【達拉斯現場直擊】SAS 50周年揭AI戰略方向，聚焦可信任、要強化企業AI落地能力

代理型AI帶來決策可信任挑戰

原本只是要解決農業運算需求的SAS，在1976年發表同名程式語言，1998年開始在服務中融入機器學習功能、2016年納入深度學習、2020年擁抱多雲架構，確保自家軟體服務能在多雲環境和地端執行。2024年，他們還推出合成資料生成器，來供資料不足、但想訓練AI模型的企業使用。

SAS技術長Bryan Harris在大會上指出，他們這一路發展降低了企業用AI的門檻，卻也發現可信任問題，尤其是代理型AI（Agentic AI）應用，「所有AI代理工作流程，都包含了確定性（Deterministic）與非確定性（Non-deterministic）元素。」

其中，確定性系統可提供穩定且可預測的結果，但以大型語言模型（LLM）為基礎的生成式AI應用，可能因上下文不同而產生不同輸出，進而影響企業決策品質。

解方是LLM當介面、確定性邏輯做為決策關鍵

Bryan Harris以反洗錢警示為例，進一步說明為何不能把所有決策都交給LLM。同一筆可疑交易，LLM跑三次可能得出三種不同結論：低風險、高風險、或直接關閉警示。如果企業把這種判斷完全交給LLM，出錯的風險會以複合方式累積。

SAS的解法是，結合確定性和非確定性邏輯，讓LLM當作前臺介面，來處理語言理解、推理和解釋，而SAS的規則引擎處理則作為後臺決策核心，確保關鍵決策都在可追溯、可稽核的確定性系統上執行。

SAS全球AI暨生成式AI產品策略負責人Marinela Profi以實例說明，一家零售業者店長收到庫存預警後，直接在Claude的對話介面問「我該怎麼辦？」Claude呼叫了SAS Intelligent Decisioning智慧決策平臺，根據銷售預測、庫存數據和補貨政策，算出「建議補貨約1,040件」，還附上詳細的決策依據和稽核紀錄。

在整個過程中，使用者都透過Claude這款LLM介面來對話與解釋，SAS的決策平臺則負責實際運算和政策套用，兩者以MCP伺服器串接，解決決策可信任問題。

影子AI問題靠禁止沒用，要讓治理變得夠方便才有效

同樣是要打造可信任AI系統，SAS在今年大會上揭露了新治理工具AI Navigator，是整個戰略的一大亮點產品。它的核心邏輯很簡單：與其等AI出問題再來收拾，不如一開始就把治理嵌進去，尤其是在員工使用未經授權的AI來解決公司問題、影子AI（Shadow AI）風險越來越高的現在。

SAS副總裁Reggie Townsend負責帶領SAS數據倫理措施（Data Ethics Practice）團隊，他在現場展示，當企業使用者發現某個開源LLM被標記為資料投毒（Data poisoning）風險，AI Navigator五分鐘內就能完成這些工作：確認這個模型連結到哪些應用場景、套用了哪些法規政策、找到合規團隊已有的應變措施、發現一個可以替代的授權代理，並通知資產負責人啟動處理流程。

他直言，AI治理計畫最大的風險，不是法規，「而是工具太複雜、沒人真的去用。」他也點出，企業導入AI面臨的3大核心張力，比如在道德層面，AI必須符合企業的價值觀與信念；在營運層面，效率提升不能犧牲一致性和清晰度；在財務層面，要創造AI價值但不能提高失控風險。

他強調，這三者都需要靠「好的判斷力」來平衡，而AI治理正是把這種判斷力系統化、規模化的機制。

以數位分身和合成資料補足現實限制，讓What if變成可模擬的問題

在應用層面，SAS也持續推動數位分身（Digital Twin），作為驗證和優化企業決策流程的核心工具。

Bryan Harris指出，去年，他們就與Epic Games合作，在Unreal Engine中建置光擬真的虛擬場域，來讓企業在不冒真實風險的情況下，模擬各種營運情境。

他在現場舉例，丹麥最大醫療器材滅菌廠商SteriCentral，就用這套數位分身服務來解決問題。他們原本以為，醫療器械清洗流程的低效率，來自緩衝升降機卡滯；但導入數位分身模擬後才發現，升降機本身就是整個流程的中央分流節點，所有器械托盤都要經過它重新分配，才導致排隊延遲。

此為數位分身模擬的醫療器械清洗流程。

釐清癥結後，團隊調整分流策略，成功化解瓶頸、提高作業效率。甚至更進一步，SAS還用同一套數位分身工具產出合成影像，來訓練電腦視覺模型，偵測廠商人員作業時，是否正確佩戴口罩、手套等防護裝備。

Bryan Harris也透露其他產業的實例。比如能源業方面，SAS正訓練無人機搭配電腦視覺，提前偵測電力設備故障，預防停電和可能造成的野火；油氣業則建置深海鑽油平臺的數位分身，能即時偵測氣體洩漏等危險情況。Bryan Harris稱數位分身為「終極的What-if實驗場」，讓企業在真正行動前，就能看清楚每個決策的可能後果。

遷移不一定會痛苦：Posten Bring的雲端升級經驗

除了主打AI可信任機制，SAS還在大會首日請來挪威郵政物流集團Posten Bring，不只分享他們從SAS 9.4升級到SAS Viya的經驗，還包括後來使用的新款資料分析工具好處。

Posten Bring分析部門主管Bendik Overgaard說明了遷移的三個主要原因：公司原本就有全面上雲的技術策略；24小時不間斷的物流營運需要即時資料支援，但舊平臺容量已經跟不上需求；SAS提供的遷移工具可讓超過95%的既有程式碼直接沿用，大幅降低重建成本。

於是，雙方展開遷移，完成後全集團6、700名主管，每天上班都可以即時獲得所需的管理資訊。不只如此，他們還採用新款資料分析工具SpeedyStore，直接在資料所在處就能執行分析，不需要把資料搬移到特定平臺，不只分析速度更快，資料主權也更有保障。

遷移完成後，全集團6、700名主管每天上班，都能即時獲得所需的管理資訊。這背後靠的是SAS SpeedyStore資料分析工具，過去企業做分析，習慣把資料搬到分析平臺再處理，但SpeedyStore反過來，讓分析運算直接在資料所在處執行，資料不動、分析移過去。這樣做不只速度更快、成本更低，資料不離開原本的環境，資安風險也跟著降低。