---
title: "製造業導入 AI，哪些資料可以上雲、哪些要留在地端？"
url: https://stanleylin.tw/on-premise-ai-server/
author: 林毓晟（Stanley Lin，史大）
published: 2026-11-13
categories: AI 與自動化
description: "製造業讓 AI 讀資料之前，要先分清楚哪些可以上雲、哪些要留在公司裡。這篇整理資料分級表、地端伺服器的優勢與代價，以及把 ERP 和圖面管理接在一起的地端架構，給正在評估 AI 導入的老闆和主管。"
---

# 製造業導入 AI，哪些資料可以上雲、哪些要留在地端？

寫製造業 AI 的文章，我常寫一句話：先讓 AI 讀得到資料。

這句話只說了一半。讀得到之後，還要問兩件事：讀的是哪一份資料？在哪裡讀？

歷史報價、訂單、料號清單，讓 AI 讀，風險不大。圖面、3D 模型、配方，就不是同一回事。

## 哪些資料可以上雲，哪些要留在地端？

非核心資料可以讓 AI 讀，例如歷史報價紀錄、訂單、料號清單。核心圖面與設計檔，不直接交給雲端 AI，要留在公司自己的地端環境處理。介在中間的客戶與成本資料，上雲之前要先去識別化，另外評估。

我把這件事叫做「資料分級」：先依照外流的後果，把公司的資料分成幾級，再決定每一級可以放在哪裡、給誰讀。

| 分級 | 例子 | 外流的後果 | 可以怎麼給 AI |
|---|---|---|---|
| 非核心 | 歷史報價紀錄、訂單、料號清單、庫存數量、公開型錄 | 有影響，但不會讓對手直接做出你的產品 | 可以讓 AI 讀；雲端或地端都行 |
| 敏感 | 客戶聯絡資料、成本結構、個別客戶的成交價 | 傷到客戶關係，也可能違反個資規定 | 上雲前先拿掉可以辨識的欄位，另外評估 |
| 核心 | 圖面、3D 模型、設計檔、製程參數與配方、客戶合約與規格書 | 等於把公司的技術和信用交出去 | 不直接交給雲端 AI，留在地端處理 |

分級表不用一次做到完美。從 AI 第一個要讀的資料開始，一份一份標，標過的就照表處理。

## 為什麼圖面一定要留在公司裡？

因為圖面是製造業最難重來的資產。報價可以重算、訂單可以補登，圖面一旦外流就收不回來。很多圖面還是客戶交給你的，合約裡通常寫了保密責任，外流的不只是你的技術，還有客戶對你的信任。

讓 AI 讀圖面本身沒有錯。從 3D 圖辨識零件、比對常用料件、找出相似的舊設計，這些都是 AI 幫得上忙的地方。

問題在讀的地方。把圖面上傳到雲端 AI 服務，等於把檔案交到別人的機房，之後怎麼保存、誰看得到，決定權就不完全在你手上了。

## 地端伺服器有哪些好處？

「地端伺服器」是放在公司內部、由公司自己控制的伺服器，資料和運算都在自己手上。它最大的好處是資料主權：圖面和設計檔不用離開公司，誰能讀、讀了什麼都由你決定。

好處有六個：

1. **資料主權與智財保護**：核心圖面留在公司裡，不經過第三方，也比較容易履行客戶合約裡的保密責任。
2. **存取權限可控**：哪個部門、哪個角色、哪個 Agent 能讀哪一類圖面，都可以照你們的組織來設定。
3. **不怕外部服務改政策或斷線**：雲端服務的條款、價格、功能會改，網路也會斷。地端的核心流程不會因為別人的決定停下來。
4. **可以接 ERP 和圖面管理**：地端最容易把 ERP 的資料、圖面管理系統和 AI 接在同一個環境，彼此對得上料號和版本。
5. **可追溯稽核**：每一次誰調了哪張圖、AI 讀了哪一份檔案、產出了什麼，都留在自己的紀錄裡，出事時查得到。
6. **長期成本可預估**：主要是一次性的建置和固定的維護，不會因為用量變大就跟著暴增。

## 地端要付出什麼代價？

地端不是免費的。要先付一筆建置費：伺服器、儲存空間、跑 AI 模型需要的運算設備。之後要有人維護：更新系統、做備份、處理故障。公司裡沒有懂這些的人，就要找外部支援。

地端的 AI 模型，能力通常也比不上最新的雲端服務。所以要把任務切小：讀圖、比對料件、查同步資料庫這類範圍明確的工作，地端模型就做得來。

## 什麼情況用雲端就夠了？

AI 只讀非核心資料的時候，用雲端就夠了。例如整理歷史報價、統計訂單、比對料號清單、寫對外文案的草稿。這些工作不碰圖面和配方，雲端服務上手快、不用自己維護，是合理的選擇。

