Dell 在 2026 年 8 月 25 日舉行的 The Six Five Summit：AI Unleashed 2026 上傳達的核心訊息是：代理式 AI（agentic AI）不應只是聊天機器人的新包裝，而應被視為一種正式的生產營運模式。

按照 Dell 的定義，關鍵差異在於系統是否能追求明確目標、使用工具，並在有限人工介入下完成工作。Dell 以自身部署作為轉型案例，但文中涉及的生產力、成本與商業影響數字，仍是公司自行提出的說法，並非獨立驗證的產業基準。15

從回答問題到自主執行工作

企業第一波生成式 AI 應用，主要是協助員工搜尋、摘要及查詢公司內部資訊。Dell 認為，下一階段的重點將從「解鎖資料」轉向「數位化工作本身」：把原本由人員執行的明確任務，交給能理解流程、呼叫工具並採取行動的軟體系統。14

這也是 Dell 用來區分真正 AI 代理與「代理式 AI 沖洗」（agent washing）的標準。所謂 agent washing，是把一般機器人、助手或腳本式自動化工具重新冠上「AI 代理」的名稱。聊天機器人可能只負責產生答案；在 Dell 的定義中，AI 代理則必須朝著特定目標工作，與工具或企業系統互動，並執行業務流程中的多個步驟。25

Dell 表示，公司約在峰會前兩年開始建立 AI 代理，並在前一年把最初的代理投入正式生產環境，將自己定位為「Customer Zero」，也就是先在內部驗證技術的第一個客戶。2

為何把 900 個 AI 構想縮減至 13 個？

Dell 表示，公司一度盤點出約 900 個可能的 AI 專案，最後縮減至約 13 個目標明確的計畫。篩選過程著重業務優先順序與流程分析，而不是讓大量彼此分散的實驗無限期延續。12

Dell 提到的正式生產案例包括：

• CRM 資料清理：由 AI 代理處理重複且繁瑣的資料品質工作。
• 軟體開發：協助執行與程式撰寫相關的任務。
• 定價支援：將代理式工作流程導入定價相關作業。
• 旅遊預訂與文件摘要：作為較簡單自主任務的例子。25

Dell 想傳達的重點並不是每項工作都需要 AI 代理，而是企業應先找出具備可衡量商業成果的具體工作，再圍繞該成果建立規模最小但真正有用的系統。這種做法也有助於區分正式部署與僅停留在概念驗證階段的 AI 試點。

Dell 宣稱的生產力與商業影響

Dell 表示，早期以單一任務為主的部署，可能帶來約 20% 至 40% 的生產力提升；如果系統能接手整個工作類別，效益則可能大幅增加，甚至達到「數量級」的成長。25

不過，這些數字應視為 Dell 報告的預期與成果，而不是跨企業獨立驗證的統一基準。Dell 也表示，內部 AI 工作有助於讓營收成長與成本結構脫鉤，但目前提供的證據無法說明個別 AI 代理貢獻了多少，也不足以證明兩者之間的因果關係。2

對企業買家而言，可信的商業案例仍須交代幾個問題：究竟要自動化哪項工作、可以釋放或重新分配多少人力時間、推理與流程編排成本是多少，以及在 AI 代理不需持續人工監督時，需要哪些控制機制。

代理式工作負載改變基礎設施需求

Dell 的基礎設施論點是：正式上線的代理式 AI，並不只是聊天機器人推理的放大版。系統瓶頸可能會從單純的運算能力，轉向 記憶體容量與記憶體頻寬。尤其是長時間運作的工作流程需要在鍵值快取（key-value cache）中保留狀態，可能出現 GPU 運算資源尚未用盡，記憶體卻已經耗盡的情況。24

代理式系統存取資料的方式，也不同於模型訓練。訓練通常處理大量、相對靜態的資料；正式環境中的 AI 代理，則可能持續對多個企業系統發出突發、精準且分散的請求。因此，當工作負載擴大後，資料傳遞能力與尾端延遲（tail latency）會和模型吞吐量一樣重要。24

CPU 的角色也會變得更重要。CPU 負責流程編排、分支邏輯、檢索、工具呼叫，以及各元件之間的協調與通訊；GPU 則處理適合其特性的模型工作。Dell 表示，傳統 AI 部署中約 8:1 至 16:1 的 CPU 對 GPU 比例，在代理式系統中可能靠近 1:1 或 2:1。2

