產業別之數據治理特性：製造業
台灣約有超過半數企業尚未完全建立能支撐 AI 規模化部署所需的資料基礎，顯示資料品質、數據治理與整體資料就緒度，將成為企業擴大 AI 應用的下一階段關鍵。其中，製造業有其產業上在數據層面的業態要求，因此在規劃數據治理時應當有所關注。
提供╱鄧白氏
在鄧白氏（Dun & Bradstreet）發布的 2026 第三季「台灣企業 AI 動能指數」調查指出，台灣企業的 AI 投資已逐步從試驗導入走向成效驗證，逾八成受訪企業表示已從 AI 專案中觀察到不同程度的投資報酬（ROI）。然而，超過半數受訪企業尚未完全建立能支撐 AI 規模化部署所需的資料基礎，顯示資料品質、數據治理與整體資料就緒度，將成為企業擴大 AI 應用的下一階段關鍵。
面臨 AI 高速發展下，從輔助工具到成為企業決策、供應鏈管理與風險控制的一部分。對 CIO 而言，下一階段的抉擇已不是「要不要導入 AI」，而是如何證明資料來源可靠、決策過程可追溯、模型有人監督，並在事故發生時說清楚責任歸屬。
其中，台灣《人工智慧基本法》已正式施行，歐盟《Artificial Intelligence (AI) Act》也進入實際適用階段；數據治理，正逐步從後台管理功能，轉變為企業進入市場的基本資格。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
治理的核心是「對象、關係與情境」
AI 治理常被誤解為模型治理，但多數企業風險其實來自「AI 認錯對象」或「只看到單一公司、未看見關係網絡」。企業資訊系統 ERP、CRM、PLM 等，不再只是供人查詢的靜態資料庫，而是可由 AI Agent 在工作流程中調用正確的企業身份（Identity）以及與其進行商務交易、資金投資管理的關聯效益。根本基礎在於以一致性、識別系統辨識企業身份，串聯起依事業單位各層級價值確立的數位中島。
因此，今日企業成長的轉型要務，在於將資料庫轉化為 Agentic AI 可實時調取、正確判讀、用以進行決策與行動的關聯脈絡。
例如，從企業身份識別出發，串聯所有權與實質受益人、集團結構、企業族譜、供應鏈、物流、付款行為及風險訊號所構成的可多方驗證、可追溯及可治理的商業圖譜；其目的不是單純增加模型可讀取的欄位，而是降低 AI 認錯公司、忽略關係企業、採用過時資訊或無法說明資料依據的風險。
製造業須精準錨定客戶以快速拓展市場
對跨國製造企業而言，財務管理的難題除了面臨地緣政治、國際關稅議題導致成本上升之外，市場變化迅速、供應鏈韌性需求等挑戰，加上全球客戶分散於不同市場與系統，企業名稱、風險指標及更新節奏不一，使授信審查容易回到人工蒐集與個案判斷。
其中，工業電腦大廠－研華科技因應市場發展，快速調整營運策略，便是利用「D‑U‑N‑S Number」作為客戶身份識別基礎，嚴謹查證客戶的財務背景，平均 20 分鐘，就可以完成新客戶的評估作業，確認客戶是否為實際運作的企業，以藉此排除空殼公司或有重大異動（如破產、合併、信評下調）的可能性，決策精準度高達八、九成，讓商務交易能往下個環節前進，讓業務得以更快爭取訂單時效。
[ 推薦閱讀：鴻海科技日揭示 AI Factory 布局 從超級運算、AI Agent 到智慧製造 ]
建構可稽核的 AI 盡職調查工作流程
此外，對先進製造業而言，僅仰賴交易前的一次性黑名單比對，已不足以回應現今制裁與出口管制的法令要求；企業須以風險基礎方法實時執行 KYC、KYCC，以及瞭解其高階管理者是否有 PEP（Politically Exposed Person）等情況存在。
