企業真正的問題已從「有沒有 AI」變成「有多少 AI Agent 正在存取資料、花錢與執行任務」。當 Shadow AI 升級為 Shadow Agent，AI Agent 管理就必須以 Agent inventory 盤點擁有人、用途、權限與成本，再用 AI ROI 檢查產出，讓 AI 治理 從口號變成可稽核、可停用的日常流程。
7%、49% 與 40 對 400，怎麼正確解讀？
這三組數字指向同一個管理問題，但證據層級不同：7% 與 49% 來自 KPMG 全球調查，40 對 400 則是 Reuters 轉述 Dataiku 在 Ai4 分享的單一未具名客戶案例。它們不應被混成「所有公司都有十倍 Agent」的結論。
| 說法 | 可驗證內容 | 正確解讀 |
|---|---|---|
| 2,145 名主管、7% | KPMG 於 2026 年 4 月 28 日至 5 月 25 日線上調查 20 個市場的 2,145 名高階主管；7% 自評已進入「Established ROI」階段。 | 代表受訪組織中只有少數認為成果足以證明投資合理，不等同會計師已逐案查核。 |
| 49% 重新調整部署 | KPMG 報告稱，當預期成本高於預期價值時，近半組織曾重新安排 Agent 部署；行動包含縮減、延後或暫停。 | 這反映成本紀律提升，不代表企業全面放棄 AI。 |
| 40 個變成 400 多個 | Reuters Breakingviews 於 2026 年 8 月 7 日報導，Dataiku 在 Ai4 表示，一次稽核發現某客戶有 400 多個 Agent，CIO 原先預估約 40 個。 | 這是未具名個案，適合用來說明 Agent sprawl，不能外推成普遍比例。 |
更重要的細節是：KPMG 同一份報告有 76% 受訪者認為 AI 已帶來有意義的商業價值，但只有 7% 把自己放在「Established ROI」的最高成熟階段。兩個數字並不矛盾。前者可包含生產力、成本節省、營收成長與決策改善；後者要求組織能說明這些成果為何足以合理化投資。也就是說，「感覺有幫助」與「能證明值得持續投入」之間，仍有一段管理落差。
Reuters 報導所在的 Ai4 大會於 2026 年 8 月 4 日至 6 日在拉斯維加斯舉行。現場討論已不只是哪個模型更強，而是企業如何面對成本、合規、治理與失敗的試點。這也呼應 AI 使用者成熟度模型的核心：真正的成熟，不是工具數量增加，而是問題定義、驗證與責任邊界更清楚。
Shadow AI 為何會升級成 Shadow Agent？
因為過去的 Shadow AI 多半是員工私下用工具產生內容；Shadow Agent 則可能帶著權限，自動讀資料、呼叫 API、更新紀錄、寄信或觸發下一個工作。風險從「有人用了未核准工具」變成「有一個未登記的數位執行者正在公司流程裡行動」。
Dataiku 對 Shadow Agent 的定義很實用：問題不在 Agent 天生具有自主性，而在它沒有被登記、管理，或無法被治理機制看見。小型客服分類器、資料監控腳本、低代碼流程、部門自行建立的 Copilot，甚至一段呼叫模型與多個工具的自動化，都可能逐步累積責任。當團隊開始依賴它，但沒有人能回答誰核准、使用哪個模型、讀過哪些資料、出錯時如何停止，它就形成了「automation debt」。
誰建立的？誰負責？能讀什麼資料？能採取什麼動作？最後一次被審查是什麼時候？如果其中兩題以上答不出來，就不只是文件沒整理，而是已出現可見度缺口。
這也解釋為什麼只管理聊天工具帳號不夠。Agent 可能藏在雲端平台、SaaS 內建功能、API 金鑰、低代碼工作流、內部程式與外包商交付物中；同一個業務流程還可能串接多個模型與子代理。企業需要把 AI 員工式的工作交辦，同步升級為可追蹤的數位身分、權限與績效管理。
Agent inventory 應該記錄哪些欄位？
一份可用的 Agent inventory，至少要同時回答「它是誰、誰負責、能做什麼、花多少錢、帶來什麼價值、出事如何停」。只有名稱與建立日期的清單，無法支持風險與投資決策。
