Dell 在 The Six Five Summit：AI Unleashed 2026 傳達嘅核心訊息係：Agentic AI 唔應該只係聊天機械人的新包裝，而應視為一套真正投入生產嘅營運模式。

按 Dell 嘅定義，關鍵唔係系統識唔識答問題，而係佢可唔可以朝住一個清晰目標推進、使用工具，同埋喺有限人手介入下完成工作。至於文中涉及嘅生產力、成本及業務影響數字，全部都係 Dell 自行公布嘅說法，並非獨立審核或跨企業驗證嘅基準。15

由「幫你答」變成「幫你做」

企業第一輪生成式 AI，主要係協助員工搜尋、整理及總結公司內部資料，或者透過聊天介面同專有資訊互動。Dell 認為，下一階段嘅重點係將工作本身數碼化：把一啲定義清楚嘅任務，由人手層面轉交畀可以理解流程、作出判斷並採取行動嘅軟件。14

呢個分別亦係 Dell 用嚟回應 「Agent washing」 嘅標準——即係將普通機械人、助手或者按固定腳本運作嘅自動化工具，包裝成可以自主行動嘅 AI Agent。一個聊天機械人可能只係產生答案；但按 Dell 嘅講法，真正嘅 Agent 應該要朝住目標工作、同工具或企業系統互動，並執行一連串業務流程。25

Dell 表示，公司大約兩年前已經開始建立 Agent，並喺峰會前一年將首批 Agent 投入生產環境，先以自己做「Customer Zero」，即係由公司內部率先試用及驗證。2

點解 900 個 AI 構想最後只剩 13 個？

Dell 稱，初期大約列出 900 個可能嘅 AI 項目，之後將範圍收窄至約 13 個針對性倡議。篩選重點係業務優先次序及流程分析，而唔係任由大量互不相干嘅試驗無限期延續。12

Dell 提到嘅生產應用包括：

• CRM 資料清理：由 Agent 處理重複而繁瑣嘅資料質素工作。
• 軟件開發：協助處理同編程有關嘅任務。
• 定價支援：將 Agent 工作流程應用於定價相關操作。
• 訂旅程及文件摘要：Dell 以呢啲例子展示較簡單嘅自主工作。25

Dell 想帶出嘅唔係每一個流程都值得加一個 Agent，而係企業應該先搵出一項有明確商業結果、又可以量度成效嘅工作，再圍繞個結果建立最細但實用嘅系統。咁樣亦較容易分清楚：究竟係真正投入生產，定係只係一個範圍好闊嘅 AI 試點計劃。

生產力升 20% 至 40%？要先睇清楚口徑

Dell 表示，早期針對單一任務嘅部署，生產力提升幅度可以約為 20% 至 40%。公司亦認為，如果系統可以接手完整工作類別，增益可能大得多，甚至達到「數量級」提升。25

不過，呢啲數字應該理解為 Dell 報告嘅預期及結果，而唔係獲獨立驗證、適用於所有企業嘅標準。Dell 另外稱，內部 AI 工作有助將營業收入增長同成本結構脫鈎，但現有資料未能證明個別 Agent 貢獻咗幾多，亦未能證明兩者存在直接因果關係。2

對企業買家嚟講，一個可信嘅商業案例至少要講清楚幾件事：自動化嘅係邊項工作、節省或者重新分配咗幾多人手時間、推理及協調成本幾多，以及當 Agent 可以唔需要持續監督咁採取行動時，要加幾多控制措施。

Agentic AI 會改變基建樽頸

Dell 嘅基建論點係：投入生產嘅 Agentic AI，唔係單純將聊天機械人放大幾倍。系統嘅主要樽頸可能由純粹嘅運算能力，轉向 記憶體容量及記憶體頻寬。尤其係長時間運行嘅工作流程，需要喺 key-value cache 保留狀態；有啲情況下，記憶體已經用盡，但 GPU 運算力仲未完全用晒。24

Agentic 系統同模型訓練亦有唔同嘅資料存取模式。模型訓練通常處理大量、相對靜態嘅資料；生產環境嘅 Agent 就可能持續向多個企業系統發出一啲突發、針對性好強嘅請求。當規模擴大，資料傳送能力及尾端延遲（tail latency）就會同模型吞吐量一樣重要。24

CPU 嘅角色亦會變得更加關鍵。CPU 負責協調工作流程、分支邏輯、資料檢索、工具調用，以及各個元件之間嘅通訊；GPU 就處理適合由佢負責嘅模型工作。Dell 表示，傳統 AI 部署大約 8:1 至 16:1 嘅 CPU 對 GPU 比例，喺 Agentic 系統可能會走向接近 1:1 或 2:1。2

