為什麼 AI 代理產生的流量遠高於人類

Cisco 在研究中形容 AI 代理是「網路重度使用者（network power users）」。人類通常是偶爾進行操作，例如打開網頁、傳送訊息或提出一次查詢；但 AI 代理則以軟體速度持續運作。

一個 AI 代理的工作流程可能會同時：

• 不斷向 AI 模型發送推論請求
• 從多個 API 與雲端服務取得資料
• 在不同服務之間交換 token 與中間結果
• 觸發連鎖式工作流程，呼叫更多模型或工具

由於這些動作會持續進行，Cisco 估計在相似任務情境下，AI 代理可能產生約 450% 的額外網路流量。

流量方向也會改變。傳統網路使用多半是下載為主（例如看影片或讀取網頁）。但 AI 工作流程通常需要頻繁的雙向通訊：提示（prompt）、資料與中間結果不斷上傳到模型，再由模型回傳回應。

真正推動流量成長的是「AI 推論」

大眾討論 AI 基礎設施時，常聚焦在大型模型訓練。但 Cisco 指出，對網路而言，真正的流量來源是推論（inference）。

推論是指即時使用模型的過程，例如回答問題、生成內容、分析資料或執行 AI 代理任務。Cisco 的研究特別強調，報告是根據電信服務網路上實際測得的 AI 推論流量進行分析。

研究顯示，若把 Agentic AI 的影響納入考量，推論流量本身就可能讓整體網路成長比原本預測多出約 63%。

到 2035 年 AI 可能占全球網路流量四分之一

如果 Agentic AI 的採用速度符合 Cisco 的預測，其對全球網路的影響將在未來十年逐漸放大。

幾個關鍵預測包括：

• 到 2035 年，AI 推論可能占約 25% 的全球網路流量。
• 最大的成長波段可能出現在 2029–2032 年，屆時企業導入 AI 代理的速度預計將顯著提升。

這代表一個結構性的變化：

過去 AI 流量通常是「尖峰式」——使用者提問時流量暴增，之後回到低基線。但 AI 代理會持續與系統互動，形成全天候運作的工作負載。

為什麼企業網路流量可能成長到 9 倍

Cisco 也對企業網路流量進行了模型推估。

如果沒有 Agentic AI，企業網路需求在 2026 到 2035 年之間大約會成長 2.5 倍，主要來自雲端服務、SaaS 與數位轉型。

但若 AI 代理被廣泛導入，同一期間的流量可能增加到約目前的 9 倍。

原因很簡單：一個人類任務可能觸發大量自動化的服務與模型互動。例如一個 AI 助理完成一項任務時，可能需要多次查詢資料庫、呼叫模型、再透過 API 執行操作。

AI 流量如何改變網路行為

Cisco 強調，AI 不只是增加流量量級，也會改變流量的特性。

與傳統 Web 或 SaaS 流量相比，AI 工作負載通常具有以下特點：

• 更動態：代理會觸發突發請求與分散式工作流程
• 更依賴低延遲：推論延遲會直接影響應用體驗
• 更雙向化：上行流量增加，因為提示與資料需要傳到模型
• 更複雜：工作流程往往跨越多個雲端、API 與推論端點

這使得傳統依據使用者行為預測流量的網路規劃方式變得不再可靠。

為 AI 時代重新設計網路架構

Cisco 指出，未來 AI 推論路徑將變成關鍵基礎設施，而不是普通的網路流量。

因此網路架構需要新的設計方向：

AI 感知的流量工程

推論流量可能需要優先路徑、延遲保證與動態路由，確保 AI 工作流程不被網路瓶頸拖慢。

分散式運算與邊緣部署

將推論運算放在更接近使用者或資料的位置，可以降低延遲並減少 WAN 壅塞。

即時可觀測性（Observability）

AI 工作負載會產生快速且複雜的流量模式，因此需要端到端即時可視化，才能在工作流程失敗前偵測壅塞或效能下降。

更強的網路韌性

Cisco 的研究指出，企業網路中斷已造成巨大的全球成本，而 AI 工作負載將進一步提高對高可用性與穩定性的要求。

關鍵結論

Cisco 的 WAN 研究顯示，Agentic AI 帶來的不只是頻寬需求增加，而是一場更深層的網路變革。

未來十年，網路可能需要支援：

• 大量 AI 代理作為高頻網路使用者
• 即時且持續的 AI 推論流量
• 更對稱、低延遲且關鍵性的流量模式

因此，下一代網路設計將越來越依賴AI 感知架構：更高容量、分散式運算、進階遙測（telemetry），以及為 AI 推論流量設計的品質保證（QoS）。

當然，這些仍是基於 Cisco 研究模型的預測。最終規模仍取決於 Agentic AI 在企業與消費者場景中的實際普及速度。

為什麼 AI 代理產生的流量遠高於人類

Cisco 在研究中形容 AI 代理是「網路重度使用者（network power users）」。人類通常是偶爾進行操作，例如打開網頁、傳送訊息或提出一次查詢；但 AI 代理則以軟體速度持續運作。

