企業 AI 導入的趨勢與挑戰──從 2026 年七份權威報告看 Agentic 時代的全景
2026 年企業 AI 真正的關鍵字不是模型升級,而是規模化。KPMG、Deloitte、McKinsey、Accenture、Stanford HAI、EY 七份權威報告交叉拆解:投資狂熱、Agentic AI 風險、資料瓶頸與治理鴻溝──為投資人指出哪些企業會跨過分水嶺,哪些會被甩開。本文為 AI 投資系列首篇。
當 AI 從工具進化為協作者,真正的競爭力不在模型,而在組織。七份權威報告交叉拆解:大多數企業還沒有準備好──而這正是投資人下注的窗口。
一、序言:AI 已經被搬上董事會的桌子
2026 年了,AI 已經不是 IT 部門角落的小實驗。它直接被搬上董事會的桌子,CEO 親自盯著看。
從 KPMG、Deloitte、McKinsey、Accenture、Stanford HAI、EY 等多家權威機構在 2026 年初發布的研究中,你可以很清楚地看到企業 AI 的話題正在悄悄改變:從「技術導入」變成「組織轉型」、從「會用模型」變成「會管 agents」、從「省成本」變成「重塑工作」。投資金額屢創新高、CEO 親自帶頭、agent 規模化的論述佔據各大顧問機構的封面。但故事的另一面,其實沒有那麼光鮮──大多數企業根本還沒準備好。
ChatGPT 之類的 chatbot 是「問一句、答一句」──你要它做什麼,它寫字回給你,動手做的還是你。Agentic AI 多了「會動手」這一步:你給它一個目標(例如「幫我訂下週去東京的機票」),它會自己去開瀏覽器、比價、填表單、刷信用卡、把行程寄給你。
所以 agent ≠ chatbot,差別不在嘴巴,在「手」。本文反覆出現的「agents」,你可以理解為「能自己做事的 AI」。
本文整理 KPMG《Global AI Pulse Survey Q1 2026》、Deloitte《State of AI in the Enterprise 2026》、McKinsey《State of AI Trust in 2026: Shifting to the Agentic Era》、McKinsey《Building the Foundations for Agentic AI at Scale》、Accenture《The Age of Co-Intelligence》、Stanford HAI《AI Index Report 2026》與 EY《AI Pulse Survey Wave 3》七份研究,試圖回答企業領導者最關鍵的五個問題:錢花得多不多?規模化做不做得起來?治理跟不跟得上?基礎建設準備好了嗎?以及──當 agents 接手執行,人到底要做什麼?
七份報告之間,有共識也有分歧。
共識:agentic AI 已從概念走入部署、投資的速度遠快於組織調整的速度、治理與資料基礎才是真正的瓶頸。分歧:多少企業真正規模化?ROI 怎麼算?人類在這場變革中扮演什麼角色?接下來我們會逐一拆解,並從交叉比對中,為領導者──以及更重要的,為投資人──提煉出可以付諸行動的洞察。
這篇文章其實很少談模型本身的進展,反而聚焦在組織、治理、資料、人才這些「非技術」議題。對 CEO 來說,這是執行清單;但對投資人來說,這就是選股 alpha 的來源──當技術已經不是瓶頸、組織能力決定誰跨得過去,我們的工作就是辨識「誰會跨過去」、「誰賣鏟子給跨過去的人」、「誰會被甩開」。這也是這個 AI 投資系列的核心提問。
讀者會發現,如果說 2023–2024 年是 LLM 競賽之年、2025 年是試點之年,那麼 2026 年無疑是「能不能規模化」的試煉之年。技術已經不再是瓶頸,組織與治理才是。
在進入主題之前,先讓你快速認識七份報告各自看的是什麼角度:
| 報告 | 側重視角 | 適合用來看 |
|---|---|---|
| KPMG《Global AI Pulse Survey Q1 2026》 | 季度性高階主管調查:投資意向、規模化進度、風險認知 | 市場正在做什麼 |
| Deloitte《State of AI in the Enterprise 2026》 | 從雄心到啟動的執行落差、sovereign AI、physical AI | 策略視角 × 細部執行 |
| McKinsey《State of AI Trust in 2026》 | Responsible AI 與治理面向,訪談約 500 個組織 | 治理與信任的全球落差 |
| McKinsey《Building the Foundations for Agentic AI at Scale》 | 資料、基礎建設、平台層的技術導向 | 對 CIO、CDO 最有用 |
| Accenture《The Age of Co-Intelligence》 | 與 Wharton 合作,工作時數重塑、人類角色演變 | 經濟影響量化估計 |
| Stanford HAI《AI Index Report 2026》 | 技術、產業、政策、教育、地緣、環境 | 宏觀基準 |
