85% 還在試水溫，5% 已經上線：亞馬遜 AGI 主管點破企業 AI Agent 部署的真正卡關點

去年在 VentureBeat Transform 2026 的活動現場，亞馬遜 AGI 自主性部門主管 Bryan Silverthorn 甩出一組讓人背脊發涼的數據：根據 Cisco 的調查，85% 的企業正在試點 AI Agent，但真正送進生產環境（Production）的只有 5%。這道「試點地獄」的數學題，其實在過去兩三年裡早就顯露跡象。當大廠還在爭相展示 Agent 能寫程式、能跑數據分析時，企業客戶已經開始問一個更務實的問題：「它到底靠不靠譜？」Silverthorn 這次沒有拿新的 benchmark 出來秀肌肉，反而直言答案不在於把模型練得更聰明，而在於我們測量的方式根本沒對。這番話直接戳破了當前企業 AI 部署的泡沫，也讓業界開始正視一個被忽略已久的課題。

為什麼內部測驗全過，上線卻頻頻翻車？

我們來拆解 Silverthorn 提出的可靠性四維框架。他認為，業界習慣把「靠不靠谱」混為一談，但真正的工程標準應該切開成四個獨立維度：一致性（Consistency）、健壯性（Robustness）、可預測性（Predictability）與安全性（Safety）。這個框架源自普林斯頓的研究，但被帶進產業界後，才真正變成可操作的檢查清單。

舉個現場分享的真實案例。有一家企業部署了一個負責軟體 QA 的 Agent，專門從螢幕上抓取序號。前兩個月運作完美，突然某天開始時不時讀錯數字。查了半天發現，底層的 vision encoder 會因為序號出現在螢幕的不同位置而產生差異化行為，再加上前端 UI 做了一個人眼幾乎看不見的微調，就直接引爆了連鎖故障。你看，模型本身沒問題，問題出在我們根本沒針對「位置變異」或「UI 微調」設計對應的測量機制。

企業現在普遍只盯著 uptime（系統在線時間），卻完全忽略 accuracy（準確率）。這就像醫生只量心跳，卻不做血液檢驗。

為了更清楚看清這兩者的落差，我整理了一份對比：

維度	內部評估（Internal Eval）常見做法	生產環境（Production）真實需求
一致性	固定測試集跑多次，確認輸出穩定	需針對不同輸入分布（如螢幕位置、語氣）進行壓力測試
健壯性	忽略邊緣案例或假設環境乾淨	必須容忍 UI 微調、網路延遲、第三方 API 變動
可預測性	只看成功率百分比	企業需要知道「失敗時會怎麼失敗」以及風險邊界在哪
安全性	模型廠自帶的 LLM-as-judge 評估	需額外設定金流、資料外洩、錯誤執行的 undo 機制

過去一年多的經驗告訴我們，模型能力已經過剩，測量精度才是稀缺資源。亞馬遜內部也承認，大多數企業現在根本沒有自己的評估策略，純粹把命運交給模型供應商。這就像擲銅板決定信不信廠商，風險極高。

把 Agent 當「實習生」管，未來兩年會怎麼演？

Silverthorn 最讓我認同的一點，是他們在 AGI Lab 裡直接叫自己的 Agent 「實習生」（Intern）。這聽起來像玩笑，但背後是一套嚴謹的營運哲學。實習生很有潛力，但偶爾會犯蠢；你能給他們驚人的任務，也可能看著他們把實驗室炸了。所以管理重點不在於寫更多程式碼，而在於管理思維：隨時問自己「最壞會怎樣？」、保留備份與 undo 按鈕、明確劃定你能承受的風險區間。

亞馬遜的實驗室甚至已經允許 Agent 在深夜獨自執行實驗，只為了追求研究速度。這種「放權但留後路」的文化，正是生產環境最需要的。

展望未來一到兩年，我認為產業會經歷三個明顯的轉變：

1. 從「能不能做」轉向「能不能連續做對一千次」。企業採購 Agent 時，第一次的惊艳展示已經不夠看，穩定性會成為簽約的核心條款。
2. MCP（Model Context Protocol）與 API 的混合架構會成為主流。單靠模擬人眼操作螢幕（Computer Use）不夠，Agent 會同時串接後端 API 與標準化協議，打造端到端的自動化流程。
3. 自適應與自我改進（Self-improving AI）會從熱詞降溫。Silverthorn 直說這是個「充滿包袱的詞」。短期內，企業更需要的是可控的妥協，而不是讓 Agent 自己改自己的參數然後出包沒人知道。

最終，能突破那 5% 生產環境壁壘的企業，不會是擁有最聰明 Agent 的那一家，而是管理 Agent 最成熟的那一家。這波 AI 部署的洗牌，才剛剛開始。

延伸思考與常見問題