判斷時只問一題：這一條流程，會不會讓 AI 讀到分級表上的「核心」資料？不會，雲端可以先用；會，就要規劃地端。

很多公司的第一案，其實用雲端就能起步。等到要讓 AI 讀圖面，再把地端架構補上，順序也是對的。

## 地端和雲端怎麼分工？

原則是核心留地端，雲端只放非核心。圖面管理、ERP 同步資料庫、地端 AI 模型與 Agent 都放在公司裡；雲端只放已經去識別化的非核心資料。權限、紀錄、備份也照這條線分開管。

| | 地端（公司內部） | 雲端 |
|---|---|---|
| 放什麼 | 圖面管理（圖檔與版本）、ERP 同步資料庫、地端 AI 模型與 Agent | 非核心資料：去識別化的報價、訂單統計、料號清單 |
| 權限 | 依部門與角色開放圖面；Agent 只給讀取權限，不能改圖、不能寫回 ERP | 只開給需要的帳號；不放任何能還原出客戶或圖面的欄位 |
| 紀錄 | 誰調了哪張圖、AI 讀了什麼、產出什麼，全部留在地端 | 記下哪些資料、什麼時候送上雲 |
| 備份 | 地端定期備份，並放一份在異地；定期試著還原一次 | 以地端為正本，雲端只是副本，壞了可以從地端重送 |

這個架構的重點在中間那條線：資料要過線，只能從地端往雲端送，而且只送非核心的部分。圖面不過線。

AI 讀得到、權限也管得住，兩件事要同時成立。只顧前者，資料會外流；只顧後者，AI 什麼都讀不到，等於沒導入。

## 為什麼圖面管理要和 ERP 一起規劃？

因為 AI 要回答的問題，常常同時需要兩邊的資料。「這個料號用在哪幾張圖？」「這張圖的最新版本，報過價嗎？」答案一半在 ERP、一半在圖面管理。兩邊分開建，AI 只能各讀一半。

我曾任 PLM 數位轉型顧問。PLM 的核心之一就是圖面與版本管理：每一張圖是哪個版本、誰改的、為什麼改，都要留得下來。ERP 管的是把產品做好，PLM 管的是把產品做對，兩者互補。完整的說法在[從 ERP 與 PLM 的差異談 AI 治理](/ai-governance-plm-thinking/)。

所以我建議，一旦 AI 要碰到圖面，就把圖面管理和 ERP 放在同一個地端架構裡規劃：料號是兩邊共用的鑰匙，版本由圖面管理負責，AI 在地端讀兩邊的資料，整理出初稿。

我的原則是：「人類不作初稿，AI 不作終稿。」AI 在地端讀圖、比對料件、列出清單；圖面上最後標什麼、料號要不要共用，由人確認。

## 這一段史大可以陪你做什麼？

我可以陪你把這件事從頭理一遍：先盤點 AI 會讀到哪些資料、做資料分級，再規劃地端伺服器要放什麼、ERP 和圖面管理怎麼接、權限和紀錄怎麼設，最後挑一條流程試做。

順序跟我做其他導入一樣：先把流程理順，再決定工具。不是每家公司都需要馬上買伺服器，診斷時我會直接說你們現在需不需要。

## 常見問題

### 小公司也需要地端伺服器嗎？

看 AI 要不要讀圖面。只整理報價、訂單、料號清單，雲端服務加上去識別化就夠了。一旦要讓 AI 讀圖面、3D 模型或配方，就該規劃地端，公司大小不是重點。

### 雲端 AI 服務說不會拿資料去訓練，還需要地端嗎？

還是需要。圖面的風險不只在訓練：服務條款會改、帳號權限可能設錯、員工也可能用個人帳號上傳。核心圖面放在地端，保存和存取的決定權才完整留在公司手上。

### 地端的 AI 模型不夠聰明，怎麼辦？

把任務切小。讀圖、比對料件、查同步資料庫這類範圍明確的工作，地端模型就做得來；需要更強能力、又不碰核心資料的工作，例如文案草稿，再交給雲端。兩邊照資料分級分工，不用二選一。

---

你們的 AI 導入，會讀到哪一級的資料？想一起把資料分級和地端架構理清楚，[預約 30 分鐘 AI 導入診斷](/contact/?topic=diagnosis#form)，或直接寄信到 [yc.2ndcurve@gmail.com](mailto:yc.2ndcurve@gmail.com)。

報價規則怎麼先整理成 AI 讀得懂的資料，可以接著看[報價規則在三個人腦中，報價怎麼變快？](/quoting-rules-single-source/)。