NIST AI RMF Playbook 的 GOVERN 1.6 建議建立 AI 系統清冊，並記錄系統文件、事件應變、資料字典、程式碼連結與相關人員；Microsoft 的 Copilot Studio Agent inventory 也已把建立者、擁有人、環境、發布時間、驗證方式、模型、頻道與連接器列為可集中檢視的欄位。企業可以用這些官方做法作為底稿，再補上跨平台成本與成果。
| 管理欄位 | 要記錄什麼 | 管理問題 |
|---|---|---|
| 身分與位置 | 唯一 ID、名稱、平台、環境、建立與發布日期、版本 | 公司到底有多少個？在哪裡？ |
| 擁有與責任 | 建立者、業務負責人、技術負責人、核准人、供應商 | 誰為輸出、費用與事故負責？ |
| 用途與邊界 | 目標流程、使用者、允許行動、禁止行動、人工覆核點 | 它被授權做什麼？何時必須停下來問人？ |
| 模型與工具 | 模型版本、提示詞、知識來源、外掛、API、連接器、子代理 | 答案與動作依賴哪些元件？ |
| 資料與權限 | 可讀寫資料、個資與機密等級、憑證、權限範圍、保存規則 | 能看到什麼？能改動什麼？ |
| 成本與用量 | 授權費、token、推論、雲端、整合、人工覆核與維護成本 | 總持有成本是多少？誰的預算支付？ |
| 價值與品質 | 基準值、完成量、節省時間、錯誤率、營收或成本影響、採用率 | 是否真的創造可驗證成果？ |
| 風險與生命週期 | 風險等級、測試紀錄、事件、最後審查、到期日、停用與復原方式 | 何時重審？如何安全關閉？ |
30 天完成第一輪 AI Agent 管理與盤點
第一輪不要追求完美系統，先在 30 天內建立「發現、登記、評估、監控、停用」的共同流程。清冊可以先從試算表或現有資產管理系統開始，但每筆資料都要有負責人與更新日期。
由資訊、資安、採購與各部門一起盤點 SaaS、雲端、API、低代碼工具、內部程式、外包專案與個人自動化。不要只發問卷，也要比對帳單、金鑰、連接器與存取紀錄。
每個 Agent 都要有一名可被聯繫、能做決策的業務負責人；把允許行動、資料範圍、人工覆核與停止條件寫清楚。找不到負責人的 Agent 應列為優先處理。
依資料敏感度、可採取動作、顧客影響、法規與可逆性分級；同時記錄導入前的人工作業時間、錯誤率、成本與產出量，否則之後無法計算增量價值。
用相同門檻比較成本、品質、風險與依賴程度；未使用、重複、無擁有人或無法說明價值的項目，要撤銷權限、刪除金鑰並保留必要稽核紀錄。
這套流程不代表所有 Agent 都要交給資訊部門開發。較好的做法是讓部門保留改善流程的速度，同時把最低登記、資料權限、測試、監控與停用標準做成共用護欄。團隊若已在建立可重複使用的 AI 工作方式，可延伸參考 ChatGPT Skills 與 AI 工作流程，把個人技巧升級成可管理的方法。
怎麼判斷 AI ROI 與 Agent 去留？
AI ROI 不能只用「節省多少分鐘」或「使用次數」計算；至少要同時看增量價值、完整成本、品質風險與實際採用。一個簡化的計算方式是：
AI ROI ＝（可驗證增量價值－完整持有成本）÷ 完整持有成本
「增量價值」可以是減少的工時、避免的錯誤、縮短的週期、增加的成交或降低的損失，但必須先有導入前基準，並扣除原本就會發生的改善。「完整持有成本」則不能只算模型訂閱；還要包含 token、雲端、整合、資料整理、測試、人工覆核、資安、錯誤修正、維護與教育訓練。
- 客服 Agent：看首次解決率、轉人工率、錯答率、客訴與每次有效解決成本，不只看對話量。
- 研究 Agent：看完成時間、來源正確率、遺漏率、人工查核時間與決策是否真的採用。
- 程式 Agent：看可合併程式碼、缺陷、回滾、審查時間與上線週期，不只看生成行數。
- 行銷 Agent：看有效內容、轉換、品牌錯誤、修改輪次與法務風險，不只看產文篇數。
KPMG 發現，能完整看見 AI 營運成本的組織，回報 established ROI 的機率是缺乏成本可見度者的五倍（15% 對 3%）。這不是因為有儀表板就自動賺錢，而是管理者終於有資料可以終止低價值項目，把資源移向真正有效的流程。想先判斷不同任務是否值得交給 AI，也可參考 AI 工具任務選擇指南。
