過去兩年，企業圈對 AI 的態度簡直像坐過山車。前年還在喊「不轉型就等死」，去年一堆公司砸錢買模型、跑 PoC，結果老闆們看著帳單開始皺眉。直到 SAP 這次攜手牛津經濟學院交出《Value of AI Report 2026》，調查了 13 國 2,600 位決策者，大家才終於看到一張比較清晰的成績單。報告顯示，AI 已經實際支援企業近三分之一的日常任務，Agentic AI 的 ROI 預期也從去年的 10% 跳升到 17%。這組數據背後的意義很明確：AI 已經跨過「新奇玩具」的階段，正式進入企業的核心流程。但問題來了，為什麼明明數據看起來不錯，超過六成的企業卻依然覺得「還沒拼出完整拼圖」？這背後藏著的，其實是策略、數據與治理的三連環卡關。
碎片化投資，才是 ROI 卡在中間的真正元兇
我仔細看了這份報告裡的一個數據，真的挺有意思的。超過一半的企業還在用「隨興式」的方式投入 AI，只有 17% 有系統性的策略規劃。這數字雖然比去年成長了將近一倍，但本質上還是少數。為什麼會這樣？很多時候是董事會先撂下一句「趕快讓員工用起來」，但下面的人連基本的 AI literacy 都沒建立好，就開始各自為政。結果就是辦公室裡冒出超多零散的 skunkworks 專案，資料品質參差不齊，最後只能做出「有活動量但沒結果」的假象。
更吊詭的是，69% 的企業對目前的 AI ROI 表示滿意，但 67% 卻又認為技術還沒發揮到極限。這說明了什麼？企業的滿意來自於「看到錢了」，但懷疑則來自於「知道還可以賺更多」。這種認知落差，正是未來一到兩年企業必須面對的轉型陣痛。我預測，接下來不會再是比誰買的模型最新，而是比誰能把 資料品質 和 流程治理 打通。能活過這波洗牌的公司，一定是先把底層數據的語境還原，再往上蓋應用。
從「寫程式」到「管代理」：Agent 正在重塑企業的經濟模型
說到這裡，就不得不提 Agentic AI。這東西跟過去我們熟悉的傳統問答系統完全不同。以往我們是問一句、答一句，現在則是把目標丟給系統，它自己會拆解步驟、呼叫工具、反覆驗證直到完成。SAP 舉了一個很具體的例子：原本會計師一個月要花 12 小時處理應計項目，現在一個 Agent 兩三小時就搞定。把這種效率拉平到整個企業流程，經濟效益根本是指數型成長。
但別高興得太早，報告裡有一個數據很扎心：只有 3% 的企業覺得自己做好準備了。為什麼？因為 Agent 的經濟學建立在兩個前提上：一是數據必須帶語境，二是治理必須跟得上。我把這份報告的核心矛盾整理成一張對比表，方便大家快速掌握現況與痛點的差異：
| 維度 | 過去 AI 應用階段 |
當前 Agentic AI 階段 |
|---|---|---|
| 核心任務 | 單點問答、資料擷取 | 多步驟推理、自主呼叫工具 |
| 數據需求 | 量大即可，清洗標準化 | 必須保留業務語境，否則語意斷層 |
| 治理焦點 | 人員使用監管 | 審計 Shadow Agents、權限生命周期管理 |
| 投資報酬率預期 | 約 16% | 跳升至 21%，兩年後預估達 1,590 萬美元 |
| 企業準備度 | 技術導向為主 | 僅 12% 完全準備好治理，75% 啟動人才重訓 |
「當你把資料從
ERP系統抽出來，所有語境和語意都會斷裂；而對生成式AI來說，那正是最有價值的部分。」—— Sean Kask, SAP 首席 AI 策略官
這段話點出了企業最容易被忽略的盲區。底層模型越來越強，但資料脫離了業務脈絡就只是一堆數字。SAP 用知識圖譜把超過 45 萬張 ABAP 資料表與 730 萬個欄位的關聯鎖死，就是要解決這個「語境流失」的問題。接下來，企業如果還只顧著堆模型，卻不處理 數據治理 與 影子 AI 的權責歸屬，很快就會發現 Agent 乾的活越多，踩的雷也越多。
人變了，系統才會動
最後我想聊聊這份報告裡一個常被技術派忽略的面向。幾乎 80% 的受訪者同意，要最大化 AI 價值不能只靠技術升級；75% 已經排定人才重訓計畫。對話的焦點正從「AI 會取代誰」轉向「人怎麼跟 Agent 配合」。畢竟代理程式再聰明，還是需要人類做最終判斷、重新設計工作流，並且承擔決策責任。SAP 把這種狀態稱為「自主企業」，核心邏輯很簡單：技術只是載具，真正的變革發生在人與流程的重新對齊。兩年內，我們會看到一批企業因為治理跟不上擴張速度而回馬槍，也會有一批先跑完這套「人、流程、代理」三合一功課的公司，悄悄拉開與同業的距離。
延伸思考與常見問題
Q1：報告裡提到的
Shadow Agents（影子代理）究竟是什麼，跟傳統的Shadow IT有什麼不同？ 答：Shadow Agents指的是企業內部員工未經 IT 部門核准，自行部署或使用的 AI 代理程式。與傳統Shadow IT主要是軟體或硬體不同，Shadow Agents能直接存取企業資料、執行業務動作，且因為缺乏集中管理，極易造成權限外溢與資料外洩風險。Q2：為什麼報告強調「資料語境（Context）」比「資料量」更重要，這在技術上怎麼實現？ 答：傳統機器學習需要大量標註資料來訓練模型，但生成式
AI與Agent依賴的是業務脈絡來理解「這張發票對應哪個供應商、符合哪條會計準則」。技術上通常透過知識圖譜（Knowledge Graph）或RAG（檢索增強生成）架構，將原始資料與企業的流程規則、權限邏輯綁定，避免資料脫離系統後變成無意義的孤立德。Q3：SAP 提出的「自主企業（Autonomous Enterprise）」具體長什麼樣子，目前產業走到哪個階段了？ 答：這是一種讓
AI Agent、企業流程與人員深度綁定的營運模式，搭配自然語言介面（如 SAP 的Joule）作為人機溝通橋樑。目前產業多數還停留在單點自動化或內部PoC階段，真正能跨部門串接資料、實現端到端自主決策的企業，估計在兩年內才會開始大量出現。