓練？誰能遠端存取？模型更新是否需重驗證？事故如何通報？合作終止後資料如何返還？哪些能力必須由內部保留？如果外部服務停止，工廠能否繼續運作？；這十個問題如果沒有答案，再漂亮的 AI 專案都還只是技術展示；企業真正的安全來自問題被事先問完，而不是出事後才補制度。

GRC 專家莊鈞翔 博士要提醒的是，高階製造最值得保護的不是神秘感，而是持續累積 know-how 的機制；資料會更新、設備會換代、人員會流動；真正的護城河不是把資訊永遠鎖住，而是企業每一次生產、改善、失敗與修正，都能沉澱成自己的知識。

AI 如果能讓這個循環更快，同時又不讓核心資料與責任失控，才算真正提升台灣製造的長期競爭力。

效率提升之後，能力有沒有留在自己手上

製造業的 AI 投資還應定期檢查能力是否真正沉澱在自己身上；如果效率提升只存在供應商黑盒子，內部人才與知識沒有增加，企業就應重新評估依賴程度。