新聞中心
.svg){kind=logo}
文／MetaAge 邁達特
2026 年，LLM 的算力與效能趨於成熟，AI 模型也逐步走向商品化。無論是開源模型，還是各家頂尖的商業閉源模型，只要企業願意投入預算，都能快速取得近乎同等級的 AI 能力。
當人人都能使用同樣強大的模型時，企業之間真正的競爭優勢將不再是模型本身，而是如何運用模型，以及模型背後所依賴的資料。
真正決定企業競爭力、建立長期護城河是企業獨有的「資料」。
AI 狂飆時代，究竟企業底層資料庫該如何脫胎換骨？作為 Amazon Web Services (AWS) 台灣代理商（Distributor），MetaAge 邁達特特別邀請首度訪台、擁有 20 年深厚資料分析與 AI 背景的 AWS資料庫副總裁 Ganapathy “G2” Krishnamoorthy，偕同 AWS 台灣董事總經理王定愷（Robert Wang）及多位 AWS 原廠核心產品專家，從高階經理策略思維出發，一路解構到基礎 IT 技術架構，共同揭示企業如何克服「AI 導入摩擦期」，打造高度安全與靈活的「AI-Ready」資料基礎，將凌亂的資料，整理為 AI 時代最重要的資產。
資料是 AI 的燃料；孤島則是企業最大的敵人。「好 AI 是從好資料開始。」AWS 台灣董事總經理王定愷開場即點出核心。無論生成式 AI 技術如何演進，資料品質永遠是決定成敗的關鍵。「資料變現」在業界喊了好幾年，但多數企業卡關的，其實不是技術，而是資料散落各處、結構混亂。
王定愷以零售業為例：舉凡部門間的資料孤島、混亂的資料結構，均讓 AI 空有一身本領卻無用武之地。更嚴重的是，若員工誤用個人帳號儲存機密資料，甚至可能釀成商業機密外洩。由此可見，資料治理與安全，從來不是選配，而是企業必修課。
AI 的導入從來不只是技術升級，而是一場組織心態的重塑。王定愷直言，傳統 IT 設備的「採購思維」已不適用於 AI 時代。企業必須把業務流程、人員配置與 AI 技術三者整合，用「乘法效應」而非「加法思維」看待新時代的組織運作。
王定愷指出，過去 ERP、CRM 所建立的是標準化流程，AI 時代則必須從流程轉向以客戶為中心，打造開放、互聯且可持續演進的管理架構。企業若仍以傳統系統思維推動 AI，將難以發揮價值。
他以Call Center為例，AI 的確能大幅提升效率、降低營運成本，但客服團隊累積的專業知識與實務經驗，才是企業最重要的核心資產。因此，導入 AI 不只是技術升級，更是組織與人才策略的重塑，必須讓知識得以保留、傳承，並同步推動人員角色與管理模式的轉型。
王定愷進一步談到：「企業切勿只盯著結果，而是要在探索過程中採取低成本、高效率的試驗方式，逐步找到有效的商業模式。」他指出，目前市場已沒有可複製貼上的成功公式，即使按圖施工，也未必能複製成功；唯有打開資料庫的門戶、打破資料孤島，才能真正提升生成式 AI 的智慧與效能。
而 AWS 所提出的「飛輪效應」策略方法論，正是以願景為核心，並從診斷數據與 AI 策略、心態調整、應用場景等環節切入，讓企業的內部動能隨著每一次小勝利逐步累積、加速滾動。AWS 的角色，是陪企業一起試驗、一起找答案的長期夥伴，讓企業透過低成本快速實驗，尋找最佳商業路徑。
模型人人有，但資料品質定輸贏。首度訪台的AWS資料庫副總裁 Ganapathy “G2” Krishnamoorthy（以下簡稱 G2）站在全球技術的最前線，拋出關鍵問題：市面上的 AI 模型幾乎人人可用，那企業的護城河究竟在哪裡？答案是把最強的模型，連接上企業獨有的資料。
G2 指出，AI Agent 的出現，徹底改變了人機互動的模式。它不再只是「一問一答」，而是能自主完成完整任務。這也讓真正懂業務的人，不必等工程師排期，就能快速定義需求並落地應用，把開發週期從「以月、季計算」壓縮到「以天、小時計算」。
