模型能力再強，都不代表AI已經準備好正式投入營運。APJ（亞太及日本區）的調查報道顯示，77%至87%受訪企業認為，現有本地部署基建未完全準備好支援AI工作負載；新加坡的相關比例為77%。214 真正難題往往不止是模型，而是效能、安全與資料主權，以及如何在分散的環境中部署和管理AI。

要跨過由試點走向生產的關口，企業就要由一開始，將基建、管治和日常營運一併納入計劃，而不是等原型做成了才補救。

試點成功，為何未必可以正式上線？

試點通常在相對受控的環境進行；一旦投入日常運作，就要面對真實資料流程、既有業務系統、可靠度要求、安全控制，以及長期成本。模型只是整個服務的一部分。

APJ相關報道指出，企業將AI工作負載擴展至總部以外時，常見挑戰包括效能瓶頸、安全和資料主權問題，以及部署與管理的複雜度。2 若團隊把這些視為各自獨立的IT工作，便可能出現一個尷尬局面：原型看似可行，卻沒有清晰、受管控的擴展路徑。

要留意，這些準備度數字來自調查回覆，反映受訪者對基建狀況的看法，並非對每間企業部署AI能力的獨立審核。12 它們反映業界普遍關注，不能直接用來判斷個別AI項目成敗。

由業務用途倒推基建安排

先釐清要解決的業務問題，再定義服務投入運作後的成功標準，之後才決定AI要在哪裏、以甚麼方式運行。每個用途都應有明確的業務負責人、可衡量的成效指標，以及對服務質素、成本和不確定結果處理方式的清晰要求。

接着盤點應用依賴甚麼：資料存取和傳輸、儲存、運算能力、網絡容量、與現有系統的連接、安全措施，以及日常支援。測試時，亦要盡量模擬預期使用情況。這樣較容易看出瓶頸究竟在模型、基建、資料存取，還是服務營運方式。

AI路線圖和基建路線圖亦要按同一組需求協調。優先更新真正阻礙個別用途的環節，不必因為要做AI，就一次過更換所有舊系統。

管治要融入交付流程

對新加坡金融機構而言，新加坡金融管理局（MAS）的人工智能風險管理指引，列明對監督、風險管理系統及AI生命週期管控的期望。2131 MAS亦提及業界共同制定的工具包，協助金融機構把AI風險管理落實到實際工作。18

對企業團隊來說，重點是上線前先講清楚誰負責甚麼：業務成效、資料、模型、基建和事故應變，都要有明確負責人。訂好審批和檢視關口，說明如何監察系統，以及在甚麼情況下需要人手介入或暫停服務。管治若能影響設計和部署決策，會比最後一刻才加上的簽核更有用。

資料主權不只是選伺服器位置

將資料放在某個地區，並不代表資料控制權的問題就此解決；法律管轄權及其他資料存取因素同樣可能重要。33 部署前應盤點哪些資料會被處理、資料會流向哪裏，以及日誌和備份等運作所需副本的去向。再檢視適用的司法管轄區和存取安排，並將獲批的資料位置及傳輸規則納入部署和支援程序。

要求會因機構和用途而異。重點不是假設所有AI工作負載都必須在本地部署，而是按適用責任，審慎決定資料放置位置和存取方式。

讓VM與容器在一致管控下協作

不少企業既要支援以虛擬機器（VM）運行的既有業務系統，也要部署以容器為基礎的服務。APJ報道指出，隨着混合IT環境擴展，企業正結合虛擬化和容器技術，但這亦需要新的技能和營運方式。3

較務實的做法，是讓合適的舊系統繼續運行於VM，並在適合的情況下以容器運行AI服務，再透過受管控的資料介面和API連接。身份管理、安全、監察、備份和復原等做法，則應盡量保持一致。

所謂共用營運模式，意思是管控方式一致、責任清晰，不代表每個工作負載都必須採用同一種技術。

建立可重複的上線路徑

讓業務、資料、平台、安全、風險及營運團隊參與同一個交付流程。只有在依賴項目、管控措施和支援安排都準備妥當時，才將用途推進至正式營運。上線後，除了可靠度、服務質素和成本，也要追蹤對業務真正重要的結果；再把經驗用於改善下一個用途的部署範本和操作流程。

用一級方程式賽車作比喻：模型像引擎，但要跑得穩，底盤、管控、資料做法和負責日常運作的團隊都要配合。要讓AI走出試點，關鍵不是單靠模型馬力，而是整套系統能否在真實環境中持續可靠地運作。

