title

AIBT-05｜自研模型的經濟合理性：API、契約與供應風險的替代機制

english_title

The Economic Rationality of In-House AI Models: Enterprise API Negotiation, Contractual Credibility, and Substitutes for Supplier Risk

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-05

series_position

Core Paper 05 / 12

version

v0.1

date

2026-10-31

concept_by

Neo.K

research_collaboration

GPT-6

institution

EveMissLab／一言諾科技有限公司

status

完整概念研究原稿／可否證制度與經濟模型；非法律或投資建議；尚未同行審查

source_format

UTF-8 Markdown; LF; no BOM

canonical_math_delimiters

inline single-dollar; display double-dollar

evidence_cutoff

2026-10-31 (Asia/Taipei)

parent_document

AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md

previous_paper

AIBT-04｜核心模型席位、平台集中與投資組合博弈

next_paper

AIBT-06｜數位企業不可替代性危機：當產品變成平台附加功能

AIBT-05｜自研模型的經濟合理性：API、契約與供應風險的替代機制

The Economic Rationality of In-House AI Models: Enterprise API Negotiation, Contractual Credibility, and Substitutes for Supplier Risk

系列：《AI 泡沫、產業重整與文明適應論》（AIBT）／第二部・第五篇
命題提出： Neo.K
研究協作與整理： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
版本： v0.1／2026 年 10 月 31 日
資料截點： 2026 年 10 月 31 日（臺灣時間）
研究屬性： 企業 AI 經濟學、契約理論、法律風險、技術治理、資本配置與產業組織。本文不是任何法域的正式法律意見，不是對特定供應商的安全認證，也不是產品採購建議。

作者： Neo.K
日期： 2026-10-31
原稿狀態： 完整概念研究原稿／可否證制度與經濟模型；非法律或投資建議；尚未同行審查

摘要

企業使用人工智慧的經濟目標通常是取得可交付、可驗證、可治理的智能能力，而非必然擁有從零預訓練基礎模型的全部設備、演算法、資料與人員。當企業可以使用外部 API、專屬雲端容量、合規資料處理契約、商業保密與事故追償安排時，「為了安全、隱私或自主而自行採購大量 GPU、維持本地推理叢集，甚至重複研發通用模型」是否符合全生命週期經濟合理性，應是可被反證的問題，而不是以單一安全口號或成本估算決定。

本文接續 AIBT-01 的資本回收期限、AIBT-02 的算力資本密度以及 AIBT-04 的核心模型供應商集中，將企業 AI 部署選擇拆為五類：標準 API、協商企業 API、專屬／受控供應商託管、企業自有模型推理、企業自行訓練基礎模型。本文核心增量是契約的雙重價值模型：一份經過談判、具有明確安全義務、可稽核履約條件、可執行責任配置及足夠履約能力的企業契約，除了事故發生後的追償功能，也能構成董事會、客戶、監理機關及其他交易相對人評估企業事前盡職治理與事故歸責的證據。供應商願意接受具實質成本的承諾，也可能成為市場信用訊號。但簽約不等於供應商一定安全、不等於資料外洩後一定獲得全額賠償，也不取消委託企業依個資、機密、交易及其他法規負有的責任。

本文提出以合格任務為基礎的總成本、服務品質與風險調整模型，並以明示假設的敏感度算例展示：在相同品質條件下，協商 API 可能優於標準 API 及本地推理；若利用率提高、單位服務價格改變、離線要求出現，結果也可能反轉。據此形成 2027–2028 年可否證假說：若越多企業發現從成熟外部供應商購買能力並以契約與技術治理補強，較從頭重複建設模型更有利，部分 AI 基礎設施與通用模型投資可能受到重新配置壓力；但法規、機密不可逆損失、供應中斷與大量穩定工作負載仍可能支持本地方案。

中心命題：企業的 AI 自主性，不必等同於模型與全部硬體的所有權；企業選擇自行建設之前，應先比較「可談判的供應服務＋技術治理＋法律責任＋可替換性」是否已足以滿足其需求。

關鍵詞： AI 自研；企業 API；客製化契約；本地推理；總持有成本；第三方風險；契約信用；盡職治理；個人資料；資料主權；責任歸因；供應商稽核；風險轉移；算力資本配置；產業重整。

Abstract

The economic objective of most enterprise AI deployment is to obtain reliable, auditable, and governable capabilities, not necessarily to own a frontier foundation model or a dedicated hardware stack. This paper compares standard APIs, negotiated enterprise APIs, dedicated supplier hosting, self-hosted model inference, and in-house foundation-model development. It argues that a negotiated contract can have two distinct values: ex ante evidence of responsible vendor selection and ex post attribution, remedies, and dispute resolution. A supplier's credible willingness to accept enforceable obligations may be a costly signal to customers and stakeholders, but contractual form alone cannot prove security, guarantee compensation, or extinguish statutory accountability. A quality-normalized total-cost model, a hypothetical breakeven calculation, legal comparisons involving the EU, Taiwan and China, and ten falsifiable hypotheses frame prospective 2027–2028 tests. The argument is conditional: supply security, regulations, irreversible confidentiality costs, fixed-workload economics, and local resiliency can reverse an API-first result.

