當前生成式AI（Gen AI）技術正以前所未有的速度融入到各種企業營運場域，驅動從客服最佳化、產品推薦到決策加速的多元應用。而決定AI應用成敗的因素，不僅是演算法模型準確率，更考驗企業對資料本身的策略規劃與治理能力。
Google Cloud資料分析專家黃介榮指出，資料策略不僅是支援分析的底層基礎，更是釋放AI潛能、達成營收成長與效率提升的核心驅動。他引述Google Cloud與National Research Group於2024年發布的《Gen AI投資回報率》調查報告指出，生成式AI不僅是一項新技術，更是企業轉型的關鍵驅動力。報告統計有74%的企業在導入生成式AI的首年內即獲得投資回報（ROI），在實現營收增長的企業中，86%的企業指出營收增長達到6%或更高。這不僅證實了生成式AI的商業潛力，也讓更多企業開始積極思考如何加速部署相關解決方案。
然而，這些成果的取得，並非一蹴可幾。從模型選擇、資料準備到實際部署過程，牽涉到多個跨部門、跨領域的協作，尤其在資料相關作業上的挑戰，往往是企業無法順利推動AI專案的最大瓶頸。黃介榮說明，在導入生成式AI的過程中，有超過七成的企業坦言遭遇到資料治理的重大困難，尤其是在整合資料進入AI模型的過程中，更是步履維艱。當前企業普遍面臨資料分散、多格式、不一致的問題，再加上資料標記不足、資料權限模糊、跨系統整合落差，導致AI模型難以取得足夠且可信的訓練資料。
這類資料挑戰，不僅影響模型的訓練品質，更直接限制了AI能力的擴展與落地應用。生成式AI強調上下文理解、語意建模與多模態資料處理能力，若缺乏結構化與治理完善的資料基礎，其產出的效能將大打折扣，甚至可能導致錯誤判斷或誤導性建議。
BigQuery平台處理多元資料型態
資料是推動AI成功的核心燃料，黃介榮認為，企業若要真正釋放AI的潛能，關鍵在於建立穩固且策略性清晰的資料基礎。他說明，首要應制定「AI優先」的資料策略。這不只是技術選型，更是一種文化與組織轉型。資料應被視為企業的戰略資產，每位員工都應了解其價值並能參與運用，進而提升AI的實用性。良好的資料文化不僅可促成組織對資料的共同理解，也為資料策略的實踐奠定價值觀與角色分工。例如，需建立資料資產負責人制度、明確資料使用者與開發者的責任，並打造完整的資料生態系。
Google Cloud資料分析專家黃介榮指出，BigQuery已與Vertex AI整合完成，支援自動機器學習（AutoML）與生成式AI模型應用，讓企業可將內部資料快速轉化為AI驅動的決策支援系統與個人化服務。
其次是連結資料與AI以活化洞察。AI的效益來自即時洞察，而這建立在資料統一與即時處理的能力上。因此企業需推動資料湖倉（Lakehouse）或開放資料平台架構，使各式資料型態與格式皆能被有效整合並活化，成為AI分析的即時燃料。隨著數據型態愈發多元，資料的統一與即時性越顯重要，這也是企業數位轉型能否落地的核心挑戰之一。
善用AI代理（AI Agent）來提升生產力，可說是當前主流趨勢。透過統一資料架構，企業能導入AI代理人，不僅強化即時分析與使用者互動，也能整合模型開發、調校與推論等環節，增進以AI驅動營運決策機制。AI代理的導入方式包括嵌入生成式AI功能至資料平台，提升知識發掘能力、簡化模型開發與部署流程，最終達成營運自動化與生產效率的顯著提升。
從資料平台的歷史演進可發現，企業對AI應用的基礎需求已從資料倉儲邁向整合式的資料湖倉，再進一步走向智慧即時的AI資料平台（Data to AI Platform），反映出企業對資料彈性與即時性的極高需求。對此，Google Cloud在BigQuery平台上提供三項新技術：多模態資料整合、AI查詢引擎與檢索增強生成（RAG）。
BigQuery可處理各種資料型態，自動完成資料探索與編目；新型查詢引擎則結合大型語言模型（LLM）與SQL查詢，實現語境感知的即時分析；而RAG技術則透過向量嵌入與資料庫整合，使LLM能即時取得企業內部知識，提供更準確且更新的回應。藉由AI與資料的緊密結合，讓資料應用更具效率與策略價值。
降低調用與分析資料技術門檻
在AI驅動的應用環境中，AI代理人的角色日益重要，藉此讓傳統人工作業的資料處理流程得以轉向自動化，有效減少錯誤、加快產出，並即時提供個人化建議。例如，電商平台中的AI可分析購物車商品與使用者過往行為，進行即時商品推薦並提升轉換率。這種資料與AI深度整合所帶來的即時洞察，正是企業追求快速決策與個人化體驗的關鍵。
黃介榮強調，「AI並非取代人類，而是與人類形成互補關係：AI負責重複性任務與模式識別，而人類則憑藉經驗與判斷，引導AI達成更具價值的成果。此外，透過低門檻的資料代理工具，即使是非技術背景的業務人員也能快速存取並理解資料洞察，讓資料真正服務於全組織的營運與創新。」
引進AI應用的企業同時必須理解，資料應用的前提是安全與治理。黃介榮指出，隨著資料量與複雜性不斷提升，企業若未能妥善管理敏感資訊，不僅將面臨合規風險，更可能損害用戶與合作夥伴的信任。因此，建立完善的資料治理架構，已是企業推動AI應用的必備前提。這當中涵蓋三大層面：資料品質、法規遵循與資安防護。企業須確保資料的正確性與一致性，才能建構可靠的AI模型；同時需配合GDPR、CCPA等資料隱私法規，平台亦應具備加密、存取控制與威脅偵測等安全機制，以防止未經授權的資料存取與惡意攻擊。