因應客戶需求，Anthropic 旗下大型語言模型 Claude 已與鄧白氏商業圖譜整合，透過 MCP（Model Context Protocol）讓合規人員以自然語言發查經過驗證的企業身份、所有權及警示資訊。這項整合便是以「D U N S Number」作為企業識別錨點，帶入 AI 盡職調查工作流程，支援企業的客戶准入、KYC／KYB（Know Your Business）、合規篩查與調查文件生成，符合一致性、可解釋性與可稽核性的管理原則。
在製造業場景中，這項能力可建構制裁與出口管制盡職調查的可信資料層，透過解析多語名稱、別名及不同系統中的交易對象紀錄，確認客戶、供應商、經銷商及最終交易對象的真實身份，再沿著企業族譜、集團結構與直接、間接所有權脈絡，以辨識實際控制者、最終實質受益人以及關係企業等。
Claude 則同時可協助彙整風險訊號、形成案件摘要並將例外情況交由合規人員覆核。這項 agentic workflow 的價值，在於串聯原本分散的查詢、驗證與紀錄流程，轉化為具有資料來源、時間戳記、覆核責任及稽核軌跡的直通式工作流程。
對資訊主管而言，導入此類盡職調查架構時，應建立可追溯的企業主檔、設定資料與工具權限、保存政策及篩查規則版本，並對高風險交易保留人工覆核（human-in-the-loop）、輸出檢查控制。
[ 推薦閱讀：設置資料管理層 機敏資料進 AI 就攔截 ]
資料治理賦能台灣企業接軌國際
在一場產業對談中，鄧白氏台灣區總經理鮑文安與台灣數位信任協會理事長詹婷怡便指出，企業若只有系統數位化，卻缺乏架構與治理，反而可能形成更多資料孤島；治理應建立資料與應用之間的中介層（middleware），管理資料的身份、品質、權限與使用目的，而非只在專案結束前做一次法遵檢查．並強調從數位轉型跨越到 AI 轉型，關鍵在於建構健全的架構讓數據持續充實。這象徵著數據的角色已從過往的輔助工具，正式躍升為企業決策與政策制定的核心資產。
數據持續充實所面臨的課題：包括如何對龐雜的資料進行分類？在跨市場的多樣來源中，又是如何建立一套嚴謹的資料品質確保以及風險辨識與管控機制？建議透過設置專責委員會以及資料權責人（Data Owner），深度與各業務部門協作，將資料分類與合規程序內化為組織的核心基因。
以鄧白氏為例，全球商業圖譜（Global Commercial Graph）便覆蓋超過 6.5 億家企業、220 多個國家或地區，並包含超過 4,000 萬組企業階層關係及 4 億名所有權股東，講究精準管理資料品質的方法，遵循準確性（Accuracy）、完整性（Completeness）、即時性（Timeliness）與跨國一致性（Cross border Consistency）四大原則。同時使用超過 1,000 億個「可觀測性指標」（Observability Measures）以監控全球資料，確保資訊高度一致。
台灣企業必須理解，資料治理不僅是法律合規，更是一套保護智慧財產權、防禦網路威脅，並在信任基礎上創造商業價值的完整戰略。尤其台灣在全球出口版圖中擁有關鍵且基礎性的地位，這使得資料治理在台灣顯得尤為重要。
企業建立「信任層級」的資料環境，落實於精準的資料存取控制（access control）基礎，我們可以說這種權限與權利的管控，已演變成 AI 時代的經商貨幣（currency to do business）。更重要的是，這不單是內部管理問題，更涉及如何將治理機制延伸至合作夥伴與供應商的生態系中；企業若能透過治理將合規壓力轉化為商業信任，便能在全球市場中加速擴張。
期許台灣借鑑歐盟《資料治理法》（Data Governance Act），在隱私框架之外，為數據交換建構更靈活且具前瞻性的治理原則。透過建立與國際接軌的治理標準，讓高品質的資料成為推動企業成長的動能。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