0. 研究定位、前置與非主張

0.1 對 AIBT-00 的承諾

本篇沿用 AIBT-00 的固定篇名及篇號，不更改既有 AIBT-01～04，也不搶先討論 AIBT-06 的數位產品功能商品化及 AIBT-07 的最小企業規模。研究的是企業取得智能能力的資本與責任配置問題，而非建議所有企業將資料送往相同外部供應商。

它同時承接使用者在 2026-10-31 討論中逐次釐清的三項原意：

1. 企業的對照選項不應只限定於未協商的一般 API；有能力購買龐大推理設施的企業，也可能有能力以預算談出專屬契約。
2. 契約的價值不只是事故後索賠，而是簽訂行為、談判紀錄與安全承諾能成為企業對股東、用戶與監理機關提出盡職治理及責任歸因說明的事前證據。
3. 無論供應商位於美國、中國、歐洲或其他市場，企業都應依實際法規、地理、出口限制、資料權限、可談判供應條件及服務能力比較，而不能一律假設「外部＝跨境」或「本地＝自研」。

0.2 五種證據標記

• OBS：可由文獻、官方法規或契約文件核對的事實；須註明時點、司法管轄或供應功能。
• DEF：研究所建立的操作性分類、變數和衡量口徑；不冒充產業標準。
• HYP：有方向、適用條件、對照和否證條件的研究假說。
• SCN：明確假設的示例或未來情境，絕不記作既成財務數據。
• NOR：政策、契約或治理設計的建議，不能偷換為已被證成的因果關係。

0.3 必須明示的非主張

1. 企業簽了資料處理契約就能免除個人資料或第三人法定責任。
2. 企業出現資料外洩，就自動能取得資料自評的全額損害賠償。
3. API 預設不訓練就等於零保存、零可見性、零事故風險。
4. 任何模型供應商所提供的標準商業條款必然適用於已個別協商的客戶。
5. 客製化契約的存在本身證明供應商履約、安全技術或支付能力已獲獨立認證。
6. 所有本地部署都是浪費；或所有本地部署都比外部 API 安全。
7. 本地推理與從零訓練同一件事；模型微調與基礎預訓練也不是同一投資級別。
8. 雲端服務可以無視資料跨境限制、主體同意、行業規範或出口管制。
9. 即使缺少客觀品質、工作負載與風險資料，也能推斷 API 或本地一定更省錢。
10. 保密與個資事故的貨幣賠償必然能復原商業秘密、競標優勢或已喪失的信任。
11. 2027 年必定發生模型自研潮的全面收縮；亦不主張模型能力與市場投入必定同向。
12. 本篇自行創造的契約與財務指標已完成代表性企業田野驗證。

1. 首先重新界定：企業到底在購買什麼？

「需要 AI」可能指使用成熟模型回答問題、將模型接入內部資料庫、運行客服、處理機密文件、用 AI 自主執行多步工作，或自行研究前沿模型。這些任務對品質、延遲、權限、可觀測性、模型保留、算力連接與法律風險的要求差異極大。

本篇定義企業交付目標為五個不同維度：

• $Q$：經盲測與正式驗收的有效任務品質、可靠性與錯誤後果。
• $L$：延遲、抖動、排程與吞吐需求，含服務中斷時的可復原性。
• $D$：資料使用權、機密等級、儲存與跨境約束。
• $G$：治理、責任、事故取證、使用者保障與更換供應商的能力。
• $C$：包含技術、財務、人力、維運及尾部風險的全生命週期成本。

企業應先明確任務規格，再比較供應結構。在未固定相同合格成果之前，無法由單 token 價格、顯卡型號或參數量判定某方案「便宜」。

1.1 「自主」至少有七種

自主是向量，不是「雲端／本地」的二元標籤。

2. 五種實際選擇，不是二選一

A 與 B 可共用部分 API，C 與 D 可能都位於企業租賃機房；D 又可同時調用其他雲端服務。分類只表示主要供應與控制關係，不代表實體設備一定放在哪一棟建築。

2.1 為何「企業整合系統」可比「自己訓練模型」更重要

企業客服或知識工作流程最難的問題可能是權限、資料同步、例外處理、審計、客戶身份、服務品質與故障接續。這些能力可由企業保有並跨不同模型使用。若自建模型無法改善這些任務，企業自行支出數百萬美元研發就可能是在解決另一個問題。

但有些演算法／模型創新不能由供應商服務替代，例如需控制權重、離線部署、取得特殊認知能力、避免任何特定第三方處理，或需要在特定硬體架構上進行研究。反對無理由重複建設，不等於否認真正的自研價值。

2.2 混合部署不是妥協品，而是可選擇的成本路由

一個企業可以讓公開文件和一般客服走商業 API，讓機密資料經專屬受控服務處理，而讓絕不能外發的資料使用離線模型。對不同任務分別決策，避免為了最敏感的 1% 需求，強迫其餘 99% 的工作負載全數使用最高成本方案。

上述比例純屬示例，不表示任何特定產業的分布。

3. 契約不是事故後才有用：雙重價值模型

3.1 事前承諾作為治理證據

一家公司在交付資料前完成供應商評估、風險分級、保留期限談判、安全附約、保密義務、董事會授權、第三方稽核及事故通報安排，本身就產生可查證的事前行動軌跡。這對股東、交易客戶、監理者及保險業者具有可能的資訊價值：企業能提出其沒有任意忽略風險的初始證據。