G2 犀利點出，Agent 的本質其實就是「最佳模型」加上「獨特資料」的結晶。G2 建議企業以 Amazon Simple Storage Service (Amazon S3) 為核心，搭配 Iceberg、Spark、PostgreSQL、OpenSearch、Kafka 等開源技術，打造一個同時滿足分析、報告、個人化與 AI/ML 需求的共用資料平台，並避免被單一供應商綁死（No Vendor Lock-in）。
大型語言模型天生處於「無狀態」 （Stateless），沒有問過的事，模型就是不知道。但企業市場瞬息萬變：舉凡新品上市、競品動向等，這些資訊若沒有即時餵給 AI，Agent 做出的決策就會失真。若試圖將所有歷史資料與即時資訊，在每次對話時都塞進 Prompt 中，不僅會迅速撐爆模型的 Context Window（上下文窗口限制），更會導致 Token 成本呈指數級暴增，反應速度也將變得無比緩慢。
而這正是 AWS 新推出的 AWS Context 服務要解決的問題。G2 透露，這套服務脫胎於亞馬遜內部智慧助理 Amazon Quick 的核心技術，如今已開放給外部企業使用，能整合多來源的結構化與非結構化資料，並隨著實際使用不斷自我學習、優化上下文關係。最重要的是，AWS Context 作為全託管、高延展的情境層，能自動將企業現有資料之間的關係映射為知識圖譜，無需佈建基礎設施或建構檢索管線。企業新增資料來源時，只需在管理主控台中點擊幾下即可開始收集與策展情境，不必大動干戈重構工程架構。這些情境知識最終形成一張組織級的大規模知識圖譜，其關鍵元素以開放格式 Apache Iceberg 發布至 Amazon S3，確保資料可透過 Amazon Athena、Amazon Redshift、Apache Spark 或任何 Iceberg 相容引擎自由查詢與調用，實現最大價值。
G2 近一步指出，一個真正好用的 Agent，需要具備兩項能力：
目前，AWS 已將向量搜尋能力整合進 Amazon Aurora、Amazon DynamoDB（透過與 Amazon OpenSearch Service 的零 ETL 整合）、Amazon ElastiCache（支援 Valkey）等產品，並支援語義搜尋與混合搜尋，同時大幅降低 Token 成本、減少重複呼叫大模型的浪費，也降低了「幻覺」風險。
而 Agent 想要真正派上用場，還得能無縫串接既有系統的 API。G2 分享道，AWS 透過 MCP 伺服器提供統一的存取機制，讓這件事變得簡單。另外， Amazon Bedrock AgentCore 平台則像是 Agent 的「量產工廠」，它能整合多種 AI 模型與第三方框架（如 Strands、LangGraph、AI SDK 等主流開源代理人框架），幫助企業把還在 POC 階段的 Agent，快速規模化、正式上線並穩定運營，同時兼顧安全性、彈性擴展與成本控制。
而 Gen AI 是名符其實的「AI 原生工作負載」，資料必須能在雲端自由調度。為此，AWS 也提供便利的遷移工具，協助企業把工作負載從授權成本高昂的傳統資料庫搬遷到更具成本與彈性優勢的開源資料庫（如 PostgreSQL、MySQL）。透過 AWS Transform 服務，企業不僅完成搬遷，還能同步獲得向量搜尋等 AI 所需的新能力，一次達成資料庫現代化與 AI 升級。
目前業界正面臨以下三大挑戰，逼著資料庫必須「重新設計」。AWS 資料庫服務產品經理Cathy Lai 特別點出一個發人深省的趨勢：當 Agent 與 AI 模型每年產生的程式碼量呈爆炸式成長，企業該如何快速、標準化又安全地打造適合 AI 運行的資料庫？
