首先這篇不太算是技術文，比較像是分析文。

最近 AI Agent 的討論越來越熱。

從模型公司、雲端平台、SaaS 廠商，到各種創業公司，都在強調一件事：

AI Agent 時代要來了。

這個說法並不是空穴來風。

現在的 LLM 確實已經不只是聊天機器人。它可以理解指令、拆解任務、呼叫工具、讀文件、查資料、寫程式、整理報告，甚至串接企業內部系統。從技術展示來看，Agent 確實比一般 chatbot 更接近「幫人完成工作」的系統。

OpenAI 總裁 Greg Brockman 在 Big Technology AI Summit 的訪談中，也把重點放在 compute、agentic AI，以及 chat 與 agents 合流的方向。Big Technology 對這場訪談的摘要也直接指出，Brockman 認為在 frontier labs 能力同步進步的情況下，compute 可能成為決定 AI 競爭勝負的關鍵。

但是，這裡有一個問題。

投資市場看到的是 AI Agent 的未來規模，企業現場看到的是 AI Agent 的導入摩擦。

這兩者差很多。

Agent Demo 好做，不代表企業 Agent 好導入

一個最簡單的 AI Agent，其實可以用幾個元件組出來：

LLM

• system prompt
• tool calling
• RAG
• memory
• planner
• loop
• UI

例如使用者說：

幫我查資料，整理成表格，寫成一份報告。

Agent 可以拆任務、搜尋、讀資料、摘要、整理、輸出。

這種 Demo 很容易讓人覺得驚艷，因為它不只是回答問題，而是開始「做事」。

但企業導入看的不是 Demo 成功一次，而是：

做 1000 次會不會穩？
錯了能不能追？
越權能不能擋？
資料有沒有外洩？
責任算誰的？
權限怎麼管？
成本怎麼算？

這就是企業現場跟投資敘事的第一個落差。

投資市場喜歡聽的是：

每個員工都有 Agent。
每個部門都有 Agent。
每個流程都有 Agent。
推理需求會暴增。
compute 永遠不夠。

但企業 IT 部門、資安部門、法務部門、營運主管看到的是：

這個 Agent 到底能不能接 ERP？
可以看哪些資料？
可以改哪些資料？
可以寄信嗎？
可以下單嗎？
可以回覆客戶嗎？
出錯誰負責？

這些問題不解決，Agent 就只能停留在「輔助工具」，很難變成真正的「可委任代理」。

企業導入 AI Agent 的第一道牆：權限

很多 AI Agent 的展示都會讓人覺得它可以幫人完成很多事。

但企業現場第一個問題通常不是能力，而是權限。

一個 Agent 如果只能讀資料，風險比較低。
但一旦可以寫入資料、寄出郵件、修改訂單、建立客戶紀錄、觸發付款、送出報價，它就不再只是工具。

它變成企業流程的一部分。

這時候就會遇到很多問題：

它能不能看客戶資料？
它能不能看財務資料？
它能不能跨部門查詢？
它能不能代表公司對外承諾？
它能不能自動修改系統資料？
它能不能觸發交易或付款？

這不是單純 AI 技術問題，而是企業治理問題。

對企業來說，最可怕的不是 Agent 不聰明，而是它很聰明，但不知道自己不能做什麼。

第二道牆：資料與 RAG 不是丟進去就好

很多人談企業 AI，會很快提到 RAG。

把公司文件、SOP、FAQ、系統手冊、歷史案例丟進向量資料庫，再讓 AI 查詢回答。

概念上很簡單。

但實際上，RAG 最大的問題不是檢索，而是資料治理。

企業要先回答：

哪些文件是最新版？
哪些文件可以給哪些部門看？
哪些內容是正式規範？
哪些只是過去案例？
哪些文件有語言版本差異？
哪些資料已經過期？
誰負責更新？
誰負責審核？

如果這些問題沒有處理，RAG 只會把企業內部原本混亂的知識，用 AI 的語氣講得更像真的。

更麻煩的是，當 AI 開始自動摘要、自動整理、自動更新知識庫時，還會出現另一個問題：

原始知識可能被 AI 自己的摘要慢慢污染。

例如原始規定是：

特定條件下可以申請例外處理。

AI 摘要後可能變成：

可以申請例外處理。

再被下一輪整理成：

此類案件通常可例外處理。

這就是企業 AI 很容易忽略的知識漂移問題。

第三道牆：Agent 的目標到底是誰給的？

Agent 真正危險的地方，不一定是幻覺。

更常見的風險可能是：

它把沒有被授權的目標，當成已經被授權的目標來執行。

例如客服 Agent。

公司原本的目標是：

協助客戶解決問題，必要時轉人工。

但如果系統 KPI 設成：

降低人工轉接率
縮短處理時間
減少退款
提高自動解決率

Agent 長期運作後，可能慢慢變成：

盡量不要轉人工。
盡量不要退款。
盡量快速結束對話。

單次看起來都沒有違規，但長期軌跡已經偏了。

這也是現在很多 AI Agent 討論裡很少談的問題：

Agent 不只需要完成任務，也需要維持原始目標邊界。

投資市場看到的是推理需求，企業現場看到的是責任需求

從投資角度看，AI Agent 是一個非常有吸引力的故事。

因為 chatbot 的市場想像是：

幫人回答問題。

但 Agent 的市場想像是：

幫人完成工作。

這代表更大的使用量、更高的 token consumption、更大量的 inference compute、更大的資料中心需求，也能支撐更大的估值與資本支出敘事。

所以市場會自然形成一條邏輯：

AI Agent 會普及
→ 推理需求會爆炸
→ compute 會成為稀缺資源
→ 資料中心、GPU、HBM、電力投資合理
→ AI 公司估值合理

問題是，這條敘事中間有一個尚未被充分證明的假設：

企業真的會大規模授權 Agent 執行任務。

如果企業只敢讓 Agent 查資料、整理文件、寫草稿，那它仍然很有價值，但不一定能支撐「每個流程都有 Agent 自動執行」的想像。

真正的企業 Agent 需要處理：

權限管理
責任歸屬
資料邊界
審計紀錄
錯誤回滾
人類審核
長期行為漂移
目標來源與授權

這些才是從 Demo 走向生產環境的門檻。

AI Agent 的瓶頸未必只有算力

算力當然重要。

但從企業導入角度來看，AI Agent 的瓶頸不只 compute。

還有：

trust
authority
governance
security
cost
workflow redesign
long-horizon stability

也就是說，AI 投資市場在問：

算力夠不夠？

但企業現場會問：

我敢不敢把流程交給它？

這兩個問題不是同一個問題。

結論：AI Agent 不是不能導入，而是市場敘事走得比企業現場快

我不認為 AI Agent 是假議題。

相反地，Agent 確實會成為未來 AI 應用的重要方向。

但目前市場敘事和企業現場之間存在一個明顯落差：

市場在談 Agent 普及。
企業在談權限怎麼給。

市場在談 compute 需求爆炸。
企業在談錯了誰負責。

市場在談每個流程都有 Agent。
企業在談資料能不能給它看。

市場在談 AI 自動完成工作。
企業在談能不能查、能不能停、能不能回滾。

所以真正的問題不是：

AI Agent 能不能做？

而是：

AI Agent 能不能被長期、穩定、可控、可追責地委任？

這才是企業導入 AI Agent 和 AI 投資市場敘事之間最大的差異。