對企業資訊長（CIO）而言，這場轉型不容錯過：數據顯示，近乎所有財務長（94%）都預計 GenAI 將在未來 12 個月內為其財務職能帶來實質益處，這項數據來自 Bain Capital 的一項研究。

而 NVIDIA 創辦人兼 CEO 黃仁勳在 NVIDIA GTC 2025 大會上發出了核心論斷：

AI 是「工作」而非「工具」：過去的軟體是工具，而 GenAI 的核心價值在於 AI 是工作（AI is work），它是能夠利用工具的「AI 工作者」（AI Agents/Workers）。這是一個深刻的區別，意味著 AI 首次能夠接觸並最佳化過去人力主導的全球數十萬億美元經濟領域。
AI 即「基礎設施」：AI 已成為新工業革命，它像電力和網際網路一樣，是必要的基礎設施。
雙指數級增長的匯聚：當前業界面臨兩股平台轉型同時發生：從通用計算轉向加速運算，以及 GenAI 模型變得更智慧、人們願意付費使用所導致的計算需求呈指數級增長。
因此，CIO 的新使命不再是單純購買 GenAI 軟體，而是必須規劃和建構一個能夠支撐這些具備「代理能力」（Agentic AI）的完整三支柱架構，以應對這場轉型：

◤ 表一、完整的代理式 ai 三支柱架構 — ◤ 表一、完整的代理式 AI 三支柱架構

跨越邊界的應用與價值放大

GenAI 的落地應用已跨越產業邊界，從後勤行政到前瞻研發，實現了效率的指數級放大：

▪金融業：效率、風險與遺留系統的現代化

GenAI 在金融服務業中的價值巨大，MIT Technology Review 預計其每年可為該產業節省高達 3,400 億美元，而 McKinsey Global Institute（MGI）估計在銀行業應用 GenAI 可帶來每年 2,000 億至 3,400 億美元的價值增值。

在流程自動化與洞察生成方面，GenAI 能夠實現更高效的財務規劃和報告。GenAI 模型可以根據新的即時數據刷新預測（動態情境建模），並自動生成管理報告、差異分析和執行摘要的初稿。Workday 的報告確定了 GenAI 在財務規劃、報告、應付/應收帳款自動化、財務和現金管理等七個關鍵領域帶來巨大影響。

在風險管理與欺詐檢測方面，GenAI 表現出強大的放大器潛力。它能夠透過生成合成的欺詐交易範例，來訓練和增強傳統機器學習演算法。Mastercard 運用 GenAI 掃描交易數據，預測並檢測被盜支付卡數據，結果是受損卡片的檢測率提高了一倍。此外，GenAI 也被應用於合規文件的自動編譯，並測試潛在的欺詐方案或法規變動，以識別漏洞。

[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 linkedIn，與全球CIO同步獲取精華見解 ]

在客戶服務與系統現代化方面，LLM 驅動的虛擬助理提供了更自然、具情境相關性的回應。例如，摩根士丹利（Morgan Stanley）部署了 OpenAI 驅動的聊天機器人，利用公司的內部研究數據來支援財務顧問。 GenAI 模型也能將 COBOL 等傳統程式語言的程式碼轉換為現代語言，從而加速應用程式現代化，降低維護成本。高盛（Goldman Sachs）的員工已確認 GenAI 在應用程式開發和增強方面表現強勁。

▪高科技、製造業與實體 AI 的具身化

高科技和製造業是 GenAI 發展「具身化（Embodiment）」潛力的核心場景，將 AI 工作者延伸到物理世界。

在軟體工程方面，GenAI 極大地提升了效率。AI 協作助手（AI Copilot）有潛力自動化 20% 至 45% 的軟體工程職能。NVIDIA 內部使用的 Cursor，即是一種代理式 AI 系統（Agentic AI system），協助軟體工程師生成程式碼。