這也是本篇保留使用者原始論點的關鍵：契約不是只有求償書面文件，更是一種可被外部審視的盡職治理紀錄。

但「有簽約」只能支持「當時存在特定文件與承諾」；是否真的已履行合理注意義務，還須核對供應商評估品質、技術設定、監控、執行紀錄與事故根因。書面形式不能替代實際控制。[S05][S06][S07]

3.2 供應商願意承擔責任，可構成有成本的信用訊號

供應商如果願意接受可查核的保密標準、具時限的通知義務、足夠的財務保障、明確的協助取證、契約違反後的修復責任與合理的客戶救濟，可能是在向買方展示履約能力與承擔風險的意願。

但高額保證未必可信：若供應商沒有足夠償付資產、保險不承保相關事件，或條款受重大例外與模糊定義限制，名義上「願意簽」不等於有效保障。因此，信用訊號強度至少受四個因素限制：

1. 條款是否可客觀驗證、具體而非宣傳口號；
2. 發生違反時是否能啟動救濟與取得資料；
3. 供應商及其保險、擔保資源是否足以付款；
4. 客戶是否仍保有獨立稽核、轉移與退出的能力。

3.3 事後歸責、索賠與對外說明

假設一間企業使用外部 API，發生機密資料外洩。它應能提出雙方約定的處理範圍、證據保留責任、金鑰存取紀錄、事故通報、模型端與客戶端相關日誌及修復紀錄，合理地辨別事件發生於客戶自己的設定、供應商控制環境、再委任第三方，或多方共同原因。

若證據支持事故不歸因於企業本身的違反義務行為，該企業對股東與客戶的說明可更具根據；在特定法域與責任類型，亦可能有利於法律主張或求償。但對外可說明性不等於法律上對所有第三人全面免責，更不代表企業可不履行事故通知及資料保護責任。[S05][S06][S07][S08]

3.4 契約信用的候選檢驗模型

設 $S_c$ 為「可驗證契約保障強度」， $E_d$ 為「已實際執行的盡職治理證據」， $K_v$ 為「供應商可償付性」， $A_i$ 為「事故取證能力」。研究可提出：

這是觀察用函數，不是可直接拿來當保費或法院賠償額的公式。相同契約名稱在不同公司與不同法域下的有效價值可能極不相同。

4. 企業契約應談什麼：不只是資料不訓練

4.1 技術與安全條款

可討論的條款包括：資料處理目的與允許使用方式；模型訓練／微調是否接收客戶資料；事件日誌及保留期限；模型版本／服務功能；次處理者；資料位置；客戶資料與金鑰隔離；資料刪除與返回；人員權限；滲透測試摘要；事故監測；審計紀錄；責任保險；獨立第三方測試；災難恢復與服務中斷安排。

這些並非任何供應商保證全部可提供；談判首先必須確認技術實際支援哪些功能，不得只要求銷售人員在合同中寫下系統做不到的承諾。

4.2 商業與治理條款

除了資料條款，還應檢查價格與計費量測、模型替換與價格變更、最低承購數、SLA、服務中斷補償、客戶驗收標準、資料可攜與出口、供應商終止權、移轉支援、管理員權限、法律適用地及爭議程序。

一份契約如果保密做得很好，卻允許供應商任意停止企業關鍵流程，企業仍可能承擔極高的服務連續性風險。

4.3 責任的可量化結構

採購方可以評估一般違約責任、保密事故、個資事故、第三人權利侵害、故意行為與重大過失是否採不同責任上限；某些情況也可討論保險、保證及特定履約安排。

風險貨幣化的必要檢查：客戶估計資料價值、契約承諾上限、實際可主張的損害額、法律可支持的類型、保險可承保的風險、供應商可支付能力、取得賠償所需時間，必須分別核算。

4.4 三種不能混淆的保障

• 保密承諾： 約定不得外洩或濫用，並規定處理義務。
• 技術保護： 對事故發生機率與後果的實際控制措施。
• 經濟追償： 事件發生後可能取得的合同或法定救濟。

一份漂亮的保密協議不代表模型端已經設定必要的存取控制；零資料保留功能也不能代替企業自己妥善管理原始資料。

5. 2026 年供應商條款：應核對的真實限制

5.1 OpenAI：商業資料預設不訓練，保存與端點有差異

OBS [S01][S02]： OpenAI 的企業隱私頁面與 API 資料控制文件說明，商業輸入與輸出預設不被用於訓練；API 可能存在濫用監測日誌及特定功能的應用狀態保留。符合資格的企業可申請 Zero Data Retention 或其他資料控制，但端點、模型及功能存在限制，不能將「申請到 ZDR」解釋為整個服務所有日誌、資料及功能均零保存。

OBS [S03]： OpenAI 2026 年 1 月 1 日生效的企業服務協議第 14 條，將一般責任上限以引發責任事件前十二個月客戶支付金額為基礎，但有重大過失、故意不當行為、雙方賠償義務、客戶付款義務等責任上限例外；間接損害限制的例外則另包括安全措施與保密條款違反。責任上限與間接損害排除是兩個不同條款，不能將它們互相取代。