| EY《AI Pulse Survey Wave 3》 | 第三輪追蹤性調查,RAI 實踐與 Shadow AI | 時間序列變化 |
把七份報告交叉看,你能同時看到「市場熱度」(KPMG、EY)、「執行落差」(Deloitte)、「治理現況」(McKinsey Trust)、「技術基礎」(McKinsey Foundations)、「人類角色」(Accenture)、「宏觀基準」(Stanford HAI)六個層次,構成一個相對完整的 2026 企業 AI 全景。
二、投資狂熱與價值落差:錢進得快,值還沒現
2026 年的企業 AI 投資,進入了前所未有的高峰。
KPMG 在《Global AI Pulse Survey Q1 2026》中指出,全球領導者計畫未來 12 個月平均投入 1.86 億美元在 AI 上。更驚人的是:74% 的領導者表示,即便經濟進入衰退,AI 仍然是最優先的投資項目。
這個數字打破了一個老慣性。過去幾次科技循環,只要景氣下行,IT 預算第一個被砍。這次不一樣,AI 被當成「危機中必須加碼」的東西,而不是「景氣好時才能投入」的奢侈品──這是企業思維的一個重要分水嶺。
EY 在《AI Pulse Survey Wave 3》進一步丟出讓人眼睛一亮的數字:「96% 投資 AI 的組織在過去一年看到生產力提升,超過半數(57%)看到顯著的生產力提升」,而「97% 的高階主管表示組織從 AI 投資中看到正向 ROI」。
把過去十年的 ERP、CRM、雲端遷移拿來對照,任何一項投資只要有 97% 的高階主管說「有回報」,都會被視為奇蹟。而 AI,似乎做到了。
但 KPMG 在同一份報告裡馬上潑了冷水:「花更多錢買 AI 並不等於創造更多價值。」雖然 64% 的組織說 AI 已經帶來實質商業成果,但他們同時也卡在「衡量與量化價值」、「治理跟不上速度」、「資料隱私與資安風險」、「員工抗拒」等多重挑戰,導致很多全球組織還停留在「實驗與試點」的階段。
換句話說,「滿意度」跟「真價值」之間,還有一道沒閉合的縫隙。
從雄心到啟動的鴻溝
這個落差在 Deloitte《State of AI in the Enterprise 2026》中,被取了個很傳神的名字:「從雄心到啟動的鴻溝」(From Ambition to Activation)。
Deloitte 觀察到:「74% 的組織希望未來能用 AI 推動營收成長,但目前真正做到的只有 20%。」願景幾乎是現實的四倍。Deloitte 把企業分成三個層次:
| 層次 | 比例 | 實質意義 |
|---|---|---|
| 深度業務轉型 | 34% | 真正用 AI 重塑商業模式 |
| 重新設計關鍵流程但保留原有商業模式 | 30% | 流程優化型 |
| 仍只在表層使用 AI | 37% | 「採用了 AI」但實質效益有限 |
EY 的觀察也印證這個落差。「投入超過 5% 預算在 AI 的組織正在快速拉開差距」──技術升級(82% vs. 62%)、客戶滿意度(78% vs. 55%)與資安(78% vs. 49%),高投資組與低投資組已經明顯分歧。EY 用一句話總結:「投入越多,回報的不對稱性越大」。AI 不像傳統 IT 投資那樣有遞減邊際效應,反而呈現「贏者通吃」的態勢。
這對中型企業是進退兩難:不投資會被甩開,小規模投資又可能跨不過正向回饋的臨界點。
歸因落差:97% 看到回報,65% 說不清楚怎麼來的
生產力提升的歸因問題,也越來越尷尬。EY 指出:「在已看到生產力提升的組織中,65% 表示難以將生產力直接歸因於 AI 採用,63% 表示其他高階主管並不總是把生產力提升歸功於 AI。」
這個 attribution gap(歸因落差)是企業界少談、卻越來越關鍵的議題。想想看:當生產力提升,功勞要算誰的?是 AI?是流程改善?是員工努力?還是因為今年訂單剛好較多?在缺乏明確衡量機制的情況下,AI 投資的「正當性敘事」會持續被內部挑戰,財務長跟 CEO 之間的張力也會越來越大。
Stanford HAI 從更宏觀的角度確認了 AI 經濟價值的爆發:「2026 年初,生成式 AI 工具對美國消費者的年度價值已達 1,720 億美元,每位使用者的中位價值在 2025 到 2026 年間翻了三倍。」AI 已經從「值得試試看」走到「不用就會輸」的階段。
但這個價值要怎麼被企業端的 P&L 結構吸收、變成可審計的收入或成本節省?還需要更精緻的衡量工具與會計框架。
把這節翻譯成投資語言:97% vs. 65% 的張力就是 AI 主題股最大的評價迷霧。當 CEO 們無法清楚歸因 AI 投資的回報,他們的反應只有兩種──「先停一下」或「越花越多以證明自己沒錯」。前者會造成第二波支出修正(對賣鏟子的公司是短線風險),後者會造成資本支出失控(對 hyperscaler、GPU、電力供應鏈是長線多頭)。觀察哪些 CFO 開始要求「AI ROI 可審計化」,會比追逐財報的 AI 提及次數有用得多──那才是泡沫退潮時、誰會繼續花錢的真正訊號。
三、規模化的鴻溝:90% 卡在試點
如果 2025 年是 AI 試點之年,那麼 2026 年最大的問題就是:為什麼大多數試點上不去?
