謝至恩「模型可以買、可以換；但資料與基礎架構的建置，需要深思熟慮。」朋昶數位科技產品處長蔡鈜予 (Alan Tsai) 觀察，AI 專案卡關多半不是卡在模型，而是背後的資料與 IT 環境沒有準備到位。他從混合雲、資料治理、資安、觀測性與備份韌性五大面向，說明企業如何讓資料與安全架構先於 AI 一步就緒。
PoC 之後，才是真正的挑戰
蔡鈜予指出，許多企業在 AI 專案的概念驗證（PoC）階段投入大量試驗，真正能上線的比例卻不高。 Gartner 在 2024 年 7 月預測，至 2025 年底將有 30% 的生成式 AI 專案在 PoC 之後被放棄；2025 年 2 月更指出，至 2026 年，缺乏 AI-Ready 資料支撐的 AI 專案將有 60% 被放棄。
他解釋，AI 一旦要上線，就得進入真實環境、處理真實資料；當價值獲得驗證，如何讓系統穩定上線並持續運作，才是挑戰的開始。
五個阻力，對應五大基礎
根據與客戶交流的經驗，AI 從 PoC 走向上線，常會遇到五個現實阻力：資料分散、治理不足、資安風險升高、管理不易，以及韌性不足。對應之道，是從混合雲、資料治理、資安、觀測性與備份韌性五大面向打好 IT 基礎。對金融業而言，這也呼應金管會「金融業運用 AI 之核心原則」與歐盟 DORA（數位營運韌性法案）的要求，這些原則最終都必須落實在 IT 基礎之上。
從混合雲到資料治理
在混合雲方面，企業可透過 SUSE Rancher Prime 統一管理多個 Kubernetes 叢集，搭配 RKE2 、 K3s 等發行版，從資料中心一路延伸到邊緣；既有虛擬機器可用 SUSE Virtualization（Harvester）與容器整合在同一平台；若要建置企業內部的 AI 平台，也可參考與 NVIDIA 合作的 SUSE AI Factory 。
資料治理的目標，是讓 AI 所需的營運資料、向量資料與檢索資料集中管理。蔡鈜予以 MongoDB Atlas 或企業版為例，搭配 Atlas Vector Search 進行向量檢索，並以 Queryable Encryption 讓資料在加密狀態下仍可查詢；模型治理與生命週期管理則可搭配 IBM watsonx.governance，追蹤模型與資料鏈的來龍去脈。
資安、觀測與備份韌性缺一不可
資安必須從開發階段做起：以 Black Duck 的 Coverity 進行原始碼靜態分析、以 SCA 分析開源元件；容器執行階段由 SUSE Security（NeuVector）提供零信任防護；資料層則運用 MongoDB 的用戶端欄位層級加密（CSFLE）與 Queryable Encryption，再以 IBM Guardium 監控資料庫活動。
觀測性方面，他強調要先掌握 AI 應用的標準行為基準，一旦出現異常即時告警，可透過 SUSE Observability 、 IBM Instana，並以 OpenTelemetry 作為開放標準，串接指標、日誌與追蹤資料。備份韌性則可運用 CloudCasa 備份與還原 Kubernetes 環境，搭配 SUSE Storage（Longhorn）、 MongoDB Atlas 備份與 IBM Storage Defender 。他建議遵循 3-2-1-1-0 備份策略，明確定義 RTO（復原時間目標）與 RPO（復原點目標），並定期演練還原，「備份有沒有用，要還原過才知道。」
先檢視 AI 的「地基」
蔡鈜予最後回到核心問題：企業為 AI 打下的地基是否穩固？簡報中提供一份 AI-Ready 自我檢核表，若勾選「是」的項目少於 7 項，建議先進行一次完整健檢。朋昶的服務涵蓋評估規劃、架構設計、 PoC 驗證、導入建置到維運優化五個階段，協助企業讓資料與安全架構先於 AI 一步就緒。