這會如何改變企業 AI 課程市場？
企業培訓的重點會從「會不會下提示詞」移向「能不能把 Agent 變成可管理、可量測、可負責的工作系統」。2023 至 2025 年常見的課程，是工具介紹、Prompt、內容生成與效率技巧；2026 之後，管理者更需要跨部門的 AI 經濟、流程設計、資料權限、風險分級、績效驗證與變革管理。
因此，一門成熟的企業 AI 課程至少要讓學員完成真實任務盤點、建立導入前基準、設計人機分工、定義 Agent inventory 欄位、設定成本上限與停用條件，最後拿出可被主管檢驗的成果。課程如果只展示「AI 可以做什麼」，卻不討論誰負責、資料從哪裡來、結果怎麼驗證與失敗怎麼收尾，就還停在試玩階段。
對主管而言，下一個關鍵能力不是親自管理每個提示詞，而是能問對五個問題：這個 Agent 解決哪一個商業問題？基準值是什麼？完整成本多少？風險由誰負責？什麼條件下應該關閉？這些問題把 AI 治理、財務判斷與組織能力放回同一張管理桌上。
常見問題 FAQ
Agent inventory 和一般軟體資產清冊有什麼不同？
軟體清冊通常關注授權、裝置與帳號；Agent inventory 還要記錄模型、工具、知識來源、可採取動作、資料權限、人工覆核、成本與成果。因為 Agent 會在流程中做判斷與行動，清冊必須能追溯責任與行為。
Shadow Agent 一定是員工違規建立的嗎？
不一定。它可能原本經過核准，卻因擴充範圍、換模型、增加連接器或負責人離職而變得不可見；也可能是 SaaS 更新後預設啟用的新功能。重點不是先找人究責，而是恢復可見度與明確責任。
小公司也需要做 AI Agent 管理嗎？
需要，但不必一開始採購複雜平台。只要有兩個以上部門使用自動化 AI，就可以先用共用表格記錄擁有人、用途、資料、權限、費用、KPI 與最後審查日期；規模增加後再串接身分、雲端與成本工具。
沒有直接營收的 Agent 要怎麼衡量？
可用週期時間、錯誤率、服務品質、風險降低、員工等待時間與決策速度等代理指標，但要先建立基準、記錄人工覆核成本，並確認改善確實來自 Agent。不能因為難換算成金額，就完全不設定成果標準。
盤點後是不是應該立即關閉所有未核准 Agent？
不建議一刀切。先依資料敏感度、可執行動作、顧客影響與可逆性分級；高風險且無擁有人的項目應優先隔離，低風險但有效的流程則可補登記、測試與監控。停用也要撤權限、處理依賴並保留必要紀錄。
把 AI 工具熱潮轉成可驗證的管理成果
當 Agent 進入流程、預算與資料治理，主管需要的不只是操作技巧，而是能整合商業判斷、成本、風險與人才的管理能力。
資料來源
- Reuters Breakingviews：Corporate AI is still chasing theoretical benefits（2026-08-07）
- KPMG：Global AI Pulse Q2 2026 新聞稿（2026-06-24）
- KPMG：Global AI Pulse Q2 2026 完整報告（2026-06）
- Dataiku：Why shadow AI agents are accumulating automation debt（2026-01-20）
- Microsoft Learn：Copilot Studio Agent inventory（查閱：2026-08-10）
- NIST：AI Risk Management Framework Playbook，GOVERN 1.6（查閱：2026-08-10）
資料查核日期：2026 年 8 月 10 日。KPMG 數字是全球調查受訪者自評，不代表審計查核結果；Dataiku 的 40 對 400 為 Reuters 轉述的單一未具名客戶案例。本文所列 Agent inventory 欄位是綜合 NIST、Microsoft 與企業營運需求提出的管理建議，不構成特定法規遵循保證。
