隨著硬體成本飆升，AI 投資已從輕盈的軟體夢，變成了燒錢的「重工業」。許多企業主深陷於「不跟會被淘汰，跟了怕變泡沫」的囚徒困境，卻忽略了商業模式的底層邏輯。本文不談艱澀的演算法參數，而是直指企業生存的戰略核心：為什麼你該學習藥廠的智慧，用「併購」代替高風險的自研？為什麼死守內部數據是死路一條，必須像發行聯名卡一樣搞「數據結盟」？透過產業分析師的銳利視角，帶您跳脫技術焦慮，掌握一套新的資產盤點邏輯：在這個十倍速變動的時代，你的決策頻率，將決定你是泡沫下的犧牲者，還是生態系中的贏家。
五千億美元的豪賭與麥可．貝瑞的預言
2024 年至 2025 年間，全球科技巨頭與風險資本在人工智慧（AI）領域的投入呈現出令人咋舌的指數級增長。根據高盛（Goldman Sachs）與多家頂級投行的研報預測，全球 AI 相關的資本支出（CAPEX）屢創新高，已近5,000億美元的高水位。
市場分裂成兩個極端的平行宇宙：一方面，樂觀的研究單位預期 AI 未來將創造 20 兆美元的經濟規模；另一方面，曾精準預測次貸危機的大空頭麥可．貝瑞（Michael Burry）發出了震耳欲聾的警示。他評論當今 AI 熱潮與 2000 年初的網路泡沫驚人地相似。當時業者對光纖網路投入大量資金，建置速度卻遠超實際用量，導致當年美國光纖網路的產能利用率一度跌至 5%，整體網通股價在一年內崩潰約 70%。
這將企業主推入了一個典型的「囚徒困境」：不參與，可能被時代淘汰；參與了，是否會成為另一波泡沫化的犧牲者？
AI 不再僅僅是一個技術選題，它已經演變成一個棘手的財務難題。硬體成本的飆升正在侵蝕毛利，技術迭代的加速正在縮短產品的生命週期，而傳統的護城河正在被演算法填平。面對這場賽局，企業該如何下注？
有機成長或無機成長：造輪子與買車隊的永恆辯證
在過去的軟體時代（SaaS），邊際成本幾乎為零是科技業享有高估值的核心邏輯。然而，AI 時代徹底推翻了這個假設。訓練一個大模型所需的 GPU 叢集、冷卻系統以及驚人的電力消耗，使得 AI 本質上更接近「重工業」而非傳統的「輕資產軟體業」。
這導致了一個嚴重的財務後果：投入資本回報率（ROIC）的顯著下降。對於大多數非科技巨頭的中大型企業來說，試圖從零開始組建 AI 團隊、採購硬體、訓練模型，是一場勝算極低的賭局。這不僅是因為人才薪資的暴漲，更是因為硬體設備的折舊速度遠快於預期。一張 H100 晶片在財務帳面上的折舊年限或許是 3-5 年，但在算力效能的競爭上，它是否能在攤提期間持續保持競爭力，這是持續爭議的話題。
拋開 AI 這個關鍵字，這其實與許多企業傳統的研發或設備更新有相似的風險邏輯。在資產鑑價中，我們評估一家公司的價值，看重的是「未來現金流的現值」，而「時間」是影響現值最大的變數。
企業內部研發面臨巨大的「研發失敗風險」與「時間延遲成本」。此時，併購（M&A）成為了解決資本效率問題的手段。透過併購，企業試圖獲得以下三種資產溢價：
- 經過驗證的場景（Proven Use Case）： 收購已跑通商業模式的團隊，省略 0 到 1 的試錯成本。
- 人才的批量獲取（Acqui-hiring）： 在人才溢價極高的當下，併購整支成熟團隊的綜合成本往往低於單獨招聘。
- 防禦性資產配置： 透過併購潛在顛覆者，消除未來競爭威脅，降低「特定公司風險（Unsystematic Risk）」。
當然，併購不是全然沒有風險。併購絕非萬靈丹，它往往伴隨著巨大的「價值毀滅」風險。 在併購案中，同樣有營運風險：
- 文化排異導致的資產流失： AI 新創團隊往往具有強烈的駭客文化，與傳統企業的科層體制格格不入。一旦核心技術人員在併購後離職（Earn-out 期結束甚至更早），企業花巨資買下的「人才資產」瞬間歸零，這將導致財報上出現鉅額的「商譽減損（Goodwill Impairment）」。
- 技術負債的誤判： 許多被併購標的看似擁有先進的模型，但其實是建立在即將過時的架構上。買方往往在盡職調查（DD）時，高估了技術的延續性，低估了與舊系統整合的「重構成本」。