McKinsey 在 2026 年 4 月發布的《Building the Foundations for Agentic AI at Scale》中給了最直接的答案:「全球將近三分之二的企業已經實驗過 agents,但不到 10% 真正規模化並產出可量化價值。」
這個 60-10 的落差,就是 2026 年企業 AI 最具代表性的痛點。想像一下:你的公司花了一年的時間、數百萬美元的預算,試過十個 agent 用例,最後只有一個真的跑到生產環境。這不算失敗──因為這就是市場平均水準。但這也意味著,絕大多數的投入並沒有變成持續的商業價值。
KPMG《Global AI Pulse Survey》對「規模化」做了更細的拆分:「32% 的企業已經部署並擴展 agents,另有 27% 已開始協調多個 agents。」整體規模化最快的是亞太(49%),其次是美洲(46%)與 EMEA(42%)。
乍看數字比 McKinsey 高很多,但兩份報告的差別其實反映了「規模化」定義的模糊──KPMG 把「已部署並擴展」與「協調多個 agents」都算進去,McKinsey 則要求「產出可量化價值」。標準一收緊,規模化的比例就大幅下降。
這個定義分歧本身就是訊號:行業還沒對「規模化」建立統一的衡量標準,各家顧問各說各話,企業內部很容易就掉進「我們已經部署了 agents,所以算規模化」的自我安慰。
真正的瓶頸不是模型,是資料
McKinsey 進一步點出:規模化失敗的根本原因「不在於 AI 模型本身,而在於底層的資料與基礎建設」──「8 成企業把資料限制列為 agentic AI 規模化的最大障礙。」
這意味著 2026 年企業 AI 的競爭,已經不在 LLM 選型,而在「資料平面」(data plane)──誰能讓不同部門的資料以統一語意被 agents 即時讀取,誰就能贏。對 IT 與資料部門而言,這是一個重要的策略轉折:過去把資源放在「導入新模型」的團隊,現在必須轉向「打造能讓 agent 跑得起來的資料基礎」。
舉個生活例子:公司 A 部門說「客戶」=「下過單的人」、B 部門說「客戶」=「註冊過的人」。AI agent 要跨部門協作時,會搞不清楚到底要服務哪一個。
語意層就是一本「公司內部辭典」,把每個業務名詞(客戶、訂單、活躍使用者、回購率……)統一定義給機器看。沒有它,AI 越聰明,誤會越多。所以業界才會說「分享意義,不只是分享資料」──資料給了沒用,還要附上定義說明書。
Deloitte 從另一個角度確認了這個瓶頸:「技術基礎建設準備度為 43%、資料管理為 40%、人才準備度跌至 20%──而這些數字都比去年下降。」下降不是因為企業退步,而是 AI 進化的速度遠快於企業準備度的提升速度,實際落差反而擴大。
Deloitte 把這個現象稱為「跑步機效應」:企業在跑,但 AI 跑得更快。即便去年才完成了一輪基礎建設投資,今年仍可能再次面對「準備度不夠」的局面──這是 AI 時代的新常態。
Accenture《The Age of Co-Intelligence》則從機會面給了量化的天花板:「對於一家年營收 600 億美元的公司,Agentic AI 在 full maturity 下可帶來約 60 億美元的潛在年營收成長,以及 17 億美元的年生產力效益。」但若 9 成企業卡在試點,絕大多數公司只能看著這個天花板,摘不到。
規模化的勝出者做對了什麼?
McKinsey 在《State of AI Trust in 2026》提供了線索:「每年投入 RAI(Responsible AI)2,500 萬美元以上的組織,其成熟度顯著較高,並且更可能實現具有實質影響的 AI 效益,包括 EBIT 影響超過 5%。」
這支持一個重要結論:規模化不是「再多買幾個模型」,而是「在治理、資料、人才、流程上做系統性投資」──而這需要持續、不打折的承諾。
換句話說,規模化的勝出者不是「最會買 AI 的人」,而是「最會打地基的人」。
EY 對 agentic AI 的部署則給了一個比較務實的觀察:「34% 的高階主管表示其組織已開始部署 agentic AI,早期採用者把 agents 用在實際的工作場景中。」但 EY 也提醒,雖然採用率上升,「agentic AI 仍然是一場卡在演化中的革命(a revolution stuck in an evolution)」──因為治理、信任與內部對 agent 行為的可見性都還沒跟上。
革命快,演化慢,中間的張力就是規模化的真正戰場。
這節是整個 AI 投資邏輯的核心:當 9 成企業卡在試點、8 成把資料列為最大障礙,真正能持續變現的不是「賣 AI 應用給企業」的軟體公司(他們的客戶買了用不起來),而是「幫客戶把資料地基蓋好」的公司──資料平台、語意層、向量資料庫、observability、治理工具、合成資料、企業搜尋。這也對應到「賣鏟子比挖金子穩」的經典邏輯,但這次的鏟子不是 GPU,而是讓 GPU 算的資料能流進來的那一層。第二篇會逐一拆解。
四、Agentic AI 的崛起:從「說錯話」到「做錯事」
2026 年的 agentic AI 跟 2024–2025 年的 chatbot/copilot 之間,有一個本質上的差異:agents 會自主決策、調用工具、執行動作。風險的本質也跟著徹底改變。