因此，Dell 倡議企業採用可重用嘅平台基建，而唔係為每個用途各自建立一套單一功能堆疊。同時，工作負載亦可以按合規、效能、資料控制及成本要求，分布喺本地部署、私有雲、公有 API 或裝置端模型等不同環境。45

AI Agent 冇統一價：由每月 10 萬美元到每筆 0.5 美元以下

自主工作流程帶來一個直接後果：模型經濟必須配合工作價值。Dell 舉出兩個差距極大嘅例子：一個協助高管作決策嘅 Agent，可能值得每月約 10 萬美元；但一個負責清理 CRM 資料嘅 Agent，可能要做到每筆記錄低於 0.50 美元 先有實際意義。2

呢啲數字唔係通用價格基準，而係用嚟說明企業唔應該每項任務都部署最強、最昂貴嘅模型。實際上，一套 AI 組合可能需要以細模型處理大量例行工作，以大型模型應付複雜推理，再因應延遲、資料主權及合規要求，將唔同工作放喺唔同部署位置。25

安全第一步：每個 Agent 都要有自己身份

Dell 表示，任何可以存取 Dell 資料嘅自主 Agent，都會獲發獨立嘅 Dell 數碼身份。呢個身份可以支援細緻嘅授權及權限撤銷；停用身份之後，更可以成為切斷 Agent 存取權嘅「kill switch」。25

對 無頭 Agent（headless agent） 而言，呢點尤其重要。無頭 Agent 即係冇使用者介面、亦冇真人即時監督，但仍然可以直接透過企業工具採取行動嘅系統。企業必須知道邊一個 Agent 做咗某項操作、佢獲准存取咩資料，以及點樣喺唔依賴真人登入憑證嘅情況下即時制止佢。

換句話講，最小權限、獨立 Agent 身份、操作紀錄及可撤銷授權，唔再係可有可無嘅保安附加功能，而係自主系統嘅基本控制層。45

Dell 亦提到 A2A 及 MCP 等 Agent 通訊與控制協議，以及為後量子密碼學作準備，認為呢啲都會成為逐步形成中嘅治理環境一部分。2

至於未來 AI 部署入面究竟有幾多會係無頭 Agent，現有資料並不足以支持一個可靠百分比；任何精確預測都會超出來源可以證明嘅範圍。

Dell 對工作嘅判斷：職位未必消失，但工作內容會變

Dell 表示，公司分析咗 6,800 個職位，用嚟研究每個職位入面，邊啲部分可以由 Agent 處理，邊啲部分仍然需要人類判斷。2

Dell 得出嘅結論係，Agent 更常見嘅影響方式，係抽走一個職位入面嘅特定任務，而唔係直接消滅整份工作。按呢個模式，Agent 會接手生產力工作、行政「衛生」工作，以及協調工作；員工就可以將更多時間放喺專業判斷及以人為本嘅活動上。25

但呢個係一套工作重組觀點，唔代表冇任何職位會消失。即使職位仍然存在，工作責任、人手數量、所需技能及問責方式，都可能重新定義。對企業真正嘅考驗，係組織設計：邊啲工作可以交畀 Agent、邊啲決定必須由人負責，以及工作流程改變之後應該點樣重新量度表現。

對企業 AI 買家有咩啟示？

Dell 將 AI 由試點推向生產，歸納成四條問題：

1. 系統係咪真係自主？ 將聊天機械人改個名叫 Agent，唔代表佢就具備自主能力。
2. 佢係咪執行一個有價值、定義清楚嘅工作流程？ 由 900 個構想縮減至 13 個項目，正好說明點解要先排優先次序。
3. 基建頂唔頂得住狀態管理、延遲、流程協調及按工作而異嘅成本？ Agentic 推理對記憶體及資料傳送嘅壓力，可能同模型訓練或普通聊天機械人完全唔同。
4. 企業有冇能力管好個 Agent？ 身份、授權、紀錄、撤銷權限及人類問責，都應該喺擴大自主存取之前設計好。

Dell 更宏觀嘅論點係，當 Agentic AI 連接到真實工作，並以真實業務結果衡量，先至真正有意義。至於公司展示嘅案例及成效，始終代表 Dell 自己嘅立場及報告經驗，唔係所有企業部署 Agent 都必然得到同樣結果。

