最近看到一篇文章，在 Threads 上引發一些討論。
作者的服務是幫客戶在雲端建置 AI 智能體，有人留言說「買臺 Mac mini 自己跑不就好了」，他寫了一篇文章正面回應，列出四個本地機的「致命傷」：固定 IP 問題、高負載維護問題、安全問題、部署成本問題。
論點不是沒有道理。但有幾件事，他沒說清楚。
先把技術槽點處理掉
固定 IP 的問題，Tailscale 或 Cloudflare Tunnel 都能解決，兩個都免費，這是 2024 年就有的方案，不是新技術。
高負載的問題，要看你的使用情境。他舉的例子是「24 小時跑矩陣帳號、解讀幾百本財報」——這是極端情境，不是臺灣多數中小企業的日常需求。把例外當通則賣，是論述技巧，不是真實描述。
安全和部署的問題，雲端和本地都要面對，差別只在於你是自己處理還是外包給別人處理。他真正的差異化是「我幫你踩坑，交付即戰力」——這是服務能力的問題，不是雲端架構天生優於本地的問題。
技術層面拆完，這篇文章的論述其實站不太住。
但我想說的不是這個。
真正的問題從來不是技術
雲端和本地，各有優缺點，這不是秘密。
本地機的硬體表現、軟體能力，確實跟雲端不在同一個級別。現在也不是建置本地消費者硬體的好時機——AI 巨頭把記憶體需求拉上去，供應鏈壓力直接反映在零件漲幅上，這是真的。
但本地有一個優點，是雲端無法取代的：你的資料不出本機。
這件事比技術規格重要太多了，但幾乎沒有人在賣服務的時候會主動跟你說清楚。
我自己用 Claude，一開始是因為 Anthropic 明確說不會拿客戶資料訓練模型。後來才發現，2025 年 8 月 28 日，Anthropic 悄悄改了政策：資料分享的 toggle 預設開啟，要你主動去關。沒注意到、或是在 2025 年 9 月 28 日截止前沒去設定的用戶，資料就直接進了訓練池。更大的問題是：原本資料保留期限是 30 天，新政策下延長到五年——整整 60 倍。就連以隱私為號召的供應商，政策也可以在你不注意的時候悄悄調整。
這不是在針對 Anthropic，這是雲端服務的結構性問題。你的客戶資料、你花時間累積的領域知識、你的工作流紀錄——上了雲端，主權就不完全在你手上了。
供應商風險，也是主權問題
選雲端方案，還有另一層風險很少被算進去。
拿兩個真實案例來說。
MiniMax 的定價走過一條很典型的路：先用激進低價甚至免費吸引用戶，再隨著基礎設施成本上升逐步改方案。從 2025 年 1 月到 2026 年 5 月，光是主力模型就連續推出 M1、M2、M2.1、M2.5、M2.7、M3，版本更迭七次。每次更新，模型行為可能完全不同，你的工作流要不要跟著調整？
GitHub Copilot 的情況更直接。2026 年 6 月 1 日，Copilot 從固定月費切換到 token 用量計費制。社群的反應幾乎是一面倒的負面：有用戶回報費用從每月 $29 跳到 $750，有人從 $50 跳到 $3,000，漲幅 10 到 50 倍。更關鍵的是，原本月費有費用上限當保護，新制下這個上限消失了——用多少算多少，沒有天花板。
這些都是把基礎建設交給別人之後，你要承擔的不確定性。
本地機設置好，環境就固定在你設定的狀態，不會因為供應商的商業決策而突然變動。這個穩定性，對某些工作流來說，比算力規格更值錢。
不是要你選本地，是要你清楚自己在選什麼
我不是在說雲端不好，也不是在說本地才是正解。
如果你的需求是快速上線、不想碰技術、資料敏感度低，雲端外包是合理的選擇。如果你有敏感的客戶資料、獨特的領域知識、對供應商依賴有顧慮，本地方案值得認真評估，哪怕學習曲線陡一點。
混合方案也完全可以——哪些任務走雲端，哪些資料留本地，這不是非此即彼的選擇。
但你要能做出這個判斷，前提是有人把真實情況說清楚，而不是把資訊落差當作生意來做。
現在很多事情，只要願意花時間查，或者懂得問 AI，是好是壞，很快能釐清。
資訊落差的生意，越來越難做了。
本文是孵化署「觀點系列」。每一篇都從一個外部案例出發，拆解它，然後說清楚這件事跟我們可以如何連結、借鏡、反思、避免踩坑。
每天進步 1%，一年是 37 倍（1.01^365 = 37.78）。不是要你每天很努力，是要你每天能和我們一起前進一小步。