一個 AI 代理的工作流程可能會同時：

• 不斷向 AI 模型發送推論請求
• 從多個 API 與雲端服務取得資料
• 在不同服務之間交換 token 與中間結果
• 觸發連鎖式工作流程，呼叫更多模型或工具

由於這些動作會持續進行，Cisco 估計在相似任務情境下，AI 代理可能產生約 450% 的額外網路流量。

流量方向也會改變。傳統網路使用多半是下載為主（例如看影片或讀取網頁）。但 AI 工作流程通常需要頻繁的雙向通訊：提示（prompt）、資料與中間結果不斷上傳到模型，再由模型回傳回應。

真正推動流量成長的是「AI 推論」

大眾討論 AI 基礎設施時，常聚焦在大型模型訓練。但 Cisco 指出，對網路而言，真正的流量來源是推論（inference）。

推論是指即時使用模型的過程，例如回答問題、生成內容、分析資料或執行 AI 代理任務。Cisco 的研究特別強調，報告是根據電信服務網路上實際測得的 AI 推論流量進行分析。

研究顯示，若把 Agentic AI 的影響納入考量，推論流量本身就可能讓整體網路成長比原本預測多出約 63%。

到 2035 年 AI 可能占全球網路流量四分之一

如果 Agentic AI 的採用速度符合 Cisco 的預測，其對全球網路的影響將在未來十年逐漸放大。

幾個關鍵預測包括：

• 到 2035 年，AI 推論可能占約 25% 的全球網路流量。
• 最大的成長波段可能出現在 2029–2032 年，屆時企業導入 AI 代理的速度預計將顯著提升。

這代表一個結構性的變化：

過去 AI 流量通常是「尖峰式」——使用者提問時流量暴增，之後回到低基線。但 AI 代理會持續與系統互動，形成全天候運作的工作負載。

為什麼企業網路流量可能成長到 9 倍

Cisco 也對企業網路流量進行了模型推估。

如果沒有 Agentic AI，企業網路需求在 2026 到 2035 年之間大約會成長 2.5 倍，主要來自雲端服務、SaaS 與數位轉型。

但若 AI 代理被廣泛導入，同一期間的流量可能增加到約目前的 9 倍。

原因很簡單：一個人類任務可能觸發大量自動化的服務與模型互動。例如一個 AI 助理完成一項任務時，可能需要多次查詢資料庫、呼叫模型、再透過 API 執行操作。

AI 流量如何改變網路行為

Cisco 強調，AI 不只是增加流量量級，也會改變流量的特性。

與傳統 Web 或 SaaS 流量相比，AI 工作負載通常具有以下特點：

• 更動態：代理會觸發突發請求與分散式工作流程
• 更依賴低延遲：推論延遲會直接影響應用體驗
• 更雙向化：上行流量增加，因為提示與資料需要傳到模型
• 更複雜：工作流程往往跨越多個雲端、API 與推論端點

這使得傳統依據使用者行為預測流量的網路規劃方式變得不再可靠。

為 AI 時代重新設計網路架構

Cisco 指出，未來 AI 推論路徑將變成關鍵基礎設施，而不是普通的網路流量。

因此網路架構需要新的設計方向：

AI 感知的流量工程

推論流量可能需要優先路徑、延遲保證與動態路由，確保 AI 工作流程不被網路瓶頸拖慢。

分散式運算與邊緣部署

將推論運算放在更接近使用者或資料的位置，可以降低延遲並減少 WAN 壅塞。

即時可觀測性（Observability）

AI 工作負載會產生快速且複雜的流量模式，因此需要端到端即時可視化，才能在工作流程失敗前偵測壅塞或效能下降。

更強的網路韌性

Cisco 的研究指出，企業網路中斷已造成巨大的全球成本，而 AI 工作負載將進一步提高對高可用性與穩定性的要求。

關鍵結論

Cisco 的 WAN 研究顯示，Agentic AI 帶來的不只是頻寬需求增加，而是一場更深層的網路變革。

未來十年，網路可能需要支援：

• 大量 AI 代理作為高頻網路使用者
• 即時且持續的 AI 推論流量
• 更對稱、低延遲且關鍵性的流量模式

因此，下一代網路設計將越來越依賴AI 感知架構：更高容量、分散式運算、進階遙測（telemetry），以及為 AI 推論流量設計的品質保證（QoS）。

當然，這些仍是基於 Cisco 研究模型的預測。最終規模仍取決於 Agentic AI 在企業與消費者場景中的實際普及速度。