▌作者簡介：許旭安（Bob Hsu），現任未來巢科技董事長，曾任美商Synergies智能科技數位轉型總監、席思人工智能學院總經理、天元數位科技共同創辦人兼執行長。持續用AI與大數據協助產業數位轉型，輔導經驗橫跨產十幾個產業。因企管自學橫跨技術背景，長年致力於科技教育，願成為非資訊背景人的科技傳教士。

幾天前，一則判決在台灣科技圈投下震撼彈。法律搜尋新創Lawsnote因爬取競爭對手資料，被判刑4年並須賠償上億元，這不僅是法律新聞，更讓許多評估或已啟動AI專案的企業開始反思：當談到生成式AI或企業內部GPT，我們是否真正想清楚「資料」這件事？

那晚我收到不少新創圈和企業主訊息，有人半開玩笑：「還沒開始做內部版GPT，就被告知要先擔心爬蟲和著作權？」也有人焦慮：「接下來做LLM的新創，是不是得先準備律師團？」這些反應其實指向同一件事：資料焦慮。

過去筆者協助政府、金融、製造等產業導入雲端與地端的生成式AI，常見許多專案一開始熱衷選擇LLM、雲服務、硬體規格，卻忽略了最根本的問題：這題目值得解嗎？資料有足夠品質和合法性嗎？忽略這層基礎，最終只是花大錢建廚房卻沒好食材。

模型的糧食：資料從哪裡來？

任何企業內部GPT專案若要產生價值，首要正視資料來源與準備，生成式AI的表現依賴所餵養的資料，就如同再高超的廚藝，也無法用腐壞的食材煮出美味料理。

LLM在訓練時吸收了來自網路的大量公開資料，讓模型能流暢對話、具備基礎知識，但在企業應用層面，這些泛用知識不足以支撐專業需求。以Lawsnote案例為例，主流LLM沒有完整收錄台灣最新法規，因此公司才需自行建資料庫。

企業真正能轉化為智慧的，是自身多年累積的數據，這些資料可能散落在舊型ERP、客服資料夾、內網、雲端文件，甚至舊員工硬碟裡。它們龐大且多元，常有格式不一致、權責不清等問題，因此整理與準備資料往往比想像更耗時。

企業整理並導入資料的3個主要方式：

1.API或批次匯入

如同幫訓練模型接上穩定的資料水管，若來源有API（編按：串接不同的應用程式，讓資料得以共享的介面），企業能合法穩定的更新資料，建立正規流程。

2.爬蟲自動收集

爬蟲本身不是非法，關鍵在授權與使用方式，若未經授權抓取對方資料、違反條款，或導致對方系統異常，可能違約、侵權或觸法。企業應先諮詢法務並嚴守服務條款與技術規範（如robots.txt）。

3.人工整理上傳

當資料散在不同格式或系統中，人工整理雖成本高、效率低，卻在初期或特殊產業仍不可或缺，此階段企業才會真實面對資料標註一致性、存取權限、個資保護等治理基本功。

技術選擇：RAG與Fine-tune的取捨

資料備妥後，企業面臨下一步：選擇資料運用模式，這決定了專案的維運模式、風險控管與投資效益。

RAG（檢索增強生成）

RAG在每次生成回答時，會即時檢索資料庫輔助生成，就像顧問查資料室文件再答覆。優點包括：

  • 資料可持續更新，不必頻繁重訓模型。
  • 回覆可標示資料來源，增強可追溯性與合規性。
  • 適應法規、規範變動頻繁的場景。

挑戰則在於需建置高效的索引、檢索與更新機制，否則效果大打折扣。

Fine-tune（微調訓練）

Fine-tune是將資料直接訓練進模型，讓回答更自然、反應更快，適用於知識穩定的領域（如產品說明）。但有以下缺點：

  • 資料有重大更新需重訓，成本高。
  • 訓練需大量算力與時間。
  • 資料品質不佳易產生誤導性結果，風險高。

企業選擇模式時應考量：

  • 解決的是專業型還是通用型問題？
  • 資料變動頻率？
  • 硬體與維運成本？
  • 回覆是否需可追溯來源以符合法規？

導入內部GPT：選對題目比技術更重要

Lawsnote的判決提醒企業：資料來源、合法性與品質，決定專案成敗。但在談資料之前，更該先選對題目。生成式AI在企業應優先聚焦於：

  • 顯著提升效率、降低風險或創造營收的題目。
  • 資料來源合法、品質佳且能持續更新。
  • 即便偶爾出現AI「幻覺」，企業能接受並設計防呆機制。

令人擔憂的是，不少企業未明確定義「題目價值與資料基礎」便啟動專案，結果陷入高成本、低產出的困境，就算模型再準確，沒有適合題目與良好資料，仍難發揮價值。

這也是筆者在經歷眾多公司輔導的失敗與成功過程，所歸納出的結論，導入生成式AI的正確路徑是：題目價值評估、資料治理、合規審視、技術選型缺一不可。

在AI浪潮中，資料既是模型的糧食，也是企業競爭力基石，別只看晶片光芒，忘了點燃AI價值的真正火種，是清晰的題目與紮實的資料。

責任編輯：陳瑋鴻
核稿編輯：倪旻勤