「我們應該自己 build AI，還是買現成 solution？」- 這是 BA 在 AI 專案中很常遇到的問題。到了 2026 年，AI landscape 已經複雜到這不再是單純的 "build vs buy" 問題，而是一條從 full custom 到 turnkey solution 的 spectrum。
AI Solution Spectrum
FULL BUILD ←————————————————————————→ FULL BUY
[Train from Scratch] → [Fine-tune Open Source] → [Fine-tune Foundation Model] → [Prompt Engineering on API] → [SaaS AI Solution]
Cao nhất Thấp nhất
(Cost, Control, Flexibility, Data Privacy)
Thấp nhất Cao nhất
(Speed to Market, Ease of Use, Vendor Lock-in Risk)
沒有唯一的「最佳答案」，spectrum 上每個位置都有各自適合的 use case。
AI Solution的5個Option
Option 1: 從零開始Train Custom Model
- 何時適用：Highly specialized domain、proprietary data、需要極高 privacy
- 範例：大型醫院使用 proprietary scan data 建 medical imaging AI
- Cost：非常高（$500K-$5M+）
- Timeline：6-18 個月
- 需要的 team：ML Engineers、Data Scientists、MLOps
Option 2: Fine-tune Open Source Model
- 何時適用：需要高度 customization，但 budget 有限，且 data 不算極度敏感
- 範例：為特定 industry 的 customer support fine-tune Llama 3
- Cost：中等（$50K-$200K）
- Timeline：2-4 個月
- 需要的 team：ML Engineer、Data Engineer
Option 3: 在Foundation Model上做Fine-tune / RAG
- 何時適用：需要 customization，但不想自行管理 infrastructure
- 範例：在 GPT-4o / Claude 上用 company knowledge base 建 RAG
- Cost：低到中（$20K-$100K implementation + API cost）
- Timeline：4-8 週
- 需要的 team：Backend Dev + BA（prompt engineering）
Option 4: 在AI API上做Prompt Engineering
- 何時適用：Use case 本身就適合 foundation model，且 speed to market 很重要
- 範例：AI-assisted email drafting、document summarization、classification
- Cost：低（主要是 API cost：$0.01-$0.10/1K tokens）
- Timeline：1-4 週
- 需要的 team：Backend Dev + BA（prompt design）
Option 5: SaaS AI Solution
- 何時適用：Commodity use case、需要 turnkey、team 沒有 AI expertise
- 範例：Salesforce Einstein、Zendesk AI、HubSpot AI
- Cost：Subscription（$30-$200/user/month）
- Timeline：數天到數週
- 需要的 team：Implementation consultant + Admin
BA用的Make-or-Buy Framework
Dimension 1: Strategic Differentiation
問自己：「這個 AI capability 是 business 的核心 differentiator 嗎？」
HIGH
Strategic Value
|
Competitors | Build Custom
can't replicate | (Option 1-2)
|
────────────────┼────────────────────
|
Commodity | Buy/API
capability | (Option 3-5)
|
LOW
LOW ←— Uniqueness of your data/domain —→ HIGH
分析例子：
- Amazon 的 recommendation engine -> Build（核心競爭優勢）
- SME 的 document categorization -> Buy/API（不是 differentiator）
- Hospital 的 patient risk scoring -> Fine-tune（specialized domain + privacy）
- Startup 的 AI chatbot MVP -> API（speed to market 更重要）
Dimension 2: Data Sensitivity
| 敏感程度 | Data 類型 | Recommendation |
|---|---|---|
| Highly sensitive | PHI、financial、trade secrets | Option 1-2（on-premise 或 private cloud） |
| Sensitive | PII、internal business data | Option 2-3（搭配 data anonymization 或 enterprise contract） |
| Non-sensitive | Public data、non-PII | Option 3-5 |
關於 AI API providers 的注意事項：OpenAI、Anthropic、Google 都有附帶 data privacy commitments 的 enterprise plans。BA 需要 verify：
- 他們會不會把你的 data 用來 training？
- Data retention policy 是什麼？
- 是否符合 GDPR / local regulations？
Dimension 3: Maturity & Timeline
| Situation | Recommendation |
|---|---|
| MVP / Proof of Concept | Option 4-5：快速、便宜，先驗證 hypothesis |
| Growing product、proven value | Option 3：當需要 customization 時使用 Fine-tune / RAG |
| Enterprise scale、differentiated | Option 1-2：在 ROI 被證明後投資 custom |
Anti-pattern：還沒驗證 business case 就直接跳到 Option 1（train from scratch）-> 很容易浪費 resources。
Dimension 4: Total Cost of Ownership（TCO）
