雲端 AI 的帳單，
會在第六個月打敗你。
用量愈低，雲端愈划算；用量愈高，地端愈划算。中間那條交叉線，就是你該做決定的時刻——而它通常在你最沒準備好的第六個月出現。
我們做三件事：硬體（AI 伺服器／一體機）、軟體（AI 資料平台與 Agent 應用）、工作流（把 AI 塞進你現有的開發與客服流程）。從 300–700 萬的 POC 開始，每一階段看到回報再加碼。
這份服務不適合誰
- 只想買一台 GPU 伺服器、不需要軟體與流程整合的——找硬體經銷商比較便宜。
- 每月 Token 用量低於數千萬的——雲端比較划算，我們會直接叫你別買。
- 老闆不打算親自壓陣的——導入 AI 像導入 ERP，兩年黑暗期，发起人不下場就會失敗。
我們先算你的數字，再決定要不要賣你東西。
不是你的 AI 不夠好，是計價方式在懲罰成功
雲端 AI 按用量計價。這代表當你的團隊真的開始用——用量成長十倍——帳單也跟著十倍。導入失敗的第二個原因才是技術，第一個原因是預算在第六個月被砍。
用 Chatbot 的公司，雲端比較便宜
每人每天幾萬到幾十萬 Token。這種用量下，地端機器永遠回不了本，我們不會賣你伺服器。
用 AI Agent 的公司，雲端會先打爆預算
Agent 每次迴圈重讀整個 repo、長上下文、多輪工具呼叫——每人每天可以到數百萬 Token。這才是交叉線出現的地方。
真正的瓶頸不是算力，是記憶體與儲存
高階 GPU 搭的 DRAM 昂貴且供給有限。我們用 Flash／SSD 分擔 GPU 的記憶體需求，讓中階 GPU 也跑得動大模型，門檻才降得下來。
硬體、軟體、工作流——三層都要，缺一層就落地不了
只賣硬體，沒人會用；只賣軟體，跑不動大模型；只有流程，沒有算力。這三層是同一件事。
AI 伺服器／一體機
依你的 Token 量選規模，不是一開始就買最貴的。
- POC 一體機：1 台中階 GPU＋儲存分層
- 標準方案：3–4 台＋儲存分層
- 完整方案：8–12 台＋儲存分層
- Flash／SSD 分擔 GPU 記憶體，降低對高階 DRAM 的依賴
本站估算金額依機型與匯率浮動，報價前會先給規格清單。
AI 資料平台與 Agent 應用
你的資料要能被安全地檢索、微調、代理化。
- 企業內部知識檢索（RAG）與文件問答
- AI Agent：log 分析、測試報告、程式碼審查輔助
- 客服／業務／法務的工作流代理
- 權限、稽核紀錄、資料駐留符合醫療／金融／政府要求
模型可替換：不綁單一供應商，避免 6–12 個月後跑不動新模型。
導入工作流與黑暗期管理
最常被忽略、也最常導致失敗的一層。
- 先挑最容易的題目，不挑戰最難的專案
- 可驗證 KPI：單次任務耗時、每人月產出、退回率
- 跨部門小組＋老闆掛帥，繞過工作保護主義
- 省下的人力明確指派到創造收入的動作
最後一條最重要：省下來的人力若沒被指派去接單或開新產品線，財務報表上不會出現。
三分鐘算出：你什麼時候該把 AI 搬回地端
輸入你的人數與 Token 用量，我們會算出雲端月成本、地端月成本、交叉月份、以及三年總成本對比。如果結論是「別買」，我們會直接告訴你別買。
計算機使用公開資訊推估的參數區間，非報價。所有假設你都可以在頁面上一一改掉。
四種客戶，四種不一樣的理由
| 你的型態 | 真正的痛點 | 我們先做什麼 |
|---|---|---|
| 軟體／電子研發團隊 工程師 20–300 人 |
Agent 用量高，雲端帳單指數成長；log 與測試報告吃掉大量工時。 | 先量三個月實際 Token；挑 log 分析或測試報告做 POC（3hr→30min 這類可量化案例）。 |