|
三大挑戰 |
說明 |
|
程式碼管理量級擴大 |
每月產生的程式碼量大幅攀升，資料管理壓力隨之加大 |
|
智慧整合分析服務 |
能否用單一查詢，同時訪問交易型與關係型資料庫 |
|
情境學習 （Context Learning） |
AI 必須持續吸收語境變化，做到情境感知與即時回應 |
而因應之道，是打造一套涵蓋「資料儲存層 → 資料庫引擎 → 分析引擎 → 語義層」的四層整合架構。其中「語義層」（Semantic Layer）尤其關鍵：其決定了 AI 是否真正讀懂您的資料，而非只是抓到表面數字。
隨著 Claude Opus 4.8 等新一代模型的進步，AI 如今已能自動完成程式碼生成、測試、壓力測試與部署，形成多個 Agent 協作寫碼的「AI 開發團隊」。可以預見，未來幾年，開發團隊的角色將轉型為 「AI 管理者」，不再親自寫程式碼，而是協調 AI 編碼引擎與機器人團隊，把重心放在快速開發、測試與部署的節奏掌控上。
Cathy Lai指出，因此，資料庫開發流程也必須跟上腳步。舉凡從 schema 設計、壓力測試、部署到維運，均需全面支援 Agent 自動化操作，讓資料庫管理變得更系統化、標準化。
本講題特別以模擬客戶公司AWSomepay情境作為說明，行動支付公司 AWSomepay 面對著秒級數十萬甚至上百萬筆交易的極限考驗，其資料庫必須同時具備高可用性與高擴展性。而該團隊透過 Agent 結合多款模型，快速評估 DynamoDB 與 Amazon Aurora for PostgreSQL 的適用性，一路完成 schema 設計、測試到壓力測試，整個流程只花了一天。
Cathy Lai 談到，為避免大型組織在快速開發中陷入混亂與錯誤，AWS 也推出標準化工具集 Kiro，為 Agent 提供統一的開發與管理介面，讓規劃、程式開發到部署都能快速規模化。Kiro 是 AWS 打造的 AI 驅動開發工具（IDE），採用「先訂規格、再落地執行」的設計方法。先建立功能規格（Spec），再透過 Kiro的Steering Tool 等附屬工具執行最佳實務確認，並觸發 Hooks 與連接MCP Server執行例行性作業。
AWS 資深資料庫架構師Johnny Yu 談到，企業最常見的資料架構痛點是，交易資料放在交易型資料庫，並將分析工作另外交給 Amazon OpenSearch。然而，傳統做法中資料要經過層層預處理，因此存在一個致命弱點：嚴重的數據時差延遲。
在瞬息萬變的商業世界，拿昨日的數據來做今天的即時決策，準確度恐大打折扣。因此，Amazon OpenSearch 的解法是即時同步技術，能讓資料以近乎即時的速度流入分析平台，實現了讓數據「近乎零延遲地流動與同步呼吸」，也讓分析師不必苦等隔夜批次跑完，就能拿到最新數據。其主要提供三大功能：（1.）文字搜尋引擎：快速查找報表與資料（2.）資料分析：即時產生洞察與數據發現（3.）AI 服務：結合向量檢索，打造更精準的語義搜尋 Agent。
在語義搜尋方面，以台灣搭乘計程車的消費分析來舉例：系統若能辨識「Uber」、「小黃」、「55688」這類在地慣用別稱，語義搜尋的精準度就會大幅提升。同樣的技術也能應用在網路購物推薦、文件檢索與知識圖譜等場景。
上述技術討論多聚焦於 IT 架構師與工程師的專家視角，然而數據最終的價值，必須落實到第一線的業務、行銷與營運團隊手中。Amazon Quick Suite 就是為業務與行銷團隊量身打造的自助式分析平台。AWS 資料服務產品經理 Annie Chang 分享道，Amazon Quick 是面向業務用戶的開箱即用分析工具，能快速整合不同資料源，把分散的資料集彙整、視覺化，並支援自然語言互動查詢。簡單來說，業務同仁只要對著資料「開口問」，Amazon Quick 就能給出視覺化答案，這正是資料驅動決策真正普及的關鍵一步。