- 估值的「贏家詛咒（Winner’s Curse）」： 在熱潮中，買方容易支付過高的溢價（Premium）。若併購後的綜效（Synergy）無法在兩年內體現，這個溢價就會變成沈重的財務負擔，直接拖累每股盈餘（EPS）。
這並非 AI 時代獨有的難題。 回看製藥產業（Pharma）的歷史，這就是輝瑞（Pfizer）或默克（Merck）每天在做的事。大型藥廠很少完全依賴內部研發來發現新藥（因為失敗率極高且週期長），它們更傾向於在生物科技新創（Biotech）完成二期臨床試驗後直接進行併購。 AI 時代的企業主現在面臨的，就是當年藥廠 CEO 的處境： 你是要自己蓋實驗室賭一個未知的分子式（自研模型），還是溢價收購已經證明有效的專利（併購團隊）？這個決策模型完全一致，只是 AI 的迭代週期從藥廠的 10 年壓縮成了 10 個月。
當然，對於不熟悉併購的業者來說，需要去關注「資產固化（Asset Solidification）」的核心觀點。在過去，併購看的是專利（IP）；在 AI 時代，很多價值存在於工程師的腦袋裡（Prompt Engineering、調參經驗）。但人是會流動的，一旦鎖定期（Lock-up Period）結束，人才流失，價值即刻歸零。因此，我們必須將焦點從「這群人有多強」，轉移到「這群人的智慧是否已經系統化」：
- 他們的 Know-how 是否已經轉化為自動化的 MLOps 流程？
- 他們的經驗是否已經變成公司內部的 微調模型（Fine-tuned Model）？
- 他們是否建立了讓新手也能快速上手的 知識庫？
如果不具備這些「固化」機制，你買的就不是資產，而是一張昂貴且隨時會過期的「人才租賃合約」。
速度的詛咒：護城河的消失與結盟的必要性
股神巴菲特推崇的「護城河」理論，在 AI 時代面臨嚴峻挑戰。AI 加速了知識的擴散與技術的普及。過去，一家顧問公司可能依靠獨有的分析框架維持十年的優勢；現在，一個微調過的 LLM（大型語言模型）可能在三個月內就能模仿出類似的輸出。
這意味著：商業模式的半衰期正在急劇縮短。 產品從「創新」到「大眾化商品（Commodity）」的週期，被 AI 壓縮了數倍。在 DCF（現金流折現）模型中，這直接導致了我們對企業「終值（Terminal Value）」評估的下調。如果一家企業無法跟上這種迭代速度，它的長期價值將趨近於零。
在這種超高速的競爭環境下，單打獨鬥是死路一條。任何試圖建立封閉花園（Walled Garden）的非平台型企業，最終都會因為迭代速度跟不上開放社群而被淘汰。
因此，「策略結盟（Strategic Alliance）」 不再是錦上添花的公關活動，而是生存的必要手段。
從市場分析的角度來看，未來的商業競爭將是「生態系」對決「生態系」。企業必須學會做「積木」，而不是做「城堡」。
- 水平結盟： 同業之間共享非核心的數據或算力資源，分攤 AI 基礎建設的成本。
- 垂直結盟： 與上下游深度綁定，利用 AI 優化整條供應鏈的效率，創造單一企業無法達成的系統性價值。
這也不是新鮮事。 看看航空業的「星空聯盟」或汽車業的「共用底盤」策略。當單一航空公司無法覆蓋全球航點，或單一車廠無法負擔引擎研發成本時，它們選擇了結盟。 過去，企業是因為「規模經濟」不足而結盟；現在，企業是因為「迭代速度」不夠快而結盟。本質上，都是為了對抗單一組織在資源邊界上的侷限性。以前是為了省錢，現在是為了保命。
數據資產的重新定價：從「孤島」到「聯名卡」思維
這是許多企業主最容易誤解的一點：以為擁有了 AI 模型就擁有了資產，或者以為擁有了封閉的內部數據就是擁有了金礦。
事實恰恰相反。 隨著 Llama、Mistral 等開源模型的強大，以及 GPT 等閉源模型的 API 價格下降，模型本身正在迅速商品化。如果你的優勢建立在「我用了一個很強的模型」，那你的資產價值極其脆弱；同樣地，「我擁有龐大的私有資料」這也是一個脆弱的觀點。為什麼？因為單純的內部數據往往缺乏維度，且應用場景過於單一。私有數據如果不流動、不碰撞，它就是資訊孤島，而非資產。
未來的數據資產，將高度依賴數據的「獨特性」與「場景豐富度」。我們可以將數據資產分為三個層次來看：