OBS [S04]： OpenAI 2026 年生效的資料處理附錄，載有對次處理者變更的通知、客戶異議與某些情況下的終止安排、資料返回或刪除以及依協議範圍的稽核條件。這說明標準供應商條款本來就包含部分治理架構，但不等於個別企業已就額外保障完成談判。

本篇不宣稱上述條款在任何特定法域或個別客戶補充契約中必然具有相同效果。若另有訂單、修訂契約、醫療或其他附錄，應按其適用順序檢查。

5.2 Anthropic：商業資料政策與保留範圍亦非單一值

OBS [S09][S10][S11]： Anthropic 商業產品通常預設不將客戶資料用於模型訓練，API 一般有預設資料保留安排，部分客戶與合資格端點可採零保留契約。不過，不同產品與模型有例外，包括某些受更嚴格安全審查的模型；合資格 Zero Data Retention 的覆蓋範圍須按產品、端點及當期文件查證。

這不是兩家供應商誰一定更安全的結論，而是說明企業談判時要比對真實產品配置與所選型號，不應只引用品牌級宣傳或當年的一般條款。

6. 法律界線：契約能提供證據，但不能轉走所有法定義務

6.1 歐盟 GDPR：控制者與處理者

OBS [S05][S06]： 歐盟執委會與 EDPB 指引區分資料控制者與處理者，控制者選任處理者時，應確保後者有足夠的技術與組織保護措施，並以具約束力的契約規範。外包可行，但資料控制者不會因簽署契約就自動卸下合規責任。

OBS [S07]： GDPR 第 82 條涉及損害賠償及責任分配。規定在相關法定條件下，如控制者或處理者能證明其對造成損害的事件完全不負責，可能免於該條所涉及的賠償責任；若多方符合條件而對同一事件負責，亦有對受害者的責任安排及內部追償機制。但這不是普遍免責條款，法律構成要件、證據及其他監管義務仍須逐案判斷。

因此，事前契約與資料處理證據可提高合理歸責能力，不能直接推論「任何事故只要是供應商造成，企業就不必對任何人負責」。

6.2 臺灣：委外監督有明文義務

OBS [S08]： 臺灣《個人資料保護法施行細則》第 8 條要求委託者對受託者進行適當監督，涵蓋處理目的、資料類別、保護措施、再委託、事故通知、終止返還／刪除，以及定期確認並留下紀錄。

對於臺灣企業，本篇所稱「契約本身是盡職證據」應被理解為：契約加上相應的持續監督紀錄，才有機會支持事前管理品質。單一紙本契約不等於已滿足全部法定要求。

6.3 中國：本土供應商亦可透過委託契約合作

OBS [S12]： 中國《個人信息保護法》第 21 條要求個人信息處理者委託外部處理時，約定處理目的、期間、方式、資料類別、保護措施及雙方權義，並監督受託人的處理活動。未經同意的再委託有其限制。

因此，企業使用本土模型公司或本土雲端的商業服務，是需要依法審核的可能路徑，不能因「國內 AI 自主」而假設每家企業必須自行訓練模型；同樣也不能因本土供應商存在，就推論所有數據及行業均可不受限制地委外。

6.4 跨境與特定產業的排除條件

OBS [S13]： EDPB 的跨境資料移轉指引說明，SCC 等工具是部分情況下的合法保障選項，但需具體檢查資料轉移情形、目的地法律、次處理者與相應措施。某項 AI 服務在全球可用，不等於任何企業可以在任何法域自由傳送任何資料。

此外，醫療、金融、政府、國防、未公開重大交易、受到契約禁止轉送的第三方資料等，可能需要額外的法律、客戶或技術檢查。此處不提供一律允許或一律禁止的簡化判斷。

7. 風險評估不能只問「資料值多少」

7.1 需要分辨的價值

公司可以為資料分類估值，但不能假設估值一旦寫入契約，就自然成為法院承認的損害額。至少要分開：

• 重建成本： 原始資料恢復、備份與作業重啟需要多少資金。
• 商業優勢損失： 未公開模型、設計、競標條件、併購或研發計畫的競爭力喪失。
• 個資與第三人損害： 客戶、使用者及相對人的利益與法律權利。
• 信用與長期信任： 可能失去的訂單、延遲合約或持續聲譽影響。
• 責任與救濟成本： 調查、通知、律師、監理與修補費用。
• 時間與不可逆性： 某些資訊即使有金錢補償，仍無法令第三人忘記或撤回。

7.2 可補償性與可逆性是不同變數

研究上可將資料後果分為三組：

最理性的決策不一定是「最貴的資料都自己訓練模型」。企業也可保留敏感資料於受控資料庫，用檢索後的最小資料片段提供模型，或只讓外部模型接收經過去識別與權限過濾的內容。

7.3 信任不能僅靠供應商契約，也不能僅靠自家機房

若企業自己擁有 GPU 和模型，仍需處理帳號竊取、員工內部濫用、資料備份、供應鏈軟體弱點、模型提示注入及未授權外送。NIST AI RMF 與生成式 AI 風險 Profile 強調跨生命週期風險管理與持續評估。[S14]