此外，Annie Chang 更進一步分享 AWS 「可信賴 AI 資料基礎」的三大核心支柱：
|
支柱內容 |
重點 |
|
開放式架構 |
支援多資料來源與系統， 避免資料孤島，實現無障礙資料存取與整合 |
|
卓越基礎建設 |
強調規模化、可靠性、高效能與成本效益， 支持業務指數成長 |
|
可信賴的 AI 資料 |
確保資料品質與安全，提升 AI 使用資料的可信度， 避免模型幻覺 |
Annie Chang 強調， AWS 主張以開放標準、無廠商鎖定的設計理念，支援 Zero-ETL 大幅減少資料準備時間，並持續強化資料治理與合規。目前，AWS具備20年以上創新經驗，每日處理EB級數據，服務數百萬跨產業客戶，包括大型購物活動高達6260億次推論，代表其基礎設施可應對極端商業負載。因此，當 Agent 對資料的需求量爆發式成長，AWS 要做的是搭建一個人類與 AI 代理人共用同一套資料基礎的頂尖平台。
而資料治理的最後一哩路，永遠繞不開合規。在合規方面，Johnny Yu 分享了 Amazon SageMaker Unified Studio，這是一套整合資料治理、品質監控與安全合規的平台。SageMaker Unified Studio附帶豐富資料治理功能，包含資料品質分數、血緣追蹤、資料欄位自動命名與註解，並提供精細權限控管到欄位、行等級別。使資料品質變動可被及時捕捉，並觸發相應治理流程，保障企業資料使用的可靠性和合規性。
該平台同時支援 SQL 與 Python 混合查詢，並結合 AI Agent，讓非技術背景的使用者也能輕鬆產出報告與視覺化分析，也就是說，技術與業務團隊終於可以在同一套系統上，說同一種語言。
AI 的終極競賽，其實比的是「資料變現」的速度。本次由 MetaAge 邁達特主辦的 AWS 研討會，從企業策略高度一路談到工程細節，為企業串起了一條完整的脈絡。
AI 的競賽，表面上比的是模型參數，實際上比的是誰能更快、更安全地把企業資料轉化為最具價值的資產。轉型非一日之功，建立一個人類與 AI Agent 共用的「可信賴 AI 資料基礎（Trusted Data Foundation）」，是企業現階段最值得、也最必須投資的戰略資產。
隨著生成式 AI 邁入企業核心應用，資料庫的現代化、雲端搬遷、向量化升級與全域治理，不是一蹴可幾的簡單工程，而是一項需要嚴謹評估、精準權衡安全、成本與架構穩定性的企業高階戰略決策。
MetaAge 邁達特作為 AWS 台灣代理商，擁有近 30 年產業深耕經驗，具備全台頂尖的雲地整合技術與資安合規知識，致力於協助企業從初期的架構健檢、技術選型，到中長期的 PoC 實證與規模化落地，量身打造安全、可信賴的 AI 數據底座。
若您的企業正著手規劃資料庫搬遷、評估向量資料庫導入，或正為 AI Agent 的場景落地尋找切入點，您可【由此與邁達特聯繫】，讓邁達特專業顧問團隊協助您找到最適合的 AWS 資料與 AI 解決方案，加速企業智慧轉型之路。
AWS、Amazon Web Services 及本文提及之相關服務名稱（包括但不限於 Amazon Bedrock AgentCore、Amazon SageMaker Unified Studio、AWS Transform、Amazon OpenSearch、Amazon S3、Amazon Aurora、Amazon DynamoDB、Amazon ElastiCache、Amazon Athena、Amazon Redshift）均為 Amazon.com, Inc. 或其關係企業之商標。文中提及之其他公司名稱及產品名稱，分屬其個別所有者所有。