McKinsey 在《State of AI Trust in 2026》中,點出了一句直擊核心的話:「在 agentic AI 時代,組織不能只關心 AI 系統說錯話的風險,還必須面對 AI 系統做錯事的風險──包括採取非預期動作、誤用工具、或在適當的護欄之外運作。」
這句話標誌了企業 AI 風險典範的根本轉移:從輸出風險(output risk)轉為行為風險(action risk)。
一個 chatbot 說錯話,你皺一下眉頭就過去了;一個 agent 做錯事,可能是把錯誤的價格送進訂單系統、把錯誤的金額轉入錯誤的帳戶、把錯誤的權限授予錯誤的人。風險的「半徑」與「速度」都被放大數個量級。
不是 AI 嗑藥。大型語言模型(LLM) 是用「統計上最可能的下一個字」來生成內容的──它沒有「我不知道」這個選項,所以當資料不夠時,它會「合理地編一個」給你,文法通順、語氣自信,但內容是錯的。
Stanford 報告講的「22%–94% 的 hallucination 比率」就是:不同情境下,模型「自信地編」的比例。對 chatbot,影響是你看到錯誤資訊;對 agent,影響是它根據錯誤資訊「動手做事」。後者的後果,大到無法挽回。
認知與行動的落差
KPMG 調查發現,「將近四分之三的領導者對資料安全、隱私與風險表示某種程度或高度的擔憂──這是所有評估因素中最高的。」這個高度擔憂本身不是壞事,反而代表企業終於從「興奮期」進入「責任期」。但擔憂歸擔憂,實質行動是不是跟上,又是另一個問題。
McKinsey 進一步拆解風險認知:「隨著 AI 採用擴大,74% 的受訪者認為 inaccuracy 是高度相關的風險、72% 將 cybersecurity 列為高度相關。但跨幾乎所有風險類型,受訪者都報告『所認為的相關風險』與『實際在處理的風險』之間有顯著落差,這個落差在『智慧財產侵權』與『個人隱私』兩項尤為明顯。」
這個 perception-action gap(認知與行動落差),是 agentic AI 時代最危險的議題之一。企業知道風險在哪,但治理、流程、工具、責任分配都還沒到位。最危險的不是不知道風險,而是知道風險卻沒有對應的防線──那是一種「有意識的脆弱」。
Shadow AI 與 Hallucination 的複合風險
EY 觀察到「Shadow AI」(影子 AI)正在加劇:當企業治理跟不上速度,員工會私下使用未經授權的 AI 工具,把企業資料暴露於難以追蹤的風險中。EY 在 Wave 3 報告中指出,「Responsible AI 採用比例從第一波的 49% 上升至第三波的 59%,並預期下一年將進一步上升至 64%」──但這仍意味著有 4 成的組織還沒有把責任 AI 納入日常實踐。
Stanford HAI 從宏觀視角揭露了一個讓人不安的趨勢:「最能幹的模型如今透明度最低。」在涵蓋 26 個頂尖模型的新準確性基準中,「hallucination 比率介於 22% 到 94% 之間」──就算是企業選用的旗艦級模型,在某些情境下也可能高比例地產出不實內容。對 agentic AI 尤其危險,因為一旦不實內容被 agent 當作決策依據並付諸行動,錯誤就會被「動作化」。
Stanford 同時指出,即便贏得國際數學奧林匹亞金牌的模型,讀類比時鐘的正確率只有 50.1%。這個對比強烈提醒企業:模型的能力是高度不均勻的,在 agent 部署前,必須針對具體工作流的「邊角案例」做大量壓力測試。
Accenture 則從責任視角丟出一句警語:「智慧可以規模化,但責任不行。」(Intelligence may be scalable, but accountability is not.)即便 AI 移除了「思考量」的上限,人類仍必須決定什麼重要、設定策略、承擔後果。
「從說錯話到做錯事」這個典範轉移,對應到投資邏輯就是一條全新的「AI 護欄產業鏈」:agent observability(可觀測性)、行為審計、權限管理、紅隊測試平台、AI 責任保險、合成資料、模型評估基準──這些在 2024 年還像 niche tooling,2026 年起會被董事會直接點名「年底前必須有」。同時,Shadow AI 的存在意味著企業端的端點安全、DLP(資料防漏)、SIEM 也會搭上 AI 治理升級的需求。這是「賣鏟子的第二層」:不是賣給 agent,而是賣給監管 agent 的人。
五、治理跟不上能力:信任、責任與安全的三重挑戰
如果風險的本質改變了,治理的設計也得跟著改變。但七份報告幾乎異口同聲地指出:治理嚴重落後。
Deloitte 給了最赤裸的數字:「Agentic AI 預期在客戶支援、供應鏈、研發、知識管理與資安等面向影響最大,但只有 21% 的公司表示對 agent 治理有成熟的模型。」
白話說就是──五家公司中有四家把 agents 推進生產環境時,治理框架還在草稿階段。這個比例對照規模化的 10% 數字,意思就是:即便在規模化的少數中,也並非每一家都治理成熟──部分企業就是「先跑再說」的代表。
聽起來像政治正確口號,其實就四件事:
(1) 公平(fairness)──不歧視特定族群;