比較應由相同的威脅模型開始，而不是先選答案再挑風險。

8. 同品質、同風險口徑的全生命週期成本模型

8.1 合格成果而不是單純 token

令 $N$ 表示期間內達到預先定義品質、延遲、合法性、可復核性及驗收標準的「合格任務數」，而不是 API 呼叫次數或模型輸出量。方案 $j$ 的總支出為：

其中：

• $F_j$：年度化固定費用及折舊、設備、租賃與相關基本設施。
• $v_j$：每件合格任務平均變動成本，包括重試與非合格嘗試的分攤。
• $I_j$：整合、遷移、資料整理與流程變更成本。
• $M_j$：安全管理、維運、獨立驗證與品質監督。
• $X_j$：退出、備援、資料返還及營運連續性準備。
• $R_j$：與其他項目未重複計入的可衡量風險調整成本。

為避免重複計算，每項費用只應歸屬一個欄位；如已把某些維運費納入固定費，就不能再納入 $M_j$。

品質規格不同時，單純比較 $TCO$ 會誤導。應先以相同盲測資料與任務清單確認品質下限，必要時比較每件達標成果總成本，另列出不能貨幣化的風險。

8.2 風險成本與預期賠償的分離

可觀察的事故風險為：

$\;p_{jk}$ 表示某類事故發生機率， $L_{jk}$ 為可估量的損害； $E_j^{collectible}$ 是在保險、契約、求償成功率、供應商償付能力與付款時差後，能合理期待收回的金額。

本式僅適用於可貨幣估量且不重複計算的風險。不可逆資料洩漏、重大法規限制、不可承受尾端事件應作硬性排除或額外約束，不應僅因平均事故成本較低就批准。

此外，買方不能把對供應商的違約追償假設為必然收款；契約名義責任額度與現金可回收額度不是同一個數字。

8.3 按服務品質正規化的吞吐與可用率

對相同任務測試集，令 $n_j^{accepted}$ 為符合驗收的交付量， $H_j$ 為資源消耗時間。則候選指標：

觀測時必須附加：P50／P95／P99 延遲、錯誤嚴重度、修復時間、人工審查需求及能源。單純 GPU 利用率高不等於任務成果有效；單純每百萬 token 成本低也可能掩蓋更多重試與下游修正。[S15]

8.4 既有算力的機會成本

自家已買入 GPU 不代表推理成本等於零。設備仍有電力、維修、人工、延遲與替代用途的機會成本。反過來，早已存在的容量若無法轉售且閒置，做新增工作負載的邊際成本可能低於採購新設備的平均成本。應將既有資產的短期增量決策與是否新購 GPU 的長期資本決策分開。

9. 示範性損益平衡：協商企業 API 為何有時更合理

9.1 明示假設，不是任何供應商報價

考慮一種規格已固定、交付品質與服務延遲均達同一標準的內部數位任務。將安全、整合、折舊、維護和合理資料處理費在避免重複計算後，簡化為「年固定費用＋每件合格任務可變成本」。

以上每個數字均為為了計算而設定的假設數字，不是 2026 年市場中位數、真實廠商價格、法律保費或 TCO 實測值。尚未包含難以量化的重大尾部事件；若品質、可靠性或資料可用性不同，三者不能直接比較。

9.2 三百萬件合格任務時

假設每年 $N=3{,}000{,}000$ 件，則：

在這組假設下，已協商企業 API 比自建推理便宜 40,000 美元／年，也比未協商標準 API 便宜 96,000 美元／年。因而「既然企業有錢買 GPU，就一定該自己買」並不能成立。

9.3 損益平衡點

若 B 與 D 的工作品質、風險約束、延遲及服務穩定度均可比較，則兩者的簡化損益平衡條件為：

因此：

在所有上述假設保持不變的情況下，年需求量超過約三百六十七萬件時，自建推理的簡化帳面成本開始可能低於協商 API。這個門檻不是普遍市場定律：最低採購量、設備採購價格、售價變動、模型品質、模型更新、設備故障、保險及利用率都可以改變結果。

9.4 同條件下的需求敏感度

解讀限制： 本表只是在固定假設下展示可能的逆轉點，不是鼓勵企業盲目追求最大利用率或購買更多硬體。若風險規格無法匹配、業務量不確定或自建模型交付品質低於外部方案，表中的 D 即使更便宜，也可能不具可行性。

10. 資料損失：如何避免把「可賠」誤當成「值得冒險」

假設 A 企業評估外部供應商可能曝露的資料。它不能僅以內部估價決定契約責任額度，也不能先假定外洩必然能取得完整賠償。較合理的程序是：

1. 對資料做可恢復性、可替代性、關鍵時點及第三人利益分級。
2. 列出每種事故可量化的直接成本與不可逆後果。
3. 與供應商討論可技術執行的處理限制與隔離。
4. 依可能事故分類談判不同責任與取證條款。
5. 確認供應商資本、保險、履約能力及責任免除例外。
6. 與企業自身能力比較，留存正式決策紀錄。
7. 對無法合理轉移或承受的風險，改用隔離、最小資料、離線或禁止處理。

