企業導入生成式AI應用已數年，但實際效益可能不如預期。《ITmedia》報導，企業導入生成式 AI 已進入深水區，日本 Emuni 公司 AI 顧問下野弘雄近日指出，多數企業因缺乏產線端的具體應用場景，導致技術效益不如預期。不同於美系企業針對特定業務精準打擊，亞洲企業普遍面臨全公司盲目導入、卻僅能應對基礎文書的窘境。下野弘雄強調，製造業若要兼顧資安與產業 know-how，具備高度隱私性的「地端部署（On-Premise）」將成為提振競爭力的核心戰場。
生成式 AI 雖然在雲端環境展現強大動能，但在極度重視機密保護的工廠環境，雲端模型如 GPT 系列常因資安顧慮而受限。專家指出，透過地端部署（On-Premise）LLM 雖然存在技術門檻，卻是台日兩地製造業數位轉型的必經之路。
地端 AI 部署的三大核心挑戰：
- 模型精準度優化： 雖然地端開源模型在基本面可能遜於雲端前沿模型，但透過 RAG（檢索增強生成）或微調（Fine-tuning）技術，在專利翻譯等專業領域的表現甚至能超越通用模型。
- 資料前處理複雜度： 地端系統需仰賴更高程度的專業知識進行圖表與文字的 AI-OCR 處理，方能彈性結合現場資訊。
- 維運成本與硬體門檻： 企業須在前期硬體採購成本與長期雲端訂閱費用之間取得平衡，並考量後續伺服器的維管能力。
針對製造業的長遠發展，生成式 AI 最具價值的應用在於「隱性知識轉型」。過去資深技師的技術傳承往往受限於經驗難以量化，現在可藉由「AI 訪談員」主動提問並結構化產線經驗。此舉不僅能優化產業結構，更能解決高齡化社會下的技術斷層危機。對台灣半導體與精密機械供應鏈而言，地端 AI 的導入能確保核心參數不外洩，同時加速人才培訓的自動化進程。
下野弘雄建議，企業應由法人機構與技術顧問協助重新梳理業務流程，找出能真正創造價值的節點，而非盲目跟風導入。