(2) 透明(transparency)──說得清楚為什麼這樣決定;
(3) 隱私(privacy)──不把個資外洩;
(4) 可問責(accountability)──出事知道找誰。
對 chatbot,這四件事只是道德題;對 agent,這四件事是「行動權限」的紅線──哪些事它可以自己做、哪些事必須先報准,都靠這四條畫出來。McKinsey 觀察到,捨得在 RAI 上「每年砸 2,500 萬美元以上」的組織,EBIT 影響超過 5%,顯示治理不是合規花費,而是規模化的入場券。
McKinsey 也注意到區域差異:「亞太區整體 RAI 成熟度領先,但治理與 agentic AI 控制在所有區域都落後於資料與技術──這顯示一個全球性的治理一致性落差。」對全球性企業,這意味著治理是普世議題,集團整體的合規風險取決於最弱的那條鏈。
治理思維的根本轉型:從「事後審核」到「機器內建」
那治理到底要包含什麼?McKinsey 的另一份報告《Building the Foundations for Agentic AI at Scale》提出了四項基礎能力,其中兩項跟治理直接相關:
1. 將信任內建於平台中(Build trust into the platform by default):安全性、存取控制、隱私與 AI 治理應該預設啟用,而不是事後補上或手動管理。
2. 讓行為可見且可衡量(Make behavior visible and measurable):持續追蹤資料品質、模型表現、速度與成本,以便儘早發現問題並持續改善。
這兩項顛覆了過去的治理思維。傳統 IT 治理是「事後審核」──系統部署後再檢查合規。但在 agent 時代,「事後」常常已經來不及,因為 agent 在數秒內就能執行不可逆的動作。
McKinsey 提出的「預設啟用」與「行為可見」,本質上是把治理從「審核點」變成「機器內建屬性」。對 CISO 與 CIO 而言,治理工具的採購邏輯也跟著改變:不是買「能看 agent 做了什麼」的工具,而是買「不准 agent 做未經授權之事」的工具。
EY 提供了一個重要的數據:「Responsible AI 採用比例從第一波的 49% 上升至第三波的 59%,並預期下一年將進一步上升至 64%。」這顯示治理意識正在普及,但 EY 也指出 Shadow AI 持續抬頭、員工為了速度而繞過治理框架,「治理跟不上的代價,正在以個別事件的形式被付出。」
RAI 政策「存在」與被「遵守」是兩回事──任何一個 RAI 政策若沒有對應的工具與激勵設計,都只是紙上條文。
機率性系統需要新的治理框架
傳統 IT 治理建立在「可預測系統」的假設上──系統行為由程式邏輯決定,輸入相同則輸出相同。但 agentic AI 是「機率性系統」:即便輸入相同,輸出仍然可能不同。McKinsey 觀察到的「不知道 agent 會做什麼」,本質上不是 agent 不透明,而是「我們還沒有為機率性系統設計適配的治理框架」的問題。
對企業治理委員會而言,2026 年需要的不是補充更多稽核人力,而是重新定義:「什麼叫做合理的事前控制」、「什麼叫做合格的事後追溯」、「什麼叫做可接受的殘餘風險」。這些根本問題若不釐清,治理工具買得再多也只是表面安全感。
21% 治理成熟、79% 治理裸跑──這就是AI 治理 / 合規軟體(GRC for AI)未來 3 年最大的擴張缺口。從投資角度看三條主線:(1) 把治理「預設啟用」做進平台的 hyperscaler、(2) 提供 agent observability / red-teaming / evals 的獨立工具廠商、(3) 把機率性系統納入既有風控框架的法務科技、保險科技公司。三條線都有 incumbents 與挑戰者,選股關鍵在「客戶切換成本」與「治理被 hyperscaler 吞食」的相對風險──留待第二篇對照表拆。
六、資料與基礎建設:真正的瓶頸不是模型
七份報告綜合看,2026 年最被低估、卻最具決定性的議題是:資料與基礎建設。
McKinsey《Building the Foundations for Agentic AI at Scale》講得很直白:「8 成企業把資料限制列為 agentic AI 規模化的最大障礙。這個基礎建設挑戰,而非 AI 模型本身,才是阻礙成功規模化的核心議題。」
McKinsey 提出的四項基礎能力中,前兩項都跟資料有關:
| 基礎能力 | 核心內涵 |
|---|---|
| 共享的語意基礎 (Shared Semantic Foundation) |
分享意義,不只是分享資料。資料附帶清晰、共通的定義,讓分析、AI 模型與 agents 都以相同方式理解。 |
| 統一的資料基礎建設 (Unified Data Infrastructure) |
為分析與 AI 使用同一個資料基礎。資料建一次、處處可用──報表、機器學習、生成式 AI──而不是各跑各的管線。 |
第一項就是前面那個「公司內部辭典」的概念──不同部門對「客戶」、「訂單」、「活躍使用者」的定義不一致,agents 就會在跨部門協作時打架。語意層(semantic layer)正在成為企業資料架構的新核心。