重點： 資料價值高可以成為契約談判、技術隔離及特殊保障的理由；但是資料價值高本身不能證明本地方案必定安全，亦不能證明全部外包都是不負責任。

11. 什麼情況下本地部署或自研確有必要？

11.1 本地推理不等於本地預訓練

企業可能只需用開源模型在自家設備推理，或做小型微調，不必自己投入基礎模型前沿訓練。研究應將「本地服務自主性」與「前沿技術自主性」分別評價。

11.2 某些情況下外包反而能改善安全

擁有較完整的資安團隊、紅隊、監控、災備和跨組織事故經驗的專業供應商，可能比只有幾位兼職工程師的企業本地部署更能處理風險。但若供應商承擔大量集中資料，其本身也可能形成大規模外部性。雙方的比較應由證據支撐，不能以公司規模代替事故風險測量。

11.3 上游與供應商集中

若一家企業所有工作都綁定單一 API，它雖然節省 GPU 投資，也可能無法掌握供應中斷、政策變更與漲價。因此使用外部服務時，仍應建立資料可攜、模型替代測試、介面抽象及故障切換能力。這種可替換自主性可能比自有硬體更能降低某些商業風險。

12. 與 AIBT-01～04 的機制銜接：如何形成資本重配

12.1 AIBT-01：現金流回收

如果企業採用經協商且品質合格的外部 AI，能比新建模型訓練叢集及長期推理中心以更低固定資本完成相同工作，則企業可以把部分資金保留給產品、員工培訓、顧客服務或現金緩衝。這只是可用選項，不表示實際會如此分配。雲端服務商仍需投入算力資本；社會整體設備支出不一定按企業自建削減量等比下降。

12.2 AIBT-02：算力資本密度與利用率

共享基礎設施可透過不同客戶錯峰使用，提高某些設備的平均利用率；但若供應商為滿足尖峰保留大量閒置容量，也可能產生成本與定價壓力。反過來，企業自建有可能因大型穩定負載而成本較低。決策應比較相同品質下的有效工作量、閒置、記憶體、電力、維修與設備生命週期。

12.3 AIBT-03：產業安全與本土供應鏈

國家層級希望擁有國產晶片、國產模型或內部訓練能力，不意味每一家本國企業都必須完整複製這些能力。本國供應商與企業間可以經由本地契約交易，讓產業自主與商業分工並行。政府亦可能對關鍵領域建立國家級備援或管制；這不等同於要求所有中小企業自行採購 GPU。

12.4 AIBT-04：核心模型與平台集中

更多企業將通用模型能力外包，可能加速核心供應商和託管平台取得需求、資料處理信用與資本規模；也可能促進多供應商價格競爭。究竟是寡占、競爭型供應鏈，還是開放權重＋企業專業服務共同存在，需以採購支出份額、實際價格、客戶流失和進入障礙來量測。

12.5 AIBT-06 的前置問題

即便企業不需自研通用模型，它仍要回答：自身的產品、流程、商業信任、服務責任、分銷與客戶關係，有哪些無法被供應商直接內化的優勢？這是下一篇的「企業不可替代性」問題，不應由本篇提前宣布答案。

13. 五種常見說法與需要的修正

14. 2027–2028 年的候選情境

情境 A｜契約型雲端分工擴張

供應商可靠性、商業合約與可審計條款改善；中小企業將通用模型工作負載交給外部，將資本投入資料治理、整合與服務差異化。上游算力規模可能進一步集中，企業自建通用模型投資可能放緩。

情境 B｜本地推理因利用率與成本改善而擴大

開放權重模型品質與推理效率提高，既有閒置設備可承接更多任務，企業在高負載下更容易自建；推理可能去中心化，但基礎訓練仍需要核心供應鏈。

情境 C｜監管、資料與供應事故促成混合架構

當部分資料受到地理或敏感度約束，企業把高風險工作流保持離線，其他業務使用企業 API，並透過雙供應商與中介層提升韌性。設備總量可能不下降，但採購結構改變。

情境 D｜競爭或地緣因素使自研價值上升

部分企業發現競爭優勢在特殊基礎模型、控制系統或具有戰略用途的算法，願意承擔研發風險；同時一般企業仍傾向購買成熟 AI 能力。這意味市場分化，不是所有企業沿單一架構收斂。

這四種情境可能在不同法域、規模與產業同時存在；不能由某一家 API 供應商成長或某國新建機房，宣稱全球已出現單一路徑。

15. 十項可否證研究假說

識別紀律： 這些是假說而不是目前已驗證的十項結果；自我選擇、企業規模、法規與產業差異都會造成觀察偏誤。需使用可比較樣本、任務盲測、實際契約、運作日誌與成本紀錄，不能以採購新聞或單個成功案例替代。

16. 可執行研究設計：三組對照實驗

16.1 技術成本的受控交叉測試

在相同任務、資料權限、驗收標準與保密分級下，對比標準 API、協商 API、受控託管及自建推理。記錄任務成功率、模型總呼叫、重試、人工驗收、P95/P99 延遲、服務中斷、實際硬體與電力費，以及新增投資需求。

主要結果不應只有平均每 token 價格，而應是每合格且可追溯成果總成本。需區分單年現金支出、會計折舊及包含資本機會成本的經濟成本。

16.2 契約承諾與實際治理能力比較

蒐集不同企業的實際供應商合約及對應技術配置，將可稽核條款、可償付責任額度、事故取證、資料保存、次處理者政策與定期實測的執行情況分別編碼。比較事前治理成熟度、事故調查速度、客戶續約及第三方認證，而非僅計算「簽了幾份 NDA」。

