封測廠導入 AI 為什麼最後全部走地端？關鍵不在保守，在客戶的保密義務

過去這段時間接觸南部封測廠的 AI 導入評估，有一個一致的結果：最後全部採用地端部署，沒有例外。

表面理由是「擔心資料外洩」。但如果理解停在這裡，就會誤判成「傳產保守」，進而給出「雲端其實很安全」這種沒有用的建議。實際的原因是結構性的。

封測廠保護的不是自己的資料

封測是代工。廠內流動的資料——晶圓良率、測試程式、失效分析報告、製程參數——絕大多數的所有權屬於 IC 設計客戶，不屬於封測廠。

這個歸屬關係改變了問題的性質。封測廠與客戶簽的保密協議，通常明文禁止將受託資料傳輸給任何第三方，而公有雲上的商用 LLM 服務在法律定義上就是第三方。

封測廠即使評估後認為雲端服務足夠安全，也沒有權限做這個決定。要用雲端，得回頭去問每一家客戶，而客戶沒有任何動機承擔這個風險。所以答案在提問之前就已經確定了。

這也修正了一個常見的誤解：業界常說傳產保守、不敢碰新技術。但封測廠拒絕雲端 AI 是在履行合約義務，不是保守。把它當成心態問題來說服，只會浪費雙方時間。

地端的實際代價

確定走地端之後，接下來的問題才是真正需要評估的：

• 硬體是一次性資本支出　不是月租。這改變了預算科目與核決層級，通常要走設備採購流程而非軟體訂閱，時程完全不同。
• 模型能力有上限　能在廠內硬體跑起來的模型，能力落後最前沿的雲端模型，這個差距在複雜推理任務上特別明顯。
• 維運責任落在自己身上　模型更新、向量庫重建、權限管理都得有人負責。這是最常被低估的一項。
• 跟進新模型有延遲　前沿模型發布後，能不能在既有硬體上跑、要多久才跑得動，是另一個變數。

所以地端該拿來做什麼

關鍵在於：選擇不需要前沿模型能力就能做好的任務。地端模型能力有限是事實，但很多真正有價值的廠內任務，本來就不需要最強的推理能力。

適合的：

• SOP 與規範文件的檢索問答——資料量大、答案有標準、價值在於省下翻文件的時間
• 工單與異常回報的分類與路由
• 會議紀錄與日報表的整理
• 教育訓練教材的初稿產出

不適合的：

• 良率分析與製程最佳化。這是統計與領域知識的問題，不是語言模型的問題。把良率分析和 LLM 混為一談，是這個產業目前最常見的認知落差，也是最容易造成期待落空的地方。
• 需要跨大量結構化資料做精確計算的任務

給評估中的封測廠

建議的順序是：

一、先確認資料歸屬與 NDA 條款，而不是先比較模型。這一步會直接刪掉大部分選項，省下大量評估時間。很多廠是花了好幾輪會議比較各家雲端服務之後，才發現合約根本不允許。

二、選一個文件密集、答案有標準的任務當第一個標的。不要一開始就挑良率——那是最難的，失敗了會讓整個組織對 AI 失去信心。

三、先確定維運由誰負責，再談採購。沒有指定負責人的導入案，通常在半年內回到原本的做法。