台灣企業的 AI 動能在亞洲市場排名第一，但同一份調查也揭示了一個對比：投資意願全球最高，實際回報卻是所有評估維度中得分最低的一項。這不是執行力的問題，是數據基礎的問題。
文／何信達
美商鄧白氏全球業務營運與轉型執行副總裁暨台灣區總經理 Julian Prower 強調：「在 AI 加速進入商業決策流程的此刻，企業面對的核心問題，已不是 AI 能不能生成答案，而是這些答案能否建立在可信、可追溯的資料基礎上。」
77% 企業已跨越試點，ROI 仍是缺口
根據鄧白氏（Dun & Bradstreet）最新發布的《企業 AI 動能指數》第二季報告，台灣整體得分從上季 53 分大幅躍升至 72 分，在受訪亞洲市場中居首，成長幅度也是全球最大。調查涵蓋全球 32 個市場、代表全球 70% GDP 的 10,000 名 C-level 決策者，台灣樣本超過 300 家企業、橫跨 17 個產業，按產業比重取樣以反映台灣實際 GDP 結構。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
數字背後，結構性的轉變更值得關注：台灣已有 37% 企業進入規模化階段，40% 企業同步改造多個核心業務流程，合計 77% 已跨越試點期。2025 年的問題是「要不要用 AI」，2026 年的問題已經變成「怎麼規模化、怎麼拿到 ROI」。
然而，台灣在「AI 投資意願」維度拿下全球最高的 87 分，「ROI 實現」卻是八大評估維度中得分最低的一項。兩個數字放在一起，說明的是同一件事：錢已經在燒，但還沒有燒到對的地方。
卡關在數據，不在模型
調查明確點出台灣 AI 落地的三大障礙，全部集中在數據層：資料可取得性與存取、資料隱私與合規、資料品質與完整性。
這個結論直指一個常見的誤解——企業傾向將 AI 導入失敗歸因於模型選擇或技術架構，但調查顯示，真正的瓶頸更早發生。對此，鄧白氏數據長呂苑玲點出關鍵：「在技術層與模型層之間，用的是大量的數據，數據是在模型運算中間不可缺少的最重要原料。企業必須先將自家的數據清整好，能被及時調用的速度越快，就越能領先群雄。」
[ 推薦閱讀：透過資料治理、引入AI工具，在不增人力緊縮的情況下跑出佳績！ ]
台灣製造業面臨的挑戰尤其具體：供應鏈上下游系統之間，資料格式不一致、定義不統一，導致數據無法有效串通。調查中「技術堆疊整合」（tech stack）維度的偏低得分，正是這個斷層的量化反映。
值得注意的是，數據的維度本身也在擴大。過去企業評估合作夥伴或供應商，主要依賴財報與信用評等；現在，貨運行為數據與最終受益人結構（UBO）已成為風險判讀的新維度——前者反映企業真實的商業活動軌跡，後者揭露股權結構背後的實際控制人，兩者都是過去合規查核的盲區。
跨境合規：責任已轉移至發起方
跨境數據使用的法規複雜度，是另一個台灣企業普遍低估的風險點。
過去的認知是：只要遵守本地法規，跨境交易就沒有問題。但現在的監管趨勢已明確轉向，鄧白氏表示：發起交易的一方，有責任了解並遵守目標市場的數據法規，而不只是自身所在地的規定。
這個責任轉移，對正在積極拓展海外市場的台灣企業而言，意味著在地可取用的數據範圍，不等於可對外共享的數據範圍。CISO 與法務的協同，必須從事後合規前移到數據架構設計階段。
D&B.AI：將商業圖譜無縫接入企業 AI 流程
有了單一可信的數據基礎後，企業面臨的下一個挑戰是：如何讓 AI 系統真正「用得好」這些資料？鄧白氏為此推出了建立於全球商業圖譜之上的 AI 應用框架—— D&B.AI。
D&B.AI 的核心價值，在於讓企業能依照自身成熟度，以最便利的方式存取、理解商業數據。例如，透過「ChatD&B（AI 商業數據快搜）」，使用者能以自然語言直接與龐大的商業數據庫對話；而更進階的應用，則是提供「Agent-Ready Data（AI 代理專用數據）」，透過模型上下文協定（MCP），將鄧白氏的可信數據直接整合進企業現有的代理型 AI 工作流中。這不僅省去了企業自行串接底層架構的龐大成本，更讓 AI 的應用從「單點查詢」升級為「全面規模化」的決策自動化。
Agentic AI 進入合規工作流
AI 在企業應用中最具體的落地案例之一，正在發生在合規領域。
以企業客戶上架（KYC/KYB）為例，傳統流程需要人工逐一核查企業身份、最終受益人、制裁名單與不良媒體紀錄，從設定到跑通完整流程往往需要數週。透過將商業數據以 MCP 協定接入 AI 代理（如 Anthropic Claude），同樣的工作流目前已可在數天內完成。
這個時間壓縮不只是效率問題，它改變的是合規決策的頻率與規模——過去因為成本過高而無法逐筆查核的交易，現在具備了全量審查的可行性。
在這個框架下，人的價值也之改變：AI 負責前端的大量預處理與初步裁決，人集中在高風險案件的最終判斷。風險分析師的工作從「產出報告」轉向「審核 AI 產出的報告並做最終決策」。
數據治理：解決 AI ROI 泥淖的具體答案
綜合調查數據與產業趨勢，台灣企業 AI 規模化的路徑已逐漸清晰：技術不是瓶頸，數據治理才是。
這意味著 IT 決策者需要優先處理的，是更基礎的三件事：一、清整並索引自有數據，確保可被 AI 系統快速調用；二、建立內外部數據整合機制，形成單一可信真相（single version of truth）；三、在數據治理架構到位之前，任何 AI 投資的 ROI 預期都需要打折。
而在這段從概念走向落地的過程中，類似鄧白氏的「全球商業圖譜（Commercial Graph）」，就是解決企業深陷 AI ROI 泥淖的答案。 透過串接全球 6.5 億家企業資料與 D-U-N-S 環球編碼，它直接補齊了企業在供應鏈與合規查核上的數據斷層，讓 AI 代理能真正在「可信的基礎」上發揮決策價值。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