若無法取得未公開契約，應採資料最小化、獨立第三方審閱或匿名分類，不能據猜測宣稱任何特定企業已取得特別責任保障。

16.3 供應商中斷與退出壓力測試

定義非實際破壞性的測試情境：模型版本停止、區域服務故障、價格提高、資料傳輸受限、某些端點 ZDR 不再適用。量測任務是否能轉移、需多少人工修正、合規是否受影響、恢復時間與額外成本。

採真實可操作的退出演練，不可將「契約寫有可移植性」等同「企業實際能在期限內成功切換」。

17. 建議資料字典與揭露格式

所有研究資料均需盡量匿名化，並提供欄位定義、統計口徑、缺值原因與版本。資料來源涉及企業機密時，公開報告不應包含未經授權的契約、個資或安全漏洞細節。

18. 理論批評與競爭解釋

18.1 「大供應商更專業，所以所有企業都應外包」不成立

專業化可能改善服務，也可能集中系統性風險，還可能讓重要公司受到單一供應商的定價與政策權力限制。AIBT-04 已提醒：上游核心模型席位集中，與用戶可否替換服務商，是不同問題。

18.2 「每個企業都自研可以促進技術創新」也不必然成立

一定程度的獨立研究有助於架構探索及供應鏈韌性，但大量複製同一通用能力的投資，未必產生相應的社會創新。需比較其真正新增的技術能力、學術溢出、人才培育，以及不能由成熟供應商取得的增益。

18.3 契約也可能變成弱勢買方排除機制

大型企業有條件談判特殊責任，而中小企業只能接受低保額標準條款，反而可能強化平台與買方之間的議價不平等。因此，要研究標準化安全保障、共同採購、獨立保險、可移轉契約評級等是否能降低中小企業門檻。

18.4 監管合規不等於所有社會價值

法定責任可以設定最低底線，卻無法完全捕捉資訊外洩造成的尊嚴、信任、創作權利與不可逆競爭損失。倫理審查與風險分級應補足契約的可表述邊界，但不能以模糊價值敘事掩蓋技術與財務比較。

18.5 風險估算與選擇偏誤

能成功談到高保障合約的企業，通常規模較大、資料治理較成熟、買量較多，這些因素本身可能同時改善事故結果。不能把「簽了契約後績效較好」直接當作契約造成的因果效果。

19. 結論：把是否需要自研，還原成可驗證的企業問題

本篇的核心不是替外部模型供應商宣傳，也不是反對開源模型、地方算力與關鍵自主研究。它要求企業區分三種不同問題：

1. 我真正需要的 AI 工作能力是什麼？ 哪些是可以購買、租用、整合、審計和替換的，哪些能力必須掌握模型架構或權重？
2. 我需要自己控制哪些風險？ 哪些能透過契約、技術隔離、資料最小化、外部稽核與保險合理管理，哪些涉及不可接受的尾部損失、法規或離線條件？
3. 我為何要承擔固定資本？ 新 GPU、資料中心、訓練研究團隊的全生命週期成本，能否以相同任務品質、交付能力、信用與治理效果產生足夠新增價值？

使用者提出的特別命題可概括為：願意簽出有實際法律與財務責任的供應契約，不僅是一條事後索賠路徑，也可能成為事前治理信用及事後責任說明的證據。 但此命題的實際強度，取決於契約能否被履行、技術措施是否存在、供應商是否有償付能力，以及法院和監理者如何判斷。

因此，企業本地部署與從零自研模型都應保有正當位置，但不應被當成一種不必證明財務與風險合理性的預設信仰。

本篇對 2027–2028 年 AI 產業出清的研究貢獻，在於提出一條可測量的契約替代—算力資本配置鏈：供應商提供的智能服務、風險保障與信用能力若足以替代企業重複自建，部分資本可能轉向任務整合、治理、創新或分配；若供應條款、可信任性或長期利用率改變，則可能重新轉回本地與混合結構。這不是固定方向的預言，而是一個可進行企業採購與產業面板研究的條件式命題。

附錄 A｜最小企業採購與契約審查清單

A1｜任務與功能

• 已固定業務需求、品質、可靠度、P95／P99 延遲與驗收標準。
• 已列出標準 API、協商 API、受控託管、本地推理與自研的同質比較範圍。
• 已確認是否真正需要權重控制與自主預訓練，而不是只需工作流整合。
• 已設計模型替換與重新驗證程序。

A2｜資料與法律

• 已區分個資、交易機密、第三方資料、公共資料與不可外發資料。
• 已核對所屬法域、資料地理位置及跨境限制。
• 已核對訓練使用、日誌保留、應用狀態、次處理者及刪除安排。
• 已確認具法律效力的角色分工與必要 DPA／附約。
• 已確認企業本身依法應履行的委外監督與通知義務。

A3｜契約信用與賠償

• 已核對事故通知時限、協助取證、異議與定期稽核權。
• 已區分一般責任上限、保密／安全例外、賠償義務和間接損害限制。
• 已評估供應商或其保險／擔保安排的實際償付能力。
• 已有事故保存證據和獨立調查程序。
• 已留存供董事會、用戶、保險商與監理者審查的決策紀錄。