第二項則挑戰了過去十年企業資料架構的常見做法(BI 一條管線、ML 一條、Gen AI 又一條),建議從根本上整併。整併的代價很可觀──多年累積的資料管線無法一夜重寫──但 McKinsey 暗示:不做這件事就規模化不起來。對 CIO 而言,這是個需要 3–5 年策略規劃的議題。
跑步機效應:準備度連年下降
Deloitte 從另一個角度確認了這個瓶頸:「技術基礎建設準備度為 43%、資料管理為 40%、人才準備度跌至 20%,這些數字都比去年下降。」下降的原因不是企業退步,而是 AI 進展太快、企業跟不上。
Deloitte 進一步指出,當 agentic AI 與 physical AI(實體 AI)同時擴張,基礎建設的壓力會以複合方式呈現:「58% 的公司報告至少有限度地使用 physical AI,使用任何形式 physical AI 的公司比例預期兩年內達到 80%。」
傳統自動化是「寫死流程」──機械手臂照程式跑,程式怎麼寫就怎麼做,環境變了就罷工。
Physical AI 是「有大腦的機器」──機器人「看到」貨架空了,會自己決定要不要去補貨、補哪一個。包含:自動倉儲、自駕車、人形機器人、智慧攝影機、無人配送車。
當它出錯,後果不是螢幕跳紅字,是貨送錯人、撞到牆、傷到人。Deloitte 預期兩年內 80% 公司會用到這類 AI,意味著「資料品質」不再是 IT 部門的內部問題,而是直接影響顧客、合作夥伴、員工安全的策略議題。
一旦 agents 不只是在後台跑流程,而是控制機器人、無人車、自動倉儲,基礎建設的延遲容忍度會大幅下降。
電力、排碳、資料品質的連鎖效應
Stanford HAI 從產業整體視角揭示了另一個基礎建設層面的挑戰:「AI 資料中心電力容量達到 29.6 GW,約相當於整個紐約州尖峰時段的用電量。Grok 4 的訓練排碳估計達 72,816 噸 CO2 當量。」
意思是,當企業擁抱 agentic AI,間接也在背負更大的環境成本與能源成本。對 CFO 與永續長(CSO)而言,2026 年起 AI 算力消耗將成為一個需要與排碳承諾協調的議題,「AI 用得多」可能會跟「碳排目標」直接衝突。
從另一個角度看,「資料就緒」對 agentic AI 的意義也跟過去 BI 時代不同。BI 時代,資料品質的問題大多以「報表錯誤」的形式出現;但在 agent 時代,品質有瑕疵的資料一旦被 agent 讀入並付諸動作,錯誤就會被自動放大、被快速擴散、甚至跨系統傳播。
結合 Deloitte 提到的「physical AI 兩年內達到 80% 採用率」,更把資料品質與實體世界連結:一份錯誤的庫存資料,過去可能讓一個分析師重作試算表,未來可能讓自動倉儲機器人把錯誤的貨物送上錯誤的車。
McKinsey 對基礎建設的最後一句話值得抄錄為座右銘:「Agentic AI scales on strong data.」要規模化 agents,先讓資料規模化。
這節是全文最重要的選股座標:當 80% 企業把「資料」列為最大障礙、又有 80% 將在兩年內投入 physical AI──這直接定義了未來 3 年 capex 的去向。三條最厚的供應鏈:(1) 資料平面層──資料雲、湖倉、語意層、向量資料庫;(2) 算力與電力層──hyperscaler、GPU、ASIC、AI ASIC 周邊、電力 / 變電 / 散熱基礎建設;(3) physical AI 介面層──機器視覺、邊緣推論、感測器融合、自動化 OT/IT 整合。注意「電力與碳排的衝突」會逼出新的能源主題股──核電、SMR、長時儲能、再生能源 PPA──這是 AI 浪潮的「第三層鏟子」,也是最容易被低估的部分。第二篇會用一張供應鏈地圖把這三層攤開。
七、勞動力與技能:共同智能下的人類定位
當 agents 接手執行,人要做什麼?這個問題在七份報告中,以不同角度被反覆探討。
Accenture《The Age of Co-Intelligence》提出了一個關鍵概念:從「工具」進化到「共同智能」(Co-Intelligence)。Accenture 寫道:「AI 使用正從工具轉向 co-intelligence,人類引領、AI 放大判斷、執行與自主性。AI 已從單純的工作輔助(augmentation),轉變為能解讀意圖、推理選項、協調步驟,並在跨功能間以機器速度執行有界限工作的協作者。」
就像導演與剪接師。導演(人)決定「這部片要拍什麼」、「哪一段最重要」;剪接師(AI)以驚人的速度處理素材、提供版本選擇、找出最好的鏡頭組合;但最後拍板還是導演。
Accenture 的觀察是:未來工作不再是「人用 Excel」,而是「人指揮一群會自己跑的 AI 助理」。你的價值不在會不會用工具,而在「會不會指揮」、「能不能判斷什麼是好作品」、「會不會問對的問題」。
這個轉變意味著工作的本質改變:不再是「人用工具做事」,而是「人與 agent 共同完成任務」。Accenture 進一步量化了影響範圍:「美國經濟中超過 50% 的工作時數正在被約 60 種數位與實體 AI agents 重塑,涉及 18 個產業超過 1.2 億勞工。」
即便是被認為「最有創意」、「最人性化」的工作,例如行銷、設計、研究、寫作,也已經有 agent 介入其中至少一個環節。
哪些人類能力會升值?
