Altman憂AI集中，企業要留後路

（媒角抵加／林承志綜合報導）8月23日，David Senra 發布 OpenAI 執行長 Sam Altman 訪談摘要。Altman 談到晶片、資料中心與電力，並擔心權力落入少數公司、人和模型手中。

CNAS 與 Stanford 資料顯示，模型、資料中心與晶片供應集中在少數節點。台灣企業把資料、提示和送出權限留在自己手上，配額、價格或 API 規則改變時，才有條件當天換模型。

CNAS把AI集中拆成算力、模型與應用三層

CNAS 在〈Who Will Make Money on AI?〉裡，把 AI 市場分成三層。底層是晶片、資料中心和雲端算力；中間是能處理文字、影像、程式與代理任務的基礎模型；最上面才是客服、搜尋、辦公、程式開發等直接面向使用者的服務。

研究指出，基礎設施與基礎模型層已有顯著集中，少數業者同時掌握多個環節時，垂直整合與彼此投資會讓集中度繼續提高。對使用者來說，這不是抽象的市場結構：公司把流程綁在某一家模型 API、某個雲端帳號與一套專屬格式後，替換服務就得重做資料傳遞、權限、測試與人工作業。

CNAS 也提醒，企業市場通常比消費市場更重視安全和可控性。這代表採購 AI 工具時，服務能力與價格以外，資料能否匯出、版本如何保留、換服務後誰能核准送出，都會直接影響是否能繼續營運。

Altman的擔心，已落在模型與晶片兩端

8月23日，創業人物訪談主持人 David Senra 在官網發布 OpenAI 執行長 Sam Altman 的訪談摘要。摘要談到，OpenAI 為了擴張運算能力，得同時協調晶片、晶圓廠、資料中心、電力、資金與供應鏈；Altman 在這段談話裡提出，AI 應擴張人的行動能力，避免權力集中到少數公司、人或模型。

這份提醒對照 Stanford 的年度資料更具體：2025年超過九成知名前沿模型由產業推出；生成最強模型所需的運算、資金和人才，已經遠超過多數學術團隊能單獨負擔的規模。

硬體端的收斂更明顯。Stanford 統計，美國擁有5,427座資料中心，數量超過其他國家十倍以上；同份報告指出，台積電製造幾乎所有領先 AI 晶片。模型服務看起來有許多名稱，背後的運算與製造供應鏈卻集中在更少的節點。

依賴關係會出現在新模型的價格、用量上限、地區供應、資料處理條件或 API 版本變動時。下游應用和使用者很難只靠切換畫面解決問題。

AI晶片供應緊縮，會先反映在配額與價格

CNAS 另一份2026年研究把 AI 晶片製造列為擴張算力的主要限制。報告引用多家業者與台積電執行長的說法，指出先進晶圓供給短期內追不上需求，台積電執行長在2026年4月法說會表示，供應到2027年才可能滿足需求。

算力不足時，模型服務商可採取的動作很具體：尖峰時段收緊用量上限、調整價格、減少研究運算、訓練較小的模型，或以較低品質回應部分需求。CNAS 以 Anthropic 尖峰時段較嚴格的用量限制與 Google 的供應受限說法為例，說明這些取捨已經出現在產品服務裡。

因此，AI 服務的中斷不必等到整個平台消失。每一次配額、輸出速度、模型版本與帳號方案的調整，都可能讓既有流程改變成本與交期。把每日工作全部交給單一模型，風險會先出現在最忙、最需要穩定交付的時候。

台灣站在晶片供應中心，企業仍要準備第二條路

台灣在領先 AI 晶片製造裡的位置十分關鍵，卻不等於本地使用者能決定雲端算力怎麼分配，也無法保證某個模型服務的價格、帳號方案或功能會維持不變。晶圓代工、雲端資料中心、模型服務與企業帳號是不同的供應環節。

台灣團隊常用的情境，是把中文客服信、產品規格、內部知識庫或程式碼交給外部模型處理。這些內容一旦被整理成某家服務特有的工作區、代理設定或知識庫格式，切換時可能連同資料欄位、存取權限和品質基準一起遺失。

真正需要保留的是工作流程的主導權。原始文件放在自家可管理的資料夾或系統；系統提示與範例有版本；人工確認者握有寄信、退款、刪檔或發布的最後按鈕。模型可以換，這些責任和紀錄不能跟著帳號一起消失。

