當企業正處於AI資料平台導入評估階段，風險往往要到12至24個月後才浮現：當工作負載、治理要求與資料引力（Data Gravity）開始與所選架構及既有IT環境產生衝突，挑戰才浮現。
企業資料散布於核心資料中心、邊緣環境、具資料主權要求的區域、SaaS、資料倉儲及各業務單位掌握的物件儲存系統。法規限制資料流向，延遲要求資料貼近產生與使用位置，所有權使資料留在治理團隊，資料量與速度也讓直接複製難以實行，加上雲端與SaaS的合約及資料輸出費用，形成企業AI的基本法則：資料多半留在原本位置。企業無法消除資料引力，只能納入架構設計。
理想架構有明確邊界與可預測的運作模式，真實企業環境卻充滿例外。法規、資料主權與出口管制可能限制資料移動，不同業務單位對資料治理要求也可能衝突；專有格式、合約條款與輸出費用，可能讓搬移成本高於留在原有環境。併購、資產剝離、封存資料，以及跨部門協作、預算與KPI等組織因素，也會改變架構條件。無法容納這些複雜性的AI架構，仍是有待驗證的假設。
企業統稱的「資料」，其實包含三種形態。資料（Data）是檔案、紀錄、影像、遙測與受監管資料表等重型資料，規模大、移動慢且成本高；中繼資料（Metadata）是標籤、資料血緣（Data lineage）、綱要（Schema）、分類與所有權等描述資訊，較輕量且易於傳遞；向量（Vectors）由AI生成，以數學形式表徵資料語意，可讓語意跨環境流動，無須搬移底層原始資料。
若架構試圖集中搬移所有資料，容易形成雲端優先的複雜性；若完全不整合，又會讓資料孤島延續。真正需要流動的是中繼資料與向量。中繼資料目錄（Metadata Catalog）可讓AI掌握分散資產，向量索引（Vector Index）則協助AI跨環境理解資料語意；受法規、所有權或延遲限制的原始資料，可留在既有環境並維持原有治理。如此企業無須搬移原始資料對抗資料引力，也能實現跨環境AI應用。
＜本文作者：廖仁祥現為台灣戴爾科技集團總經理＞
