企業部署 AI，管理層往往聚焦模型、GPU、Token 成本與資訊保安。但 AI 由概念驗證（PoC）走向正式營運（Production）時，真正拖慢落地速度的，往往是企業網絡，而非模型本身——這條一直被認為「已經夠快」的網絡，隨時成為最大瓶頸。
全日空（ANA）最近便透過 Equinix Fabric 重構網絡，以中央雲端網絡樞紐（Cloud Network Hub）取代過往逐一為系統建立專線的做法，並按需要連接 AWS、Microsoft Azure 及 Google Cloud。為企業提供了一個值得參考的案例。這家大型企業早已完成一輪網絡現代化，如今仍要為多雲環境、數據增長及未來 AI 應用，重新設計連接架構。由此可見，關鍵已不在數據中心的速度，而是現有網絡能否支撐下一階段的 AI 營運。
ANA 首個成果 : 數月縮至數星期
ANA 今次改造最直接的成果，是網絡連接開通時間由數月縮短至數星期，配置時間（Provisioning）約減少 80%。
對企業而言，這代表新服務從構思、測試到正式推出，基礎設施不用再等數月，而非僅僅 IT 部門少做幾項設定。
過往 ANA 為個別系統建立專線，隨着雲端服務、應用程式及連線需求增加，每次擴容都拖累線路數量、成本與管理複雜度。改造後，ANA 以中央雲端網絡樞紐（Cloud Network Hub）管理連線，按需要接通 AWS、Microsoft Azure 及 Google Cloud，無需每次新增服務都再部署實體線路。
IT 人員終於可以減少花在等待與配置網絡的時間，將資源更快轉向應用程式開發和測試。
ANA 同時以五年內總擁有成本（TCO）降低 30% 為目標，但這目前仍屬目標，並非已實現的節省，不能與配置時間縮短 80% 混為一談。
對正在推動 AI 的企業來說，ANA 的真正啟示正在於此：AI 專案延誤，不一定因為模型不夠好或工程師手腳慢。有時應用程式兩星期已寫好，網絡、雲端連線和基建開通卻要耗上兩三個月。當這部分從數月壓縮到數星期，AI 的推出時間（Time-to-Market）才能真正縮短。
ANA 三年前已升級網絡 AI 時代卻仍要再改
ANA 並非直接由傳統舊網絡躍升至最新架構。
早在 2023 年 KDDI 公開的案例中，ANA 便曾為北美業務部署 SD-WAN。當時面臨的挑戰，正是網絡流量暴增、專線擴充成本高昂，以及新據點開通緩慢。例如當機組人員開始以照片和影片交接資訊時，數碼化本意是提升效率，卻因流量激增導致網絡品質下降。
當時 ANA 將據點的雙專線架構，改為「單專線 + 網際網路」混合模式。KDDI 數據顯示，相較於硬性擴建舊架構，此舉降低了約 40% 的營運成本，並顯著縮短了新據點的部署時間。
這帶出一個重要啟示：網絡現代化絕非「一勞永逸」的工程。
2023 年的 SD-WAN 解決的是分支據點與一般雲端應用的流量；到了今天，面對混合多雲、海量數據與未來 AI 工作負載，網絡架構必須再度升級。對多數企業而言亦然：今天足以順暢運作 Microsoft 365、ERP 與視像會議的數據中心及 WAN，數年後未必能承受 AI 應用在跨系統間頻繁呼叫數據的巨大壓力。
「Data Center 已經很快」不代表 AI 應用一定快
這正是企業規劃 AI 基礎設施時的典型盲點。
許多人習慣以「數據中心網絡已達 10 Gbps」或「網速已經足夠」來評估基建，但 AI 應用的整體表現，從不單由某個數據中心的單點速度決定。
以企業 AI Agent 為例，處理一則客戶查詢可能需要先讀取內部 CRM，再跨系統查詢訂單與庫存，接著呼叫公有雲上的模型，最後將結果存回資料庫。這期間任何一環出現高延遲（Latency）、頻寬瓶頸、複雜路由或漫長的跨雲路徑，都會拖垮整個工作流程。
這就如同自動化程度極高的物流中心：即便倉內機器人揀貨再快，若連接各倉庫的幹道持續塞車，整體送貨效率依然低下。
這正是軟件定義互連的價值所在。Equinix 技術文件指出，Fabric 可透過軟件快速建立虛擬連接，靈活對接雲端服務商、外部夥伴或分散各地的企業資產；部分連接更能透過 API 或 Terraform 自動化配置，免去傳統拉設實體線路的繁瑣流程。（註：ANA 公開資料僅確認採用 Equinix Fabric，未提及底層路由與具體元件細節，不應過度推演其採用了其他特定產品。）
ANA 已把 25,000 個 AI Agent 放入五年 DX 藍圖
若孤立看待這次網絡重構，很容易誤以為這只是普通的雲端遷移工程；但若放在 ANA 的整體數碼轉型（DX）藍圖中，含義便極為明確。
ANA Holdings 今年發布的《ANA Group Value Creation Roadmap 2030》顯示，集團將於 FY2026 至 FY2030 年間投入 2,700 億日圓（約港幣 135 億元）進行 DX 投資，核心方向之一便是「組織知識資產化與 AI 引入」，目標是將內部數據與 Know-how 轉化為資產，全面重塑業務流程。
值得注意的是，ANA 設定了 2030 年部署「25,000 個 AI Agent」的 KPI，目標帶來相當於集團人力 7% 的產能提升。ANA 所定義的 AI Agent 絕非簡單的問答 Chatbot，而是能自主思考與執行任務的智能體。
這為本次網絡重構提供了關鍵背景：當企業從部署數十個 Copilot 或 Chatbot，邁向由成千上萬個 AI Agent 深度參與營運時，考量重點絕不單是 Token 用量。Agent 需頻繁且自動地讀寫 ERP、CRM、資料庫及各類雲端應用，整套 AI 系統的實際表現，完全取決於底層數據與應用之間的傳輸效率。