BA 常常只比較 initial cost，這是錯的。你應該看 3 年期 TCO：
| Build Custom | API-based | SaaS | |
|---|---|---|---|
| Initial cost | $$$$ | $ | $$ |
| Annual maintenance | $$$$ | API cost | Subscription |
| Scaling cost | 與 infra 線性增加 | 與 usage 線性增加 | Per-seat |
| Update cost | Team effort | Provider handles | Provider handles |
| Lock-in risk | Low | Medium（API changes） | High |
| 3-year TCO example | $500K | $80K | $150K |
TCO 會高度依賴 scale 與 use case，這裡只是參考範例。
Dimension 5: Internal Capability
誠實評估 current team：
| 你目前擁有 | Capability Level |
|---|---|
| ML Engineers、Data Scientists | ✅ 可以考慮 Build |
| Backend Developers | ✅ 可以處理 API / Fine-tune |
| Non-technical team | -> 選擇 no-code SaaS |
| 有 budget 招聘 | -> 6-12 個月內 Build |
| 有 outsource partner | -> 在 partner 支援下 Fine-tune |
Decision Matrix Template
BA 可以使用 scoring matrix，用更客觀的方式呈現 decision：
| Criterion | Weight | Build Custom | Fine-tune | API | SaaS |
|---|---|---|---|---|---|
| Strategic differentiation | 25% | 9 | 7 | 4 | 2 |
| Data privacy requirements | 20% | 9 | 8 | 5 | 4 |
| Speed to market | 20% | 2 | 5 | 9 | 10 |
| Cost efficiency (3yr) | 20% | 3 | 6 | 8 | 7 |
| Internal capability | 15% | 2 | 5 | 8 | 9 |
| Weighted Score | 100% | 5.5 | 6.3 | 6.7 | 6.1 |
Scores 為 1-10，請依 context 調整 weights 與 scores。
實例：Fintech Company
Scenario：Fintech 想導入 AI fraud detection
Analysis：
- Strategic differentiation：HIGH - Fraud detection 是核心 risk function
- Data sensitivity：VERY HIGH - Transaction data、PII
- Team capability：Medium - 有 Data Scientists，但數量不多
- Timeline：Urgent - Fraud 正在增加
Options considered：
- Train custom -> 12 個月、$800K - 太慢
- Fine-tune open source LLM on fraud data -> 3 個月、$150K - 可行
- Fine-tune a specialized fraud detection model（Stripe Radar-like）-> 2 個月、$100K - 最佳
- API-based fraud detection service -> 2 週、$50K/year - 很快但較不 specialized
- Turnkey fraud SaaS -> 1 週、$2/transaction - 短期可接受
Recommendation：
- Immediate（Month 1-2）：先上 Option 5（SaaS）止血
- Medium-term（Month 3-6）：接著做 Option 3（Fine-tune），建立 differentiated capability
- Long-term（Month 6+）：採混合策略，real-time 用 SaaS，risk scoring 用 custom model
Hybrid Strategy：Best of Both Worlds
在實務中，很多 company 會採用 hybrid approach：
Layer 1: Foundation Model API (GPT-4o, Claude)
→ General language tasks, summarization, draft generation
Layer 2: Fine-tuned model (company-specific)
→ Domain knowledge, terminology, custom logic
Layer 3: Rules engine (deterministic)
→ Compliance checks, hard business rules, safety filters
Layer 4: Human review
→ High-stakes decisions, edge cases, appeals
BA 的角色，就是定義 哪一層 處理哪一種 request，以及各 layers 之間的 handoff logic。
Make-or-Buy提案中的Red Flags
🚩 「自己 build 長期一定更便宜」- 如果沒有 dedicated ML team，通常不成立 🚩 「我們一定要有 proprietary AI model」- 先問為什麼，proprietary 不等於 better 🚩 「SaaS vendor 一定會拿我們的 data 去 training」- 不要 assume，請 verify contract 🚩 「Fine-tune 很快，2 週就做完」- 真正的 fine-tuning 通常不只這麼短 🚩 「GPT-4o 對所有 use case 都夠用」- 不一定，必須逐個 use case 評估
結論
AI 的 Make-or-Buy 不是 binary choice，而是一條有多個停靠點的 spectrum。BA 的角色是：
- Clarify strategic intent - Business 想在哪裡做 differentiation？
- Assess constraints - Data privacy、budget、timeline、team capability
- Present options objectively - 用 scoring matrix 與 TCO analysis 客觀呈現
- Recommend with rationale - 不只是說「我選 X」，而是清楚說明 WHY
最好的 Make-or-Buy decision，通常是「先用 Buy/API 小步開始，驗證 value，等 business case 清楚後再投資 Build。」這種 approach 同時能降低 risk，也能加速 learning。