企業導入 AI 的核心議題正經歷深刻轉變。過去的討論聚焦於模型選擇、RAG 架構與 GPU 算力建置；然而當 AI 真正由測試（PoC）邁入正式營運（Production），企業直面的考量升級為部署成本、資料權限、Agent 身份識別與決策責任歸屬。Broadcom 於 VMware Explore 2026 推出 VMware Private AI Cloud，目標是將推論工作負載（Inference Workloads）、Agentic 應用與傳統企業系統，統一納入私有雲平台管理。值得釐清的是，這不是全盤翻新：VCF 9 在 2025 年已奠定 Private AI 基礎，今年真正值得留意的新項目，集中在 VMware AI Factory、AI-ready Data Foundations、AgentMinder，以及 TrueSource 的新產品。
VMware AI Factory：重新定義 Private AI 的顯性與隱性成本
全新的 VMware AI Factory 是 VMware Private AI Cloud 的軟件定義基石，專注於自動化部署 AI 基礎架構及 Day 2 維運管理。官方指出，VCF 的架構自動化能將裸機伺服器（Bare-metal Server）到提供首個 AI 模型服務的時程，從數週大幅縮短至數小時，並全面自動化硬件組態設定、軟件堆疊啟用與端到端生命週期管理。同時，Broadcom 與 MetalSoft 合作，將多廠商裸機伺服器的 Provisioning 時程簡化至數分鐘，減少企業依賴不同硬件廠商各自的管理工具。
這帶出 CIO 必須重視的成本思維轉變：Broadcom 將 Private AI 的總體持有成本（TCO）歸納為三大軸線——硬件資本支出（CapEx）、維運複雜度（Operational Complexity）與 Token 經濟學（Token Economics）。企業未來評估自建 AI 與公有雲 API 時，不應僅停留於算力單價或 Token 費用的表面比較，而應納入伺服器上線時效、維運人力成本與算力實際利用率。AI 基礎架構的 KPI，可能要由「採購了多少算力」，轉為「新增算力多快能轉化為業務效益」。
AI-ready Data Foundations：資料治理開始直接影響 AI 成本與準確度
Tanzu Platform 推出全新 AI-ready Data Foundations，目標是解決 Agentic AI 落地後的根本挑戰：企業不能單純把資料庫、文件庫或物件儲存（Object Storage）的存取權交給 Agent，再期望 AI 自己判斷哪些資料應該使用。
Broadcom 將其資料治理架構拆解為三個核心維度：
- Access（權限控制）：嚴格限制 Agent 僅能存取獲授權的資料範疇。
- Context（脈絡優化）：在 Agent 調用前進行資料梳理，提高輸出準確度並降低 Token 消費。
- Lineage（血緣追蹤）：完整記錄 Agent 作出決策時的參考資料來源與軌跡。
AI-ready Data Foundations 能同時統整結構化與非結構化資料，轉化為具備治理機制的「Governed Data Products」。這標誌著資料治理已跳脫單純的合規（Compliance）範疇——以往企業聚焦於「員工能存取甚麼資料」，而 Agent 時代則進一步轉向「哪個 Agent 在何種任務情境下，被授權調用哪些資料進行決策」。資料整理是否妥當，更直接影響幻覺（Hallucination）、Token 成本與輸出準確度。（註：Tanzu 的 Deny-by-default Agent Runtime 已於 2026 年 4 月發布，本次大會核心在於 AI-ready Data Foundations 等治理延伸功能，預計於 2026 年秋季正式上線。）
AgentMinder：為 AI Agent 建構企業級身份與權限治理
當企業內部僅運作少數 AI 聊天機械人時，傳統的 API Key 或服務帳號（Service Account）尚能應付；然而當 Agent 開始自行讀取資料、呼叫工具、使用 MCP，甚至完成企業流程，傳統身份及權限管理便開始出現缺口。
Broadcom 推出全新的 AgentMinder，作為自主 AI Agent 的中央控管層。AgentMinder 賦予 Agent 企業級身份（Enterprise-Grade Identity），將權限嚴格綁定到：
- 明確任務（Declared Mission）
- 授權意圖（Permitted Intents）
- 核可工具（Approved Tools）
- 授權資源（Authorized Resources）
每次 Agent 調用工具時，系統會根據身份、意圖與當前情境進行動態授權判定，並產生符合合規標準的稽核紀錄（Audit Record）。AgentMinder 支援跨平台部署（包含 VCF、地端環境、VPC 及公有雲），這為企業 IAM 提出了全新的思考架構：未來的管理焦點將從「使用者是誰」擴展至「Agent 代表誰執行何種任務，獲准調用哪些工具與資源」。當 Agent 真正代替員工執行工作，身份、授權與責任追蹤，很可能成為新的企業治理層。
TrueSource：當 AI 加速漏洞查找，可信修補成為新瓶頸
AI 正大幅改變軟件安全的成本結構。Broadcom 引述 1Password Off-by-1 Labs 的研究數據指出，在 6,000 個由 AI 自動產生的程式碼修補（Patches）中，僅有 26% 能成功修補漏洞且不引發系統異常，反映完全去人工化的修補仍有明顯風險。
Broadcom 為此推出 TrueSource 產品組合，包括全新發布的 TrueSource Trusted Artifacts 與 TrueSource Data Services，並強化既有的 Spring Enterprise 服務：
- TrueSource Trusted Artifacts：提供 Java、Python 及 Node.js 生態系的 SLSA Build Level 3 潔淨室編譯環境（Clean-room builds）。
- TrueSource Data Services：涵蓋 PostgreSQL、RabbitMQ、MySQL 及 Valkey 等核心資料庫與服務。
- Spring Enterprise：透過前沿模型（Frontier Model）掃描 Spring 架構與依賴項樹狀圖（Dependency Tree），修補最終仍由工程師人手驗證。
- 這背後的戰略意義在於：AI 大幅提升了「漏洞發現」與「修補建議產生」的速度，但「確認修補程式能否安全上線」的難度卻沒有因此降低。安全團隊未來的瓶頸，可能由漏洞發現（Vulnerability Discovery）逐步轉向可信修補（Trusted Remediation）。
VMware Explore 2026 發布的新功能，核心邏輯是解決 AI 轉化為企業正式工作負載後的維運難題，而非追求極致的模型能力——將其重新納入基礎架構、資料治理、身份驗證與軟件供應鏈的完整架構中。對企業決策者而言，下一階段評估 AI 平台時，模型能力仍然重要，但更值得問的是：這套 AI 要花多少成本才能真正投入營運、Agent 可以做甚麼，以及當系統作出錯誤決定時，企業能否清楚知道它用了甚麼資料、取得甚麼權限，以及整個決策過程如何發生。