模型能力再強，都不代表AI已經準備好正式投入營運。APJ（亞太及日本區）的調查報道顯示，77%至87%受訪企業認為，現有本地部署基建未完全準備好支援AI工作負載；新加坡的相關比例為77%。214 真正難題往往不止是模型，而是效能、安全與資料主權，以及如何在分散的環境中部署和管理AI。

要跨過由試點走向生產的關口，企業就要由一開始，將基建、管治和日常營運一併納入計劃，而不是等原型做成了才補救。

試點成功，為何未必可以正式上線？

試點通常在相對受控的環境進行；一旦投入日常運作，就要面對真實資料流程、既有業務系統、可靠度要求、安全控制，以及長期成本。模型只是整個服務的一部分。

APJ相關報道指出，企業將AI工作負載擴展至總部以外時，常見挑戰包括效能瓶頸、安全和資料主權問題，以及部署與管理的複雜度。2 若團隊把這些視為各自獨立的IT工作，便可能出現一個尷尬局面：原型看似可行，卻沒有清晰、受管控的擴展路徑。

要留意，這些準備度數字來自調查回覆，反映受訪者對基建狀況的看法，並非對每間企業部署AI能力的獨立審核。12 它們反映業界普遍關注，不能直接用來判斷個別AI項目成敗。

由業務用途倒推基建安排

先釐清要解決的業務問題，再定義服務投入運作後的成功標準，之後才決定AI要在哪裏、以甚麼方式運行。每個用途都應有明確的業務負責人、可衡量的成效指標，以及對服務質素、成本和不確定結果處理方式的清晰要求。

接着盤點應用依賴甚麼：資料存取和傳輸、儲存、運算能力、網絡容量、與現有系統的連接、安全措施，以及日常支援。測試時，亦要盡量模擬預期使用情況。這樣較容易看出瓶頸究竟在模型、基建、資料存取，還是服務營運方式。

AI路線圖和基建路線圖亦要按同一組需求協調。優先更新真正阻礙個別用途的環節，不必因為要做AI，就一次過更換所有舊系統。

管治要融入交付流程

對新加坡金融機構而言，新加坡金融管理局（MAS）的人工智能風險管理指引，列明對監督、風險管理系統及AI生命週期管控的期望。2131 MAS亦提及業界共同制定的工具包，協助金融機構把AI風險管理落實到實際工作。18

對企業團隊來說，重點是上線前先講清楚誰負責甚麼：業務成效、資料、模型、基建和事故應變，都要有明確負責人。訂好審批和檢視關口，說明如何監察系統，以及在甚麼情況下需要人手介入或暫停服務。管治若能影響設計和部署決策，會比最後一刻才加上的簽核更有用。

資料主權不只是選伺服器位置

將資料放在某個地區，並不代表資料控制權的問題就此解決；法律管轄權及其他資料存取因素同樣可能重要。33 部署前應盤點哪些資料會被處理、資料會流向哪裏，以及日誌和備份等運作所需副本的去向。再檢視適用的司法管轄區和存取安排，並將獲批的資料位置及傳輸規則納入部署和支援程序。

要求會因機構和用途而異。重點不是假設所有AI工作負載都必須在本地部署，而是按適用責任，審慎決定資料放置位置和存取方式。

讓VM與容器在一致管控下協作

不少企業既要支援以虛擬機器（VM）運行的既有業務系統，也要部署以容器為基礎的服務。APJ報道指出，隨着混合IT環境擴展，企業正結合虛擬化和容器技術，但這亦需要新的技能和營運方式。3

較務實的做法，是讓合適的舊系統繼續運行於VM，並在適合的情況下以容器運行AI服務，再透過受管控的資料介面和API連接。身份管理、安全、監察、備份和復原等做法，則應盡量保持一致。

所謂共用營運模式，意思是管控方式一致、責任清晰，不代表每個工作負載都必須採用同一種技術。

建立可重複的上線路徑

讓業務、資料、平台、安全、風險及營運團隊參與同一個交付流程。只有在依賴項目、管控措施和支援安排都準備妥當時，才將用途推進至正式營運。上線後，除了可靠度、服務質素和成本，也要追蹤對業務真正重要的結果；再把經驗用於改善下一個用途的部署範本和操作流程。

用一級方程式賽車作比喻：模型像引擎，但要跑得穩，底盤、管控、資料做法和負責日常運作的團隊都要配合。要讓AI走出試點，關鍵不是單靠模型馬力，而是整套系統能否在真實環境中持續可靠地運作。