企业的AI资产，不是模型，是学习循環

过去20年，企业信息治理的核心是保护數據：分级、加密、备援、不出门，这套做法如今已是标准作业。但數據本身是静态的；真正创造竞争力的，不是數據，而是「运用數據改善工作」的能力：用它最佳化产品设计、良率、客户经营与销售流程，让被动的數據「活化」。例如，晶圆厂把检测數據回馈到制程参数，物流业者拿配送纪录重排路线，品牌厂拿客服对话修正产品设计：數據的价值，在商业循環中被最佳化放大。

AI时代，这个循環有了新的参与者。企业的工作流程本来就持续在最佳化、修正，行之有年的持续改善是营运的日常；过去改善的成果写进SOP，如今企业把AI嵌入工作流程，AI跟著每一次调整吸收经验。这里说的「学习循環」，正是持续改善的新形态：不是模型自我学习，而是企业最佳化流程、AI吸收经验、让下一次做得更好的循环；循環转得愈久，累积愈厚。

AI吸收经验的管道，多半是人提供的提示词与脉络數據（context）。AI代理（AI Agent）目前能稳定接手的，还只是结构化程度最高的一小块工作；其余大量工作，仍需要专人介入：用提示词补上模糊的需求、提供流程脉络、修正不到位的产出。每一次补位都是一次示范，规格文件、报价逻辑、内部术语，随著提示词一并交给模型；本意是让眼前的工作更有效率，实际上却也在教导模型。

模型做不到的部分愈多，人教得愈勤，留下的教材愈密集；模型的能力边界，恰好沿著人补位最密集的地方往外推。企业教得愈多，前瞻模型能力愈强，而这个原本属于企业的改良过程，可能逐渐累积在外部平臺掌控的学习系统中。

企业领导人的疑虑，开始浮上台面。2026年7月初，一家美系數據分析軟件大厂的CEO在访谈中批评，前瞻实验室一边把模型能力讲得过满，一边透过客户的日常使用，吸收企业的专有工作流程与策略知识；7月中旬，微软（Microsoft）CEOSatya Nadella发表短文〈The Reverse Information Paradox〉，表达他的想法。他借用经济学家Kenneth Arrow在1966年提出的信息悖论：原始版本是卖方的困境，要证明信息有价值就得先揭露，一揭露，买方就免费取得了；Nadella认为AI把风险反转到买方这一侧：企业为AI付2次钱，一次付订阅与运算费用，另一次付出为了让智能派得上用场、不得不揭露的企业know-how。

外流的管道不只是上传文件：提示词、附带的脉络与额外數據，尤其是「纠正模型错误」的动作，每一次修正都是高价值信號，把机构知识一笔一笔输出，进了外部平臺手里。Nadella这篇短文提出警讯，要企业自问：你亲手教模型的信息，流向哪里？

业界的讨论多半集中在他提出的5个C架构：

Control是自建并持有评测与机构记忆，所有权留在企业手上；

Capability是在自己的环境内，让模型针对真实工作流程练习与微调，不必把敏感脉络交给第三方；

Choice是把调度层与任何单一模型脱钩，换模型时不必重建评测、不遗失脉络；

Cost则是Choice的直接结果：能换模型，就能按任务挑选通过评测的最经济选项。

前四项是手段，第五项Compound才是目的：把它们组成一个学习循環，AI随使用愈变愈好，而改进成果像资产一样留在企业内部，属于企业，而不是供应商。企业与供应商之间这条界线该画在哪里，与用哪一家云端平臺无关。

哪一份输出被接受、哪里被改、为什么被改，这些过程信息过去不被当成资产，也不在數據治理的范围内；知识的价值，正在从文件移向「过程」；數據治理守住的是原料，尚未涵盖制程改良循環。

外流的轻重，对不同企业并不相同。多数企业的日常使用，外流的多是通用内容，影响有限；有相当规模的企业则不同：独特的工作流程、客户结构、长年累积的领域數據，正是修正信息价值集中的地方。

如何把学习循環留在内部？一半条件在运算平臺。这不意味著放弃前瞻模型：更可能的形态是混用（hybrid），通用能力继续交给公有云上的这些模型；而关键的评测、记忆、教导模型的指示与范例、修正纪录，在自己掌控的环境内累积——本专栏2026年5月谈AI运算架构5层重组时描述过的企业數據中心与本地服務器，正是这个循環落脚的地方。

延伸报导专家讲堂：Token帐单之后：AI运算架构的5层重组

另一半条件在模型端。开放权重模型是前提：权重能掌握在自己手上，模型才能搬进企业门内；循環于是累积在企业的评测与记忆上，而不是绑在某一个模型身上；Choice的议价能力，在架构上由此而来。成本也比直觉想像的低：NVIDIA研究部门2025年的论文主张，代理人系统中大量呼叫是重复、特化的小任务，小型模型已足以胜任；评测评分、任务分派、记忆整理这类循環里的控制工作，恰好都属于这一类，不需要仰赖前瞻模型。

「消费智能的同时，你也在创造智能。你创造的东西应该属于你。」Nadella说得直白。模型会走向商品化，企业的know-how、工作流程最佳化循環不会；真正的资产，不是模型，而是企业每天都在累积、并且留在自己手上的学习循環。