在工業設計與製造方面，GenAI 可生成最佳化的產品設計以滿足精確的功能要求（例如強度重量比），從而加速設計週期。而 AI 驅動的再工業化更成為全球趨勢。

實體 AI 與數位孿生方面，實體 AI 應用（例如機器人、自動駕駛汽車）需要三個運算系統共同運作：用於訓練 AI 模型的 Grace Blackwell、用於在數位孿生中模擬和訓練機器人的 Omniverse 電腦，以及用於機器人運行操作的 Thor Jetson 機器人電腦。這種模式正在被實踐：

工廠自動化：富士康（Foxconn）正在休士頓建造一個最先進的機器人設施，用於製造 AI 基礎設施系統。Foxconn 工程師在數位孿生中進行虛擬工廠裝配和最佳化。Caterpillar 也正在將數位孿生應用於其製造方式。
機器人與物流：Agility（倉庫自動化機器人公司）和 Johnson & Johnson（外科手術機器人）等公司都在開發實體 AI 應用。
在電信業，GenAI 正被用於重新定義基礎設施。NVIDIA 與 Nokia 將進行合作，將 NVIDIA Arc（一種基於加速運算和 AI 的軟體定義無線電網路電腦）整合到其未來基地台中，並將該技術與 Airscale 兼容，以升級全球數百萬個基地台。

▪醫療業：應對倦怠與加速創新

醫療業正面臨著高昂的營運成本、員工短缺和醫師倦怠率高等挑戰。Medscape 的 2024 年報告顯示，近 49% 的醫師感到倦怠，其中行政負擔（62%）是主要原因。GenAI 的應用正為此提供解決方案。

在行政負擔減輕方面，GenAI 透過環境語音技術，能夠被動擷取醫患對話，將非結構化音訊即時轉換為結構化的臨床筆記或出院摘要，並自動填寫電子健康紀錄（EHR）欄位。例如，Microsoft 的 Nuance 已將 GPT-4 整合到其臨床轉錄軟體中。Navina 開發的 GenAI 助理可檢索 EHR、保險理賠等資訊，並生成轉診信函和進度記錄等結構化文件。這種行政流程自動化預計能為醫療業每年節省約 1,500 億美元的開支。

在藥物開發與科學研究方面，GenAI 則充當了強大的放大器。傳統新藥研發成本高昂（介於 10 億到 20 億美元之間），且有約 90% 的候選藥物在臨床試驗階段失敗。GenAI 模型能夠設計符合目標要求的新化合物和蛋白質，並預測潛在的毒性和療效。這些模型能夠在電腦模擬中測試虛擬化合物，將藥物先導最佳化時間縮短 60% 至 70%。具體合作案包括 OpenAI 與 Moderna、NVIDIA 與 Genentech、AWS 與 Pfizer。此外，Recursion Pharmaceuticals 收購了專注於 GenAI 設計藥物候選物的 Valence。

GenAI 還有助於數據稀缺和隱私保護。由於醫療數據（PHI）敏感且難以分享，GenAI 可生成逼真且保護隱私的合成醫療數據集。例如，德國研究團隊開發了基於 GAN 的 GANerAid 模型，用於生成臨床試驗所需的合成患者數據，即使原始訓練數據集規模有限也能達成。

落地挑戰、技術鴻溝與治理緊迫性

成功落地 GenAI 不在於技術本身，而在於 CIO 如何透過戰略基礎設施投資，解決整合、成本和信任問題。

▪GenAI 規模化的策略邏輯：從廣泛工具到全棧系統

如前所述，許多案例（如加速運算、傳統 ML 增強、機器人控制）的納入，是為了提供 CIO 一個「全棧（Full-Stack）」的策略視角。GenAI 的大規模部署，無法脫離這三大邏輯支柱：

基石：加速運算與 TCO 優化

AI 模型的智慧程度和使用量呈雙指數級增長。傳統摩爾定律已放緩，無法滿足需求。因此，企業必須透過加速運算和極限協同設計（Extreme Co-design）來持續壓低 Token 的生成成本（TCO）。最新的 Grace Blackwell MVLink72 系統，正是這種極端設計的成果，其 AI 推論效能相較於前代 H200 提升 10 倍，並能產生世界上最低成本的 Token。這使得 GenAI 的良性循環（Virtual Cycle）得以持續。