客服AI先拆出資料、提示與送出權限

以客服為例，先把一封來信分成四個可交接的東西：客戶輸入、商品與訂單資料、模型產生的回覆草稿、客服人員最後送出的版本。AI 可以讀信、找出問題、帶入已核准的退換貨規則並寫草稿；收件人、退款金額和送出按鈕仍由負責人核對。

接著把服務商專屬的內容搬到可保存的地方。保留 CSV 或資料庫匯出的客服紀錄、商品規則的原始文件、每版系統提示、附件處理方式，以及一組已結案的案例。這些東西能讓新服務理解任務，也能讓團隊檢查新輸出的內容是否符合舊規則。

涉及個資、付款或合約的內容，還要分清楚哪些資料能傳到哪個服務。資料處理地、保留期限、帳號權限與供應商合約由資訊、法務或個資負責人依組織情境確認；客服人員則保留看得見的覆核和送出步驟。

第二個模型，要先跑過同一批已結案案例

備援要能在原服務變動時實際接手。團隊可以挑一批已結案、已去識別化的客服案例，使用同一份商品規則與提示，分別交給目前服務和替代服務產生草稿。主管檢查的是具體項目：價格與退換貨條件有沒有寫錯、是否漏掉關鍵附件、繁體中文口吻是否可直接使用、遇到資料不足時是否會停下來交由人工處理。

這次演練先避開退款、寄信和正式發布等不可逆動作。兩個服務若都能產生合格草稿，流程就已經有了第二條路；若替代服務出現錯誤，團隊也能知道要修正的是提示、知識庫格式、人工規則還是服務選擇。

同樣方法可用在文件摘要、商品標題初稿或內部程式審查。保留一組能反覆使用的測試案例，原服務限制變動時，團隊就能立刻啟用它們。

採購前先問匯出、保留與切換三件事

新工具進公司前，採購和使用團隊可以先問三個問題。第一，客戶資料、對話紀錄、提示、附件和輸出結果能用什麼格式匯出，匯出後誰能讀取。第二，服務商保留資料多久，管理者能否看到帳號、權限、用量和模型版本的變化。第三，如果明天改用另一家服務，哪一個任務能在不重建全部流程下先恢復運作。

問題的答案會因帳號方案、雲端區域、資料處理條款與工作內容不同而改變。小型團隊可先把最常用的一項文字工作拆開測試；處理醫療、金融、個資或大量客戶資料的組織，還要把資料治理與合約審查一起納入採購流程。

Altman 擔心的權力集中，最後會落到使用者手上的選項有多少。台灣有重要的晶片製造位置，企業仍須把資料、流程與人工決定留在自己能管理的系統裡。當模型更換、價格調整或供給收緊，手上已有一條走得通的後路，團隊才有持續工作的條件。

FAQ：AI服務集中，台灣企業怎麼留後路？

同時訂閱兩個AI服務，就算有備援嗎？

還不夠。兩個帳號若沒有相同的輸入資料、提示版本、品質標準和人工送出流程，真正需要切換時仍要重建工作。先用已結案的低風險案例跑過一次，才能知道替代服務能接手哪一段。

資料可攜要先保留哪些內容？

至少保留原始文件或資料表、系統提示與範例、已核准的規則、模型輸出紀錄、附件處理方式，以及一組可重複測試的案例。這些內容要存放在組織可管理、可設定權限的位置。

台灣製造領先AI晶片，為何企業還要擔心切換？

晶片製造是供應鏈的一環。企業日常使用的模型、雲端、帳號、API、資料處理與客服功能，仍由不同服務商提供。把工作流程做成可匯出、可測試、可人工接手，才能面對這些環節的個別變動。

資料來源

• Center for a New American Security，〈Who Will Make Money on AI?〉，2026-05-05：https://www.cnas.org/publications/reports/who-will-make-money-on-ai
• Stanford Institute for Human-Centered AI，〈The 2026 AI Index Report〉：https://hai.stanford.edu/ai-index/2026-ai-index-report
• Center for a New American Security，〈American AI Companies Can’t Get Enough Chips〉：https://www.cnas.org/publications/reports/american-ai-companies-cant-get-enough-chips
• David Senra，〈Sam Altman, OpenAI〉，2026-08-23：https://www.davidsenra.com/episode/sam-altman