前陣子跟一個創業者聊天，他講了一件最近很多創業者在私下抱怨的事：我每個月付錢給大廠用他們的 AI agent，把公司裡很多其實無害的知識、流程、判斷一路寫進去，結果 AI 其實是有在看的。所以後面出來的閉源模型才會一代比一代厲害，因為它把各行各業的 know-how 都偷學走了。

這個說法我聽完第一個反應是「有道理」，第二個反應是「等一下，這要查」。查完發現，這個論點一半對、一半錯，而錯的那一半剛好是最值得創業者知道的地方。

• 付了錢，不等於被保護

三家大廠的付費企業層，也就是 API、Enterprise、Team 這些走 Commercial Terms 的方案，白紙黑字預設不拿客戶資料訓練。Anthropic 的 API 與 Claude for Work 明寫「除非你主動加入 Development Partner Program，否則不訓練」；OpenAI 的 Team、Enterprise、API 預設不訓練；Google 只要你開了 Cloud Billing，Gemini API 一律當 Paid Service 處理，不用來改善產品。如果你是走這些方案，說「AI 在偷看」是沒有證據的指控。

但如果你用的是個人訂閱，也就是 Claude Pro 或 Max、ChatGPT Plus 或 Pro、Gemini Advanced 這種 consumer 方案，那位創業者的體感就是對的。Anthropic 在 2025 年 9 月把 consumer 條款改成「要你主動選，選允許就進訓練、保留 5 年，選不允許就 30 天刪除」（Anthropic 官方公告）；ChatGPT 免費版預設訓練；Gemini Advanced 就算付了錢，資料還是當 consumer 處理。

所以問題不在「閉源大廠邪惡」，在「你買的是哪一層」。付費不等於受保護，看的是條款。

• 新創的選擇：哪個用更多用量，我就用那個，然後多開幾個帳號

我身邊認識很多的創業者，他們選擇的是 Claude Consumer 的方案，而且透過開了很多帳戶來讓他們在某個帳號沒有用量時，轉換到另外一個帳戶繼續使用。

如果從價格來看，Claude 的 Team Premium 一席一個月 US$100，跟 Max 5× 一樣的價錢，用量還多 25%，而且走 Commercial Terms 預設不訓練；ChatGPT 的 Business 一席 $20，比個人版 Plus 的 $24 還便宜。也就是說，留在 consumer 方案根本不是為了省錢，是不知道有差、或懶得搬。

那為什麼還是一堆團隊留在 consumer？我看到的是一個結構性的洞：重度用 AI 的技術團隊，尤其整天在跑 Claude Code 的，會因為額度不夠選 Max 20×，一個月 $200、20 倍的用量，而 Team 最高只給 6.25 倍。但 Max 是個人方案，走 consumer 條款。結果是，餵最多 codebase、餵最多 know-how 的那群人，剛好被留在保護最弱的方案裡。不是大廠偷看，是你自己按了同意，而那個同意藏在設定頁的第二個開關。

• 60 分及格、80 分想用、90 分超強

講完保護，講能力，這才是我真正想講的趨勢。

用 100 分來比喻：60 分是及格，但使用者要到 80 分才會覺得「這個我想用」；現在幾大閉源模型都是 90 分以上，超強。過去開源模型大概就是 60 分，能動但不會想用，但現在不一樣了，開源已經過 80 分。

數字是這樣：Artificial Analysis 的 Intelligence Index 一年前開源最高 22 分、閉源 35 分，差 13 分；到 2026 年 4 月，開源最高 54、閉源 57 到 60，差距縮到 3 到 6 分（Artificial Analysis）。Epoch AI 的估法是開源落後閉源大約 4 個月（Epoch AI），OpenRouter 的觀察是這個 3 到 6 個月的差距維持了 18 個月沒有擴大（OpenRouter）。

開源還是比不上幾大模型，但如果你要的是「放在自己地端跑、資料不出門」，80 分似乎已經夠了。

• 80 分的開源，跟你桌上那台機器，是兩件事

我們類比拿到 80 分的開源模型是 Kimi K3（2.8T 參數）、DeepSeek V4 Pro（1.6T）這種兆級 MoE，光是模型檔就要 1.6TB、要多張 GPU 的節點才跑得動。這不是「小地端模型」，這是「自建機房」，也就是企業端的on premise AI 服務有可能在未來幾年產生用量上的爆發。

真正能放在企業桌上跑的是另一個等級：Qwen3.6-27B，27B 的 dense 模型，18GB VRAM 就能跑，Apache-2.0 授權，SWE-bench Verified 77.2%，而且在四個 agentic coding benchmark 上全面打贏 15 倍大的前一代 Qwen3.5-397B（The Decoder）。用我的分數講，這個等級在 coding 上大概 70 到 75 分，但一台 128GB 記憶體、US$5,000 以內的 DGX Spark 或 Mac Studio 就跑得起來。

所以趨勢並不是「開源 80 分了」，而是「今年的 27B 打贏去年的 397B」，小模型的分數爬升速度比大模型快，這才是企業地端的引擎解答。

• 現在的數據其實跟趨勢相反

如果只看今天的採用數字，企業地端不是趨勢，是反趨勢。

Menlo Ventures 的 2025 年報說，企業使用開源模型的占比從 19% 掉到 11%，閉源吃掉將近九成的工作負載（Menlo Ventures）。能力變強、採用反而腰斬。原因有三個：API 太便宜，月用量不到 1 億到 10 億 tokens 的公司自架一定比較貴，而且 GPU 之外還有兩三倍的隱性成本；授權與來源疑慮，企業對中國模型是「性能認可、採購保留」；還有缺人，能維運、量化、微調的人在臺灣中型企業很少。

那我為什麼還是覺得會翻轉？三個推力。硬體門檻掉到 US$5,000。27B 等級的模型過了 70 分。監管開始把資料出境當風險：Gartner 預測 2027 年有 35% 的國家會被鎖進區域專屬的 AI 平台，40% 的 AI 資料外洩會來自跨境的生成式 AI 使用（Gartner）。臺灣自己的例子是金管會推的 FinLLM，16 家金融機構共建、地端運作、走微調加蒸餾的路線建在開源基礎模型上，預算只有 NT$4,000 到 7,000 萬，明講「小而專」不追通才（CIO Taiwan）。

• 終局是 hybrid，不是一個小模型包辦

「夠用」是移動靶。80 分跟 90 分的差別，在聊天場景是「回答好不好」，在 agent 場景是「50 步的任務跑不跑得完」。所以我看到的終局不是每家公司養一個小模型包辦一切，而是把 know-how 敏感、任務明確的東西放地端，內部文件的問答、分類、初稿這些；把最難的 agentic 工作留給 API。

回到開頭那位創業者的抱怨，他擔心的事情，在 2026 年的解法其實是三個動作：先去看你用的是哪一層條款，consumer 就把那個開關關掉，或者搬到同價的 Team；再看你有哪些東西是真的不能出門的，那些東西等 27B 等級的模型再爬 10 分，就可以自己養一個放地端；剩下的，繼續用 90 分的 API，不用跟自己過不去。