KPMG《Global AI Pulse Survey》給了一個反向觀察:agent 普及不代表人類能力可有可無,反而讓某些人類能力的價值上升。「領導者越來越重視批判思考與解決問題能力(49%)、適應力與持續學習(52%)、創造性與策略思考(41%)──這強化了一個訊息:即便 agents 持續擴大,人類能力仍然不可或缺。」
這三項能力的共同點是:它們都是 agent 難以替代、但能補位 agent 弱點的能力。批判思考補位 agent 的 hallucination 風險、適應力補位 agent 在邊角案例的脆弱、創造性補位 agent 在「定義問題」上的不足。
裝了沒用:啟動落差的另一個切面
Deloitte 觀察到員工接觸 AI 的速度遠快於使用率:「員工 AI 工具普及率一年從不到 40% 跳升至 60%。但在有工具可用的員工中,真正每日工作流程中使用的人不到 60%。」這就形成了著名的「裝了沒用」現象:工具有了,習慣沒養成。
EY 從生產力歸因角度補上了另一個維度:「在已看到生產力提升的組織中,88% 表示這是領導者被評估的關鍵指標。但 65% 表示組織難以將生產力提升直接歸因於 AI 採用,63% 表示其他高階主管不總是把生產力提升歸功於 AI。」
當人與 agent 共同產出時,績效該怎麼歸屬?KPI 怎麼設計?績效獎金怎麼分?這些 HR 與績效管理的根本問題,目前都還沒有成熟答案。
Stanford HAI 揭示了一個結構性轉變:「生成式 AI 在三年內達到 53% 人口採用率,快於 PC 或網際網路,但採用速度因國家而異,且與人均 GDP 高度相關。組織採用率達 88%,5 個大學生中就有 4 個現在使用生成式 AI。」
未來進入職場的新鮮人,「使用 AI」幾乎已經是預設能力。企業若以「員工會不會用 AI」作為訓練門檻,將很快被職場現實超越。真正的訓練應該放在:「人與 agent 如何協作」、「如何驗證 agent 輸出」、「如何在 agent 行動的責任邊界內工作」這些更高階的能力。
「co-intelligence」+「裝了沒用」這兩條訊號交叉看,投資邏輯是:銷售給「使用者」的純 AI 訂閱會走鈍(因為很多人沒在用),反之「把 AI 嵌入既有工作流」的公司(垂直 SaaS、嵌入式 copilot)會吃到實際採用率提升的紅利。同時看一條冷門但會被低估的線:當 KPI 因 AI 而需要重新設計,企業 HR / 績效管理 / L&D 平台會迎來一波結構性升級──不只是賣訓練課程,而是重新定義「績效」這個資料的結構。這是「賣鏟子的第四層」──組織能力升級。
八、全球競爭與主權 AI:地緣政治新戰場
七份報告中,有兩份特別強調了 AI 的地緣政治面向,而這個議題的重要性正在快速上升。
Stanford HAI 提供了一個關鍵觀察:「美國與中國的模型差距已實質縮小。自 2025 年初以來,美中模型已多次在排行榜頂端交替領先,截至 2026 年 3 月,Anthropic 的旗艦模型僅領先 2.7 個百分點。」
這個數字打破了過去「美國領先一個世代」的敘事。對企業而言,這意味著 AI 供應鏈不再是「美國一家獨大」,而是兩極競爭、有時甚至是三極(歐洲、阿拉伯國家、印度也在發力)。
想像一下「國產車」概念。當 AI 變成水電一樣的基礎設施,各國開始問三個問題:
(1) 我們的資料能不能放在別國的雲?
(2) 萬一兩國交惡,AI 服務會不會被切斷?
(3) 別國的 AI 模型是不是內建了我們不希望的價值觀或偏見?
於是各國推自己的 hyperscaler(超大規模雲端公司)、自己的 LLM、自己的 AI 監管法規。對企業來說,採購 AI 不再只是「便宜好用」,還要看「政治上會不會出事」。Deloitte 報告的 77% 公司現在會把供應商國別納入採購決策,就是這個轉變的具體訊號。
Deloitte 從採購決策的角度確認了主權 AI(Sovereign AI)的崛起:「77% 的公司現在會把供應商國別納入採購決策,將近 3/5 主要使用本地供應商來建構 AI stack。」
這是一個典範轉移:過去十年企業採購雲端與 AI 工具時,很少問「這家公司是哪國的」。但 2026 年起,這個問題會變成標準題。
亞太的領先與雙向回流
McKinsey 也提到區域差異:「亞太地區整體 RAI 成熟度領先,但治理與 agentic AI 控制在所有區域都落後於資料與技術。」KPMG 的地區拆分同樣有用:「Agent 規模化最高的是亞太(49%),其次是美洲(46%)與 EMEA(42%)。」
亞太地區的領先反映了一個事實:資源相對受限、人力成本上升較快的市場,反而更積極地把 agents 用在生產力突破上。
對亞太地區企業而言,這既是壓力也是機會:壓力是要追上同區域對手的步伐;機會是,你身處的市場有最強的 agent 採用文化,本地經驗可以反向輸出。這顛覆了傳統「總部設計、各區執行」的治理流向,呼喚一個更雙向的全球治理架構。
供應鏈韌性也是 AI 議題
地緣政治的另一個面向是供應鏈韌性。當 AI 模型成為關鍵生產要素,而模型提供商集中於少數幾個國家時,任何一場地緣政治衝突都可能切斷企業的 AI 供應。Deloitte 觀察到的「採用本地供應商」趨勢,本質上也是企業在為這種風險避險。
對企業策略部門而言,2026 年的 AI 採購不再只是「哪家便宜、哪家好用」,還要加上「在地緣政治壓力下,哪家最不會被切斷」這個新維度。
主權 AI 的崛起 = 一個正在快速成形的「地緣 AI 護城河」。從投資邏輯看三條主線:(1) 區域型 hyperscaler 與主權雲──歐洲、中東、印度、東南亞的本地 AI infra 玩家;(2) 地緣中性的「中間商」──能同時對接 NVIDIA、AMD、ASIC,並符合各國資料主權的中介平台;(3) 美中模型差距 2.7 個百分點 意味著「美國一家獨大」的軟敘事溢價會被壓縮,而能提供「多模型路由」的工具(model router、inference gateway)會吃到結構性紅利。這條線最考驗投資人對地緣與監管的判讀。
九、結語:給投資人的五個提問框架