A4｜成本與退出

• 已將 API 費、最低採購、電力、冷卻、硬體、折舊、人才、人工驗收及事故準備納入同一口徑。
• 已報告尖峰、低負載、模型更新及期限改變的敏感度。
• 已完成供應商中斷／價格上漲的退出演練。
• 已評估法律硬性排除而不把全部風險簡化成平均貨幣成本。
• 已分清訓練用算力與推理用算力，避免設備投資重複計入。

附錄 B｜可重複計算的示範代數

對三個選項設：

因 $C_B(N)=C_D(N)$，得到：

計算結果 $N^* \approx 3{,}666{,}667$，採四捨五入至整數件。此數是上文示範性假設衍生，不是市場觀察。

參考資料與來源註記

資料截點原則： 僅納入在 2026-10-31 之前已生效或可核對的條款、法規與技術資料；所有供應商政策均可能於之後更改，不能把此版本當作永久有效的採購準據。技術供應商的自我聲明不視為對安全或成本比較的獨立認證。

• [S01] OpenAI, Enterprise Privacy（2026-01-08）。說明商業資料預設不供模型訓練與企業資料控制。https://openai.com/enterprise-privacy/
• [S02] OpenAI Developers, Data controls in the OpenAI platform（截至 2026-10-31 所見版本）。說明 API 的濫用日誌、應用狀態、ZDR 資格與端點限制。https://developers.openai.com/api/docs/guides/your-data
• [S03] OpenAI, Services Agreement（2026-01-01 生效），尤其第 14 條與特定服務條款／訂單之適用關係。https://openai.com/zh-Hant/policies/services-agreement/
• [S04] OpenAI, Data Processing Addendum（2026-01-01 生效），尤其次處理者、資料回收與刪除及委託義務。https://openai.com/zh-Hant/policies/data-processing-addendum/
• [S05] European Commission, Application of the GDPR，控制者／處理者分工及契約要求。https://commission.europa.eu/law/law-topic/data-protection/information-business-and-organisations/application-gdpr_en
• [S06] European Data Protection Board, Guidelines 07/2020 on the concepts of controller and processor in the GDPR（2021-07-07 正式版）。https://www.edpb.europa.eu/documents/guideline/guidelines-072020-on-the-concepts-of-controller-and-processor-in-the-gdpr_en
• [S07] European Union, Regulation (EU) 2016/679（GDPR），第 28 條及第 82 條。https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32016R0679
• [S08] 臺灣《個人資料保護法施行細則》第 8 條，全國法規資料庫，適用版本應逐案核對。https://law.moj.gov.tw/LawClass/LawAll.aspx?PCode=I0050022
• [S09] Anthropic, Commercial Terms of Service（法律中心刊載 2025-06-17 版本）及商用資料政策。https://www.anthropic.com/legal
• [S10] Anthropic Privacy Center, How long do you store my organization's data?（2026-07-01）。https://privacy.claude.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data
• [S11] Anthropic Claude Platform Docs, API and data retention；另見特定 Covered Models 的 2026 年政策與適用限制。https://platform.claude.com/docs/en/build-with-claude/api-and-data-retention
• [S12] 中國《個人信息保護法》第 21 條，中國國家市場監督管理總局轉載。https://www.samr.gov.cn/wljys/gzzd/art/2023/art_3ef1e889c1e644d4b65b5f5c7f432386.html
• [S13] European Data Protection Board, International Data Transfers，標準契約條款、傳輸影響評估與其他跨境義務。https://www.edpb.europa.eu/sme/be-compliant/international-data-transfers_en
• [S14] National Institute of Standards and Technology, AI Risk Management Framework: Generative AI Profile（NIST AI 600-1，2024-07-26；2026 年仍可參照）。https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
• [S15] NVIDIA Developer, Inference Performance for Data Center Deep Learning（包含 2026 年推理每單位 token 成本與吞吐的廠商測試說明；非跨方案通用財務事實）。https://developer.nvidia.com/deep-learning-performance-training-inference/ai-inference
• [S16] FinOps Foundation, State of FinOps 2025，AI 支出可視化與成本分攤問題（受訪樣本非全球代表性）。https://data.finops.org/2025-report/

既有研究原稿接口（不重複改寫）

• AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md
• AIBT_01_AI泡沫不是技術終結_估值現金流與投資回收期限_v0.1_2026-10-31.md
• AIBT_02_算力資本密度_能源約束與參數量悖論_v0.1_2026-10-31.md
• AIBT_03_地緣政治不是無限資本支票_國家競賽與企業利潤的分歧_v0.1_2026-10-31.md
• AIBT_04_核心模型席位_平台集中與投資組合博弈_v0.1_2026-10-31.md
• AI產業重整_API契約與本地部署_研究備忘錄_2026-10-31.md

完稿狀態與驗收限制

本文已完成：研究定位、概念／非主張、正式契約與法規對照、總持有成本模型、敏感度算例、三組候選測試、十項可否證假說、資料字典及參考來源。本文尚未取得受保密限制的企業客製化契約原本、獨立企業採購樣本、跨司法管轄區事故歸責田野資料或基礎模型訓練的全面成本審計。 因此，本篇的合同信用效果與企業部署選擇尚屬待實證檢驗的條件性命題。

下一篇：AIBT-06｜數位企業不可替代性危機：當產品變成平台附加功能。