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。

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，或直接寄信到 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？。