- 公有資料（Public Data）： 網路上隨手可得的數據。這類資料沒有價值，因為任何競爭對手都能輕易獲取並模仿。
- 純私有資料（Siloed Private Data）： 企業內部的 ERP 或生產紀錄。這類資料有價值，但侷限性太強。它只能解釋「過去發生了什麼」，卻很難預測「市場將如何變化」。
- 公私混合與場景磨練（Hybrid Data & Scenarios）：這才是真正的黃金。它才能夠讓使用者在熟悉的資料背景下，在適當的應用場景創造出既熟悉又信任的預測或分析結果，進而推動決策。
要理解這一點，我們不需要看高深的科技論文，看看百貨零售業的「跨域會員卡」（如台灣的 HAPPY GO、SOGO 聯名卡，或日本的 T-Point/Ponta 卡）就懂了。 為什麼百貨公司要發行跨產業的點數卡？ 因為如果 SOGO 只擁有你在 SOGO 的消費紀錄（純私有數據），它只能知道你喜歡買化妝品，但無法預測你下個月的購買力。 但當它透過 HAPPY GO 結合了你在加油站（交通）、電信（通訊）、書店（興趣）的數據時（公私混合與跨場景），它就能精準描繪出你的完整畫像，進而預測你的需求。
當然，B2B會是另外一個故事，取決於你能否建立一個「智慧鐵三角」的運作機制：
- 企業本身（Context）： 擁有核心的「私有數據」與獨特的「產業視角」。
- 外部資料單位（Parameters）： 提供宏觀的「公有數據」、「產業指標」（如原物料行情、全球航運指數、總體經濟數據）及所有合法的「關鍵資料」（個別企業信用報告、訴訟資料、瑕疵紀錄等）。
- 資訊廠商（Bridge）： 作為關鍵的技術橋樑，負責在不觸碰企業機密的前提下，將外部數據引入企業的系統中。
這如何運作？ 不需要洩漏你的機密。你的資訊廠商（SI/ISV）扮演了「轉譯者」的角色。他們將外部資料單位提供的「全球鋼價趨勢」（非機密），導入你的 ERP 系統中，結合你內部的「BOM 表與庫存水位」（機密），在你的防火牆內運算，最終產出一個只有你看得懂的「成本波動預警」。
- 這就是 「不涉及機密資料的價值共創」。
- 在這個鐵三角中，企業依然保有秘密，但透過資訊廠商的技術與外部資料的注入，你的決策視角從「看後照鏡（內部歷史資料）」，升級為「看導航圖（外部預測數據）」。誰能最快建立起這個「鐵三角生態系」，誰就擁有最高的資產鑑價。
AI 時代的數據戰略，本質上就是「數位版的跨域聯名卡」。 企業必須像當年零售業推動跨界點數一樣，積極地讓自己的數據「走出去」交換，引入外部數據「流進來」碰撞。誰能建立起數據的 T-Point 生態系，誰就擁有最高的資產鑑價。
結論與行動計劃：改變的不是做什麼，而是「盤點的頻率」
綜上所述，AI 帶給企業的挑戰，並非前所未見的外星科技難題，而是將傳統的「投資風險」、「結盟博弈」與「資產定義」以十倍速播放。
既然問題本質不變，為什麼企業依然感到焦慮？因為傳統的管理節奏（Cadence）失效了。過去我們一年做一次預算，三年做一次轉型；現在 AI 的進步以週為單位。
因此，作為資產評價師，我給出的行動建議並非要你盲目投入技術，而是改變你的資源盤點邏輯：
1.從「年度資產盤點」轉向「季度資源重估」 過去我們每年底才盤點一次資產。在 AI 時代，你必須每季甚至每月問自己：
- 技術盤點： 我現在用的這個 AI 模型或工具，是否已經有了更便宜、更強的替代品？（避免技術負債堆積）
- 數據盤點： 我是否已經建立了「鐵三角」機制？外部的數據是否有效地流進我的決策系統中？
2.重新定義「核心資產」 不要再把「軟體系統」或單純的「人才名單」當作核心資產。請將「智慧固化程度」與「生態系連結能力」列為你的核心資產。
- 檢視你的固化： 如果明天核心工程師離職，我的 AI 系統還能自我迭代嗎？
- 檢視你的連結： 我的資訊廠商是否只賣我軟體，還是能幫我引入外部數據資產？
3.只有「高頻率」的決策才能對抗「高變動」的風險 AI 時代的反應，不應是盲目的技術軍備競賽，而是極致冷靜的資源配置戰略。不用擔心 AI 是新問題，請用經營老店的智慧，但用快轉十倍的速度來執行它。