Dell 在 The Six Five Summit：AI Unleashed 2026 傳達嘅核心訊息係：Agentic AI 唔應該只係聊天機械人的新包裝，而應視為一套真正投入生產嘅營運模式。

按 Dell 嘅定義，關鍵唔係系統識唔識答問題，而係佢可唔可以朝住一個清晰目標推進、使用工具，同埋喺有限人手介入下完成工作。至於文中涉及嘅生產力、成本及業務影響數字，全部都係 Dell 自行公布嘅說法，並非獨立審核或跨企業驗證嘅基準。15

由「幫你答」變成「幫你做」

企業第一輪生成式 AI，主要係協助員工搜尋、整理及總結公司內部資料，或者透過聊天介面同專有資訊互動。Dell 認為，下一階段嘅重點係將工作本身數碼化：把一啲定義清楚嘅任務，由人手層面轉交畀可以理解流程、作出判斷並採取行動嘅軟件。14

呢個分別亦係 Dell 用嚟回應 「Agent washing」 嘅標準——即係將普通機械人、助手或者按固定腳本運作嘅自動化工具，包裝成可以自主行動嘅 AI Agent。一個聊天機械人可能只係產生答案；但按 Dell 嘅講法，真正嘅 Agent 應該要朝住目標工作、同工具或企業系統互動，並執行一連串業務流程。25

Dell 表示，公司大約兩年前已經開始建立 Agent，並喺峰會前一年將首批 Agent 投入生產環境，先以自己做「Customer Zero」，即係由公司內部率先試用及驗證。2

點解 900 個 AI 構想最後只剩 13 個？

Dell 稱，初期大約列出 900 個可能嘅 AI 項目，之後將範圍收窄至約 13 個針對性倡議。篩選重點係業務優先次序及流程分析，而唔係任由大量互不相干嘅試驗無限期延續。12

Dell 提到嘅生產應用包括：

• CRM 資料清理：由 Agent 處理重複而繁瑣嘅資料質素工作。
• 軟件開發：協助處理同編程有關嘅任務。
• 定價支援：將 Agent 工作流程應用於定價相關操作。
• 訂旅程及文件摘要：Dell 以呢啲例子展示較簡單嘅自主工作。25

Dell 想帶出嘅唔係每一個流程都值得加一個 Agent，而係企業應該先搵出一項有明確商業結果、又可以量度成效嘅工作，再圍繞個結果建立最細但實用嘅系統。咁樣亦較容易分清楚：究竟係真正投入生產，定係只係一個範圍好闊嘅 AI 試點計劃。

生產力升 20% 至 40%？要先睇清楚口徑

Dell 表示，早期針對單一任務嘅部署，生產力提升幅度可以約為 20% 至 40%。公司亦認為，如果系統可以接手完整工作類別，增益可能大得多，甚至達到「數量級」提升。25

不過，呢啲數字應該理解為 Dell 報告嘅預期及結果，而唔係獲獨立驗證、適用於所有企業嘅標準。Dell 另外稱，內部 AI 工作有助將營業收入增長同成本結構脫鈎，但現有資料未能證明個別 Agent 貢獻咗幾多，亦未能證明兩者存在直接因果關係。2

對企業買家嚟講，一個可信嘅商業案例至少要講清楚幾件事：自動化嘅係邊項工作、節省或者重新分配咗幾多人手時間、推理及協調成本幾多，以及當 Agent 可以唔需要持續監督咁採取行動時，要加幾多控制措施。

Agentic AI 會改變基建樽頸

Dell 嘅基建論點係：投入生產嘅 Agentic AI，唔係單純將聊天機械人放大幾倍。系統嘅主要樽頸可能由純粹嘅運算能力，轉向 記憶體容量及記憶體頻寬。尤其係長時間運行嘅工作流程，需要喺 key-value cache 保留狀態；有啲情況下，記憶體已經用盡，但 GPU 運算力仲未完全用晒。24

Agentic 系統同模型訓練亦有唔同嘅資料存取模式。模型訓練通常處理大量、相對靜態嘅資料；生產環境嘅 Agent 就可能持續向多個企業系統發出一啲突發、針對性好強嘅請求。當規模擴大，資料傳送能力及尾端延遲（tail latency）就會同模型吞吐量一樣重要。24

CPU 嘅角色亦會變得更加關鍵。CPU 負責協調工作流程、分支邏輯、資料檢索、工具調用，以及各個元件之間嘅通訊；GPU 就處理適合由佢負責嘅模型工作。Dell 表示，傳統 AI 部署大約 8:1 至 16:1 嘅 CPU 對 GPU 比例，喺 Agentic 系統可能會走向接近 1:1 或 2:1。2