放大器：內容生成、效率提升與傳統 AI 強化

企業必須將 GenAI 視為增強現有機器學習資產的工具。例如，TECHVIFY 等公司同時提供 Generative AI Development、Agentic AI 和 Machine Learning Development 服務，這反映了實際業務中這些技術是相互整合、共同作用的。

具身化：AI 工作者與實體 AI

代理式 AI 的最終目標是能夠在物理世界中執行複雜任務（如 Foxconn 的機器人化工廠），這要求 CIO 必須部署跨越訓練、模擬和運行的三種計算系統。

▪信任與治理的三大挑戰

GenAI 最大的風險在於其可能產生看似權威但事實錯誤的輸出（即幻覺，Hallucinations）。在高風險、嚴監管的領域（如醫療診斷或金融合規），錯誤的後果可能非常嚴重。

‧人類在環中（Human-in-the-Loop）：

為了應對幻覺和準確性問題，必須將 GenAI 視為輔助工具，並強制實施「人類在環中」的驗證機制，確保醫療專業人員仍參與決策過程。

‧數據偏差與倫理：

GenAI 模型會從訓練數據中繼承偏見，導致在醫療或金融中產生不公平的決策。歐洲央行（ECB）指出，AI 可能會受到顯著的數據質量問題影響。機構正投資建立內部 AI 治理委員會，並關注模型的可審計性、數據隱私和演算法偏見。

‧法規不確定性與責任歸屬：

監管框架仍在發展。CIO 必須解決核心治理問題：當 AI 做出錯誤決策導致損害時，責任歸屬於誰（開發者、醫師、機構）？史丹佛 HAI 的 2025 年 AI 報告指出，美國 FDA 在 2023 年批准了 223 個 AI 輔助醫療設備，但 AI 相關事件也正在急劇上升。

CIO 的戰略路線圖與致勝未來

GenAI 的競爭已經開始，CIO 的戰略決策將決定企業未來十年的競爭力。GenAI 正在帶來生產力提升和增長加速的雙重指數增長。Workday 的調查顯示，有 98% 的 CEO 預見到 AI 能帶來即時的業務效益。

CIO 應採取分階段導入策略，從低風險、高影響的內部應用（例如，自動化行政任務或內部知識檢索）開始累積經驗和 ROI，然後逐步擴展到複雜的臨床或決策系統。成功的關鍵不在於技術本身，而在於 CIO 領導的文化轉變和員工賦能。IT 部門必須提供培訓，讓員工學習監督 AI 模型，並將 GenAI 塑造成能夠幫助他們將時間用於高價值、高情感任務的協作夥伴。

[推薦閱讀：臺中榮總以數據為本打造智慧醫療新典範 ]

在基礎設施層面，CIO 必須將投資重點放在加速運算平台和「AI 工廠」的數位化設計，以確保具備可持續降低 TCO 的能力。

這場全球 GenAI 革命正在重新定義效率和創新邊界。對於位於全球高科技供應鏈核心的台灣各產業而言，這場競爭尤其關鍵。台灣作為全球半導體、高科技製造和智慧醫療的重鎮，GenAI 的落地現狀將直接影響其國際競爭力。特別是在製造業，全球正走向 AI 驅動的再工業化（re-industrialization），其核心是將數位孿生、物理 AI 與大規模加速運算平台相結合。台灣的製造業和高科技業必須將 GenAI 視為提升知識型生產最佳化和供應鏈韌性的戰略機遇。下一篇文章，我們將深入探討台灣各產業如何將上述全球 GenAI 應用模式，轉化為在地化的成功案例與致勝策略。

[閱讀下一篇：生成式 AI 重塑金融服務邁向自主決策 ]

(本文授權非營利轉載，請註明出處：CIO Taiwan)