| 醫療／銀行／政府 | 資料不能出去。合規與資料駐留是硬需求，不是偏好。 | 先確認稽核與個資要求，再做地端檢索；雲端只留非敏感任務。 |
| 客服／業務／法務 | 量大、重複性高，但 ROI 最容易被證明。 | 挑一個單一流程（例如客服回覆或合約初审）算每人月省下的工時。 |
| 中小企業老闆／總經理 | 怕的是投入看不到回報，以及導入過程的兩年黑暗期。 | 用 300–700 萬 POC 把決策拆成可停損的階段；你要做的是親自掛帥，不是寫程式。 |
我們引用的每一條，都標清楚來源等級
提案場合最危險的事，是把廠商自述當數據引用。所以下面每一條都標記：公開可查證 有公開報導可交叉對照；演講自述 僅見於該場談話、未經外部驗證；本站估算 我們自己推的模型。
公開可查證混合式 AI 是產業共識路徑
群聯執行長潘健成在經濟日報「2026 科技論壇」的定義：「大部分時間住家裡，少部分時間住飯店，這個我們就定義叫做混合式的。」雲端負責你還做不到的事，地端負責已經做得到的日常庶務。
公開可查證門檻已經降到中小企業按得下去
同一場談話與 SEMICON Taiwan 2026 科技大師論壇的公開建議：企業導入 AI 動輒 3,000 萬、5,000 萬甚至上億元，但若從 300–700 萬台幣做 POC 開始，「過程中每個階段都能看到回報」。潘健成另在《哈佛商業評論》表示：「如果你跟老闆說，導入 AI 一開始要花一億元，他可能要想三年。」
公開可查證儲存是瓶頸，不是算力
高階 GPU 搭配的 DRAM 價格昂貴、供給有限；用 Flash／SSD 分擔 GPU 記憶體需求，讓中階 GPU 也能運行大模型——這是群聯 aiDAPTIV 一路線的公開描述，也是我們方案採用同一原理的原因。
演講自述這些數字我們不當作事實引用
單月 Token 費用上看 120 萬美元、12 台伺服器共 6,000 萬台幣、內部使用率 80%、單月省 239 人、以技術換取海外合資公司 40% 股權——這些僅見於該場談話，沒有第二個公開來源。我們不會用它們當你的預算依據；我們用你自己算出來的數字。
第一方案例我們把 AI 裝進自己經營的中小企業
我們不是只在簡報上看過別人案例的經銷商。我們自己經營一家 8 年、服務 1,800+ 對新人的婚慶車隊（愛禮車 LoveYou），並把 AI 裝進它的估價、吉時倒推、路線規劃、知識庫客服與預約流程。客戶的公開評價是：「用網站上的估價機算好預算直接 LINE 過去，三分鐘就確認檔期。」
四個階段，每一階段你都可以選擇停損
用量盤點
拉出過去 3 個月實際 Token 用量與費用，不是預估。分清團隊是問 Chatbot 還是跑 Agent。
POC
只選 1–2 個高重複、可量化流程。定義 KPI（單次耗時、每人月產出、退回率），不用「使用率」當指標。
驗證與擴充
POC 達標才加機器。此時你已經有實際數據，不是照簡報買。
工作流固化
把省下的工時明確轉到收入動作；建立維運與模型換代機制。
客戶在會議上一定會問的
你們的報價怎麼算？
如果算出來地端比較貴呢？
我們的資料很敏感，能放在雲端嗎？
買了機器，但模型一年後換代怎麼辦？
出問題誰負責？
約 30 分鐘：我們先算你的數字，不先講我們的產品
會前請準備：過去 3 個月的 AI 用量或帳單（沒有也行，我們會教你怎麼拉）。會議結論可能是「你現在不該買」。
assets/js/config.js 的 REPORT_FORM_ENDPOINT 填入 Formspree／Tally／自有 API 端點。在此之前送出不會遺失——會存到瀏覽器並可匯出，但不會送達你的信箱。