因此，Dell 倡議企業採用可重用嘅平台基建，而唔係為每個用途各自建立一套單一功能堆疊。同時，工作負載亦可以按合規、效能、資料控制及成本要求，分布喺本地部署、私有雲、公有 API 或裝置端模型等不同環境。45

AI Agent 冇統一價：由每月 10 萬美元到每筆 0.5 美元以下

自主工作流程帶來一個直接後果：模型經濟必須配合工作價值。Dell 舉出兩個差距極大嘅例子：一個協助高管作決策嘅 Agent，可能值得每月約 10 萬美元；但一個負責清理 CRM 資料嘅 Agent，可能要做到每筆記錄低於 0.50 美元 先有實際意義。2

呢啲數字唔係通用價格基準，而係用嚟說明企業唔應該每項任務都部署最強、最昂貴嘅模型。實際上，一套 AI 組合可能需要以細模型處理大量例行工作，以大型模型應付複雜推理，再因應延遲、資料主權及合規要求，將唔同工作放喺唔同部署位置。25

安全第一步：每個 Agent 都要有自己身份

Dell 表示，任何可以存取 Dell 資料嘅自主 Agent，都會獲發獨立嘅 Dell 數碼身份。呢個身份可以支援細緻嘅授權及權限撤銷；停用身份之後，更可以成為切斷 Agent 存取權嘅「kill switch」。25

對 無頭 Agent（headless agent） 而言，呢點尤其重要。無頭 Agent 即係冇使用者介面、亦冇真人即時監督，但仍然可以直接透過企業工具採取行動嘅系統。企業必須知道邊一個 Agent 做咗某項操作、佢獲准存取咩資料，以及點樣喺唔依賴真人登入憑證嘅情況下即時制止佢。

換句話講，最小權限、獨立 Agent 身份、操作紀錄及可撤銷授權，唔再係可有可無嘅保安附加功能，而係自主系統嘅基本控制層。45

Dell 亦提到 A2A 及 MCP 等 Agent 通訊與控制協議，以及為後量子密碼學作準備，認為呢啲都會成為逐步形成中嘅治理環境一部分。2

至於未來 AI 部署入面究竟有幾多會係無頭 Agent，現有資料並不足以支持一個可靠百分比；任何精確預測都會超出來源可以證明嘅範圍。

Dell 對工作嘅判斷：職位未必消失，但工作內容會變

Dell 表示，公司分析咗 6,800 個職位，用嚟研究每個職位入面，邊啲部分可以由 Agent 處理，邊啲部分仍然需要人類判斷。2

Dell 得出嘅結論係，Agent 更常見嘅影響方式，係抽走一個職位入面嘅特定任務，而唔係直接消滅整份工作。按呢個模式，Agent 會接手生產力工作、行政「衛生」工作，以及協調工作；員工就可以將更多時間放喺專業判斷及以人為本嘅活動上。25

但呢個係一套工作重組觀點，唔代表冇任何職位會消失。即使職位仍然存在，工作責任、人手數量、所需技能及問責方式，都可能重新定義。對企業真正嘅考驗，係組織設計：邊啲工作可以交畀 Agent、邊啲決定必須由人負責，以及工作流程改變之後應該點樣重新量度表現。

對企業 AI 買家有咩啟示？

Dell 將 AI 由試點推向生產，歸納成四條問題：

1. 系統係咪真係自主？ 將聊天機械人改個名叫 Agent，唔代表佢就具備自主能力。
2. 佢係咪執行一個有價值、定義清楚嘅工作流程？ 由 900 個構想縮減至 13 個項目，正好說明點解要先排優先次序。
3. 基建頂唔頂得住狀態管理、延遲、流程協調及按工作而異嘅成本？ Agentic 推理對記憶體及資料傳送嘅壓力，可能同模型訓練或普通聊天機械人完全唔同。
4. 企業有冇能力管好個 Agent？ 身份、授權、紀錄、撤銷權限及人類問責，都應該喺擴大自主存取之前設計好。

Dell 更宏觀嘅論點係，當 Agentic AI 連接到真實工作，並以真實業務結果衡量，先至真正有意義。至於公司展示嘅案例及成效，始終代表 Dell 自己嘅立場及報告經驗，唔係所有企業部署 Agent 都必然得到同樣結果。