綜合七份報告,我們可以歸納出五個 2026 年企業領導者應該優先處理的議題。但我們把這份「企業領導者清單」翻轉為「投資人提問框架」──同樣五題,問的不是「我的公司準備好了沒」,而是「我看上的公司,有沒有在正確的位置」。
| # | 原來給 CEO 的指引 | 翻轉為投資人的提問 |
|---|---|---|
| 1 | 把治理與規模化視為同一件事 | 這家公司是「賣治理工具」、還是「沒治理就跑」?前者長線確定性高,後者短線爆發但有黑天鵝。 |
| 2 | 投資資料平面,不只投資模型 | 它的 AI 故事是「賣應用」還是「賣資料地基」?後者的客戶轉換成本通常高一個量級。 |
| 3 | 設計人與 agent 的協作工作流 | 它是「賣訂閱讓你自己用」、還是「把 AI 嵌進你現有的工作流」?後者實際採用率高很多。 |
| 4 | 把 ROI 衡量制度化 | 它的客戶是用「方案 ARR」還是「使用量計費」買單?後者的續訂率更貼近真實價值。 |
| 5 | 為「做錯事」做準備 | 它是不是「在 agent 做錯事時會被告」的公司?如果是,法務與保險成本要算進估值。 |
七份報告共同描繪的 2026 年,不是 AI 突飛猛進的故事,而是企業組織能不能跟上 AI 的故事。
Agentic AI 不只是新一代的工具,它重塑工作如何被結構化、決策如何被分配、風險如何被管理、價值如何被衡量。這讓它本質上是一場管理與領導力的變革,而不只是一場技術升級。
對企業領導者而言,真正的議題不是「我們今年要不要更積極導入 AI」,而是「我們的組織架構、治理框架、人才制度、資料平面、衡量機制是否準備好讓 agents 真正創造價值」。在七份報告的共同訊號中,答案幾乎一致:大多數企業還沒有。但好消息是,提早行動、系統性地補上缺口的企業,在 2026 年就能拉開難以縮小的差距──而那條差距,正是未來十年競爭力的真正分水嶺。
「廣度」與「深度」的選擇
2026 年企業 AI 的另一個重要區分:「廣度」與「深度」。Deloitte 觀察到的「34% 深度轉型、30% 流程重新設計、37% 表層使用」三分法,提供了一個自我檢視的鏡子。
很多企業在董事會報告中傾向強調「廣度」──多少員工有 AI 工具、多少部門有部署 agents──但廣度本身不等於價值。真正的價值取決於深度:有多少關鍵流程因 agent 而被根本改寫?有多少決策因 agent 而提速了一個量級?有多少新的營收模式因 agent 而成為可能?
KPMG 的「64% 已看到實質商業成果」與 Stanford HAI 的「組織採用率達 88%」之間的落差,暗示廣度的故事可能已經被講得太多,深度的故事還剛開始。
本文整合的七份報告雖然都來自全球頂尖的研究機構,但它們對 2026 年企業 AI 狀態的觀察並非完全一致。例如,EY 報告的 97% 正向 ROI 與 McKinsey 的「不到 10% 真正規模化」之間,存在明顯的張力──這個張力本身值得每位企業領導者與投資人深思:在你關注的組織中,他們是「看到了正向 ROI」的多數派,還是「真正規模化」的少數派?這兩個身份不衝突,但實質意義完全不同。前者代表「方向是對的」,後者代表「執行已到位」。2026 年的競爭力,將取決於能否從前者進化到後者。
誰才是企業 AI 浪潮的真正受惠者?
這篇拆完了「企業在做什麼」,下一篇我們翻面看:當 90% 企業卡在試點、80% 把資料列為最大障礙、79% 治理裸跑、77% 開始問供應商國別──誰會接住這些需求的訂單?
第二篇將以「四層 AI 投資地圖」拆解必備、長線受惠的公司:
- 第一層:算力與電力──GPU、ASIC、hyperscaler、AI 資料中心、電力 / 散熱基礎建設、SMR 與長時儲能
- 第二層:資料平面──資料雲、湖倉、語意層、向量資料庫、合成資料、企業搜尋
- 第三層:治理與護欄──agent observability、red-teaming、AI 治理 GRC、AI 責任保險、端點安全升級
- 第四層:嵌入式應用──垂直 SaaS、嵌入工作流的 copilot、HR / 績效管理平台、physical AI 介面層
每一層挑出 3–5 家代表性公司,套用 PVL 護城河五件套與四道防禦濾網盤點,標註「可深入研究」、「觀察名單」、「概念股勿追」三類。Think with me, not just trade with me.
資料來源
本文整合的七份權威研究報告:
- KPMG — Global AI Pulse Survey (Q1 2026)
kpmg.com/.../ai-pulse
新聞稿:kpmg.com/.../press-releases - Deloitte — The State of AI in the Enterprise 2026
deloitte.com/.../state-of-ai-in-the-enterprise - McKinsey — State of AI Trust in 2026: Shifting to the Agentic Era
mckinsey.com/.../state-of-ai-trust-in-2026 - McKinsey — Building the Foundations for Agentic AI at Scale
mckinsey.com/.../agentic-ai-at-scale - Accenture — The Age of Co-Intelligence(與 Wharton School 合作)
accenture.com/.../age-of-co-intelligence - Stanford HAI — AI Index Report 2026
hai.stanford.edu/ai-index/2026 - EY — AI Pulse Survey (Wave 3)
ey.com/.../pulse-ai-survey
本文撰寫於 2026 年 5 月,所有引用數據與觀點皆以前述七份報告公開發布內容為準。
本文為觀點分析,非個股投資建議。
© 2026 ProfitVision LAB · 柴柴行者 · 我教你怎麼想,不只是怎麼做
Comments ()