開放 + 閉源 AI、至少用 5 個 AI 模型！企業 AI 為何迎來「混搭時代」？
過去 20 年，企業一直在開源與閉源專有技術之間不斷做出選擇──從作業系統 Linux 挑戰 Windows、Python 和 JavaScript 成為主流程式語言，到 Kubernetes 奠定雲端標準，「開放 vs 封閉」的爭論延續至今，生成式 AI 也帶來同樣問題。對企業決策者來說，了解何時採用開放或封閉的 AI 模型，將直接影響財務支出與客製化彈性。
沒有標準答案，關鍵在「組合」
《VentureBeat》報導，許多企業在導入 AI 時第一個問題往往是：該採用開放 AI 模型還是封閉模型比較好？然而答案很可能不是二選一。EY 美洲生成式 AI 負責人 David Guarrera 表示：「真正的問題在於：哪種模型最適合你的工作流程的特定需求？」他提及，模型的選擇甚至是組合，都涉及不同工作流程對於準確性、延遲性、成本、可解釋性和安全性之間的權衡。
他說，閉源模型雖然限制了深度優化與微調，但能提供更完善的文件、技術支援與基礎設施整合，讓企業省去部分工程成本。反之，開源模型提供更大自由度，可針對特定任務進行微調與安全設計，他認為這在「代理式 AI」場景中特別重要。
考量一：總持有成本（TCO）
在成本層面，開放模型看似免費，但真正的總持有成本（TCO）並不簡單。Insight Partners 董事總經理 Praveen Akkiraju 告訴《VentureBeat》，企業必須考慮基礎設施成本與工程能量，包含模型託管、微調、設計防護措施與安全測試。若缺乏相當的工程資源，開源模型可能需要額外高昂的調校與維運投入。而封閉模型雖需支付 API 或訂閱費用，但由於託管、擴充與升級由供應商處理，對多數企業而言反而能降低整體成本。
雲端原生服務供應商 Caylent 的數據應用部門主管 Ryan Gross 進一步補充，開放與封閉模型兩者之間存在一個「經濟交會點」：在使用量達到一定規模前，封閉模型的 TCO 通常較低；但對於需求極大、可自行管理開源模型的企業而言，開源才更具經濟效益。
考量二：開發者的實際評估
Second Front Systems 技術長 Josh Bosquez 表示，公司會依不同場景混合使用開放與封閉模型：開源模型適合內部實驗與快速原型開發，能以低成本驗證想法；封閉模型則用於客戶應用或高敏感數據的場景，因其能提供企業級安全性與合規支援。Bosquez 強調，TCO 並不僅是金錢問題，還包含交付速度、合規風險與可擴展性。
在企業實務中，開源與封閉模型的選擇越來越趨向「混搭」。GM 首任 AI 長 Barak Turovsky 曾對外指出，企業可能內部使用開源模型進行研發，但面對客戶時仍偏好封閉模型的穩定與信任。IBM 則提供 Hugging Face 整合，讓客戶自由切換模型；Zoom 更透過自研小模型與大型模型「混搭」，形成所謂的「米老鼠與大象共舞」策略，以兼顧靈活與性能。
市場調查也揭示「混合」趨勢
根據創投公司 a16z 在 2025 年對 100 位 CIO 的調查，37% 的受訪企業同時使用 5 個以上模型，高於去年的 29%──這反映出企業的 AI 策略已從單一供應商轉向多模型並存，並針對不同任務進行優化。調查指出，Anthropic 模型在程式開發任務表現突出，Gemini 在系統設計更具優勢，而 OpenAI 則在複雜問答上更具競爭力。這些差異使得「多模型組合」成為業界共識。
今年 8 月，OpenAI 睽違 6 年首次發表免費的開放權重模型 gpt-oss 系列時，更在一場媒體簡報會上表示，其多數客戶也在大量使用各種開源模型，而 OpenAI 希望能填補此空缺，讓客戶也能在開放領域使用其技術。
專業服務機構 PwC 認為，企業不應該只依賴單一模型，而是打造「與模型無關」的 AI 代理架構。這代表要設計能與任何 AI 模型相容的系統，可在不同場景靈活切換模型。PwC 建議，企業應將重點放在實際測試、使用正確的模型來提升資料資產和進行有意義的人為監督，因為導入 AI 成功關鍵不在於擁有最大的模型，而是最靈活的系統。
AI 機器人浪潮來襲！立即免費下載《AI 機器人全球 7 大勢力關鍵報告》，解鎖各國 AI 機器人發展重點
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》1、PwC、《VentureBeat》2、《The Verge》、a16z，首圖來源：Unsplash