簡而言之，當 AI 從「人類手動提問」演化為「後台軟件自主協作」，網絡便成了決定 AI 工作流成敗的生命線。
Cisco：只有 15% 企業認為網絡可充分配合 AI 擴展
這並非 ANA 獨有的考量。
Cisco 2025 年《AI Readiness Index》（由獨立機構 Satori Experience 於 2025 年 8 月雙盲調查全球 30 個市場、8,039 位企業高層）指出，僅有 15% 的受訪企業認為自家網絡已具備足夠彈性，得以配合 AI 工作負載的擴展；即使是 AI 成熟度最高的「領跑者（Pacesetters）」企業，該比例也才達到 71%。
同時，62% 的企業預計未來三年 AI 工作負載將增長 30% 以上。Cisco 據此提出「AI 基礎設施債務（AI Infrastructure Debt）」概念——若企業早期僅顧及 AI 應用快速上線，卻不斷推遲網絡與數據基建的升級，這類妥協最終將在規模擴大時形成沉重的技術負債。
儘管 Cisco 作為網絡設備商具有商業立場，但其樣本量與公開數據仍極具參考價值。ANA 的決策正與此研究遙相呼應：與其等待 AI 正式上線後才被網絡卡死，不如在數據爆發前先行建構具備擴展性的連接架構。
網絡 ROI 不應只計「1 Gbps 升到 10 Gbps」
ANA 案例對 CFO 與 CIO 的另一個啟示，在於如何評估網絡投資的 ROI。
過去評估網絡，常陷於「單位頻寬成本」或「每月專線租金」的拉鋸。但 ANA 案例中最關鍵的三個指標，實為開通部署時間縮短 80%（由數月降至數週）、五年 TCO 降低 30% 的目標。
網絡所決定的，遠不只是下載檔案的速度，而是「新業務上線的速度」。若團隊開發出新的 AI 服務，卻因申請雲端連接、網絡路由或基建配置而消耗數月，那麼 AI 專案的關鍵路徑（Critical Path）就不在模型本身，而在基建開通效率。
因此，衡量 AI 網絡投資時，除了頻寬與月費，更應引入「基建開通時間（Time-to-Infrastructure）」這項關鍵指標：對接新的雲端廠商需要多久？上線一項新 AI 服務要等多久？應用開發完成後，需要等待多久的網絡與安全配置才能真正上線？
這些時間成本，遠比單純的「網絡頻寬升級」更能體現商業價值。
網絡亦是 Business Continuity，不只是效能
另一個常被低估的面向是網絡可靠性。
Uptime Institute 2026 年《Annual Outage Analysis》指出，光纖與網絡連接相關事故顯著增加，且這類中斷往往需時更長才能修復。其 2025 年調查顯示，57% 受訪者表示最近一次重大中斷造成超過 10 萬美元（約港幣 78 萬元）損失，20% 甚至超過 100 萬美元（約港幣 780 萬元）。報告強調，雖然電力問題仍是數據中心中斷的主因，但外部連接與光纖風險正急劇上升。
這也解釋了為何 AI 邁入正式營運後，網絡風險的本質已截然不同：若 AI 僅是員工偶爾使用的 Chatbot，斷線頂多影響工作步調；但若 AI Agent 已深度接管客服、航班營運、訂單處理或物流審批，網絡中斷便直接升級為業務持續性（Business Continuity）危機。
對 ANA 而言，訂票、報到與營運系統皆為實時業務，網絡韌性絕非單純的 IT 指標，而是核心營運風控。
Private Connection 不代表可以忽略加密
然而，採用私有連接（Private Connection）並不等於資安一勞永逸。
Equinix 技術文件明確提到，在 Fabric 與雲端廠商之間的私有互連架構中，傳輸預設並不自動加密。若應用層面有數據加密需求，企業仍須在應用層（Application Layer）加密，或於網絡層（Network Layer）建立 IPsec 隧道。
「私有（Private）」與「加密（Encrypted）」是兩個截然不同的概念。因此，AI 基礎設施不能將網絡、資安與 AI 治理混為一談。網絡確保數據高效且穩定地傳送；資安控管存取權限與數據防護；AI 治理則規範模型與 Agent 的行為權限。三者相輔相成，缺一不可。
ANA 案例給 CEO 的終極提醒：別等 AI 上線才發現公路太窄
ANA 的案例並非暗示所有企業都需採購 Equinix Fabric，其數據亦無法直接複製。但它帶出了一個關鍵思考：AI 基礎設施絕非僅有 GPU、模型選型、Token 預算與資安條例。
在將 AI 從 PoC 推向正式營運前，CEO 與 CIO 必須審視以下問題：企業的數據究竟分散於哪些數據中心、公有雲與 SaaS？一個 AI Agent 執行任務時需跨越多少系統？對接新的雲端或 AI 服務商需要數天、數週還是數月？任何一條專線或雲端服務中斷時，是否有備援路徑？當 AI 工作負載翻倍時，現有網絡能否彈性擴展？
ANA 最具參考價值的，正是其在 2023 年完成 SD-WAN 升級後，僅隔三年便再度因應多雲與海量數據需求進行架構調整。問題從來不是「數據中心今天夠不夠快」，而是「今天的架構能否支撐明天的營運模式」。
若將 GPU 比作 AI 的引擎、數據比作燃料，網絡就是連結一切的公路。當企業投入鉅資換裝最強引擎並注入無數燃料時，若公路系統仍停留在舊時代，最昂貴的 AI 投資，最終只會卡在最被輕視的基建上。
