AI Agent 導入落差：八成內建但只有三成真正上線

2026 年的企業軟體市場有兩個數字，放在一起看很刺眼。第一個是八成：今年第一季出貨或改版的企業應用程式裡，大約 80% 至少內嵌了一個 AI agent。第二個是三成：真正有 agent 跑在正式環境、每天處理真實業務的組織，只有大約 31%。

中間那 49 個百分點，就是今年絕大多數企業 AI 預算流進去的地方，也是失望累積得最快的地方。

Photo by Indira Tjokorda on Unsplash

「導入」和「上線」是兩件事

Forrester 在今年的《The State Of Agentic AI, 2026》裡用了一個很貼切的標題：企業都在追，但很少人追得上。報告的觀察是，大約四分之三的企業正在導入 agentic AI，但真正做到規模化的是極少數；多數所謂的「已導入」，本質上還是一個會講話的聊天介面，離「能自己決定要做哪幾個步驟、並且把事情做完」還有距離。至於由多個 agent 互相協作、跨系統完成一整條流程的架構，更是稀有。

這個落差之所以容易被誤讀，是因為「導入」這個詞被稀釋了。在 KPI 表上，把 Copilot 開給全公司用叫導入，在產品裡塞一個問答框叫導入，讓客服系統自動草擬回覆也叫導入。但這三件事跟「讓一個 agent 每天自動跑完退款審核」之間，難度差了一個量級。前者只要買授權，後者要重寫權責、要有稽核軌跡、要有人在出事的時候負責。

卡住的地方不是模型，是信任的成本

Forrester 在報告裡提出一個很有意思的說法：信任稅（trust tax）。意思是，每一個自主動作都必須被記錄下來、而且要能對稽核人員解釋得通，而目前這筆成本太高，高到讓很多流程算起來不划算。

這句話值得多想一下。過去十年談自動化，瓶頸幾乎都在「機器做不做得到」。現在瓶頸換了位置：模型多半做得到，問題是做完之後沒人能交代它為什麼那樣做。一個 RPA 腳本錯了，你可以指著第 47 行說是這裡寫錯；一個 agent 判斷錯了，你要重建它當下看到什麼、檢索到哪幾份文件、為什麼選了 A 方案。這件事在技術上可行，但要做到可以拿去面對稽核，是另一套工程。

資安是同一個問題的另一面。Forrester 的調查裡，49% 的資安決策者把 agentic AI 列為擔憂項目，原因之一是非人類身分（nonhuman identity）的管理目前仍然混亂——agent 之間可以互相冒用身分、權限可以被一路墊高，而多數企業的身分管理系統從來不是為了「一個會自己開分身的使用者」設計的。

失望的數字，比想像中誠實

Photo by andy chiu on Unsplash

幾份 2026 年的企業調查把這個落差量化得相當直白：只有 29% 的組織認為自己從生成式 AI 拿到顯著的投資回報，AI agent 的數字更低，約 23%。同時，有 48% 的受訪者用「大失望」來形容自家的 AI 導入成果——這個比例去年還是 34%。

更值得注意的是高層自己的說法。有調查指出，約 75% 的主管承認公司的 AI 策略「對外展示的成分多過對內指導」，73% 的執行長表示對公司的 AI 策略感到壓力或焦慮。Gartner 則預測，到 2027 年前會有超過 40% 的 agentic AI 專案被取消。

這些數字湊在一起，描繪的不是「AI 沒用」，而是另一件事：企業買到了能力，但沒有買到把能力裝進組織的方法。工具可以採購，流程重寫不行；模型可以外包，權責歸屬不行。

少數跑起來的人，做對了什麼

從報導出來的案例看，真正把 agent 推進正式環境的組織，共同點反而不太性感。

第一是範圍先切小。不是「讓 AI 處理客服」，而是「讓 AI 處理金額 500 元以下、非爭議型的退款申請」。範圍夠窄，錯誤的後果就夠小，稽核成本才降得下來，信任稅才付得起。

第二是把稽核軌跡當成第一版功能，不是第二版。每一次自主動作留下輸入、依據、決策與結果，從第一天就存。很多專案是在法遵部門介入之後才回頭補，那時候通常已經來不及，專案就進了那 40% 的取消名單。

第三是人的準備度。Forrester 特別點名紐約梅隆銀行（BNY）是受監管產業裡走得比較前面的案例，但報告也直說，即使是 BNY 也還沒拿到 agentic AI 承諾的全部價值。它真正領先的地方不是模型選得好，而是它的人力已經準備好管理高度自主的 agent——知道什麼時候該放手、什麼時候該接管、出事怎麼追。

Photo by Homa Appliances on Unsplash

對不同規模的企業，意義不一樣

大型企業卡在信任稅上，是因為它們的稽核要求本來就重。有趣的是，同一個結構對中小企業反而是相對有利的：流程短、決策鏈短、需要說服的關卡少，很多在大公司要開三個月會才能放行的自動化，在二十人的公司可能一週內就試得出來。

但中小企業要避開的坑也很具體。最常見的一種，是把「有沒有導入 AI」當成目標本身，結果買了一堆訂閱、接了幾個外掛，年底盤點時發現沒有任何一個流程真的少掉人工。另一種是反過來，一次就想讓 agent 接管整條業務流程，撞到資料不乾淨、權限沒切、例外情況太多，三個月後默默停掉。

比較務實的判準只有一個問題：這個 agent 如果今天壞掉，誰會在幾小時內發現？ 答得出來，表示它真的嵌在流程裡了；答不出來，那它大概還停在展示階段。

結語：落差本身才是這一年的主題

2026 年上半年的技術進展沒有停過——模型更會用工具、更會操作電腦、成本更低。但從這些調查數字看，技術跑在前面，組織跟不上，已經是今年最清楚的一條主線。

八成與三成之間的距離，不會靠下一代模型自己縮短。它要靠的是相對無聊的東西：把流程寫清楚、把權限切乾淨、把每一次自主決策留下可以交代的紀錄、讓實際操作的人知道什麼時候該介入。這些工作沒有發表會可以開，但它們決定了一間公司的 AI 投資，最後會落在 31% 那一邊，還是 49 個百分點的空白裡。