因此，Dell 倡議採用可重複使用的平台型基礎設施，而非為每個用途打造彼此孤立的專用堆疊。同時，企業也可能需要混合式架構，依照法規遵循、效能、資料控制與成本需求，把不同工作負載分配到地端系統、私有雲、公有 API 或裝置端模型。45

AI 代理沒有單一成本答案

自主工作流程的另一個影響，是模型經濟性必須與工作價值相匹配。Dell 舉出差異極大的例子：支援高階主管決策的 AI 代理，每月可能合理化約 10 萬美元 的成本；CRM 資料清理代理，則可能必須把每筆資料的處理成本壓在 0.50 美元以下。2

這些數字並不是放諸四海皆準的價格基準，而是說明企業不應把最強、也最昂貴的模型套用到每項任務。實際上的代理組合，可能需要以小型模型處理大量例行工作，以大型模型處理複雜推理，再依延遲、資料主權與合規要求，選擇不同的部署位置。25

安全治理從「每個代理一個身分」開始

Dell 表示，凡是需要存取 Dell 資料的自主 AI 代理，都會取得專屬的 Dell 數位身分。這個身分支援細緻化授權與權限撤銷；一旦停用，也能充當切斷代理資料存取能力的「緊急開關」。25

這對 無頭代理（headless agent） 尤其重要。無頭代理是指沒有使用者介面、也沒有即時人工監督，便能直接透過企業工具採取行動的系統。企業必須能追蹤是哪一個代理執行了某項操作、它獲准存取哪些資料，以及如何在不依賴人類使用者憑證的情況下立即停止它。換言之，最小權限、獨立代理身分與可撤銷授權，將成為核心控制層，而不再只是額外的安全功能。45

Dell 也提到 A2A 與 MCP 等代理通訊及控制協定，以及為後量子密碼學（post-quantum cryptography）進行規劃，將是新興治理環境的一部分。2

目前資料不足以支持「未來 AI 部署中有多少比例會採用無頭代理」的可靠數字。任何精確預測，都會超出現有來源所能證明的範圍。

Dell 的工作觀：職務會按任務重新設計

Dell 表示，公司分析了 6,800 個職務，以了解哪些工作部分可以交由 AI 代理處理，哪些仍需要人類判斷。2

Dell 的結論是，AI 代理更可能透過抽取特定任務來改變工作，而不是直接消除完整職務。在這個框架下，代理會接手生產力、行政「清理」與協調工作，員工則能把更多時間投入專業判斷及以人為本的活動。25

這是一套工作重組論述，並不保證不會有職位消失。即使某個職務仍然存在，其職責、所需人力、技能要求與問責方式也可能改變。企業真正面臨的挑戰，是重新設計組織：哪些工作可交由代理完成、哪些決策必須由人員負責，以及工作流程改變後應如何衡量績效。

對企業 AI 採購者而言，重點是四個問題

Dell 的說法可歸納為四個判斷方向：

1. 系統真的具備自主性嗎？ 重新命名的聊天機器人，不一定就是 AI 代理。
2. 它是否執行具價值且定義清楚的工作流程？ 從 900 個構想縮減至 13 個案例，凸顯了排序與聚焦的重要性。
3. 基礎設施能否支撐狀態保存、延遲、流程編排與不同任務的成本要求？ 代理式推理對記憶體與資料傳遞的壓力，可能不同於模型訓練或一般聊天機器人。
4. 企業能否治理這個代理？ 在擴大自主存取之前，就應先設計身分、授權、日誌、權限撤銷與人工問責機制。

Dell 的更廣泛主張是，代理式 AI 只有真正連結到日常工作，並以實際成果衡量時，才具有實質意義。但同樣重要的提醒是：Dell 分享的案例與效益，代表該公司的立場及自行報告的經驗，不能視為每個企業部署 AI 代理後都必然得到相同結果。

Dell 在 2026 年 8 月 25 日舉行的 The Six Five Summit：AI Unleashed 2026 上傳達的核心訊息是：代理式 AI（agentic AI）不應只是聊天機器人的新包裝，而應被視為一種正式的生產營運模式。

按照 Dell 的定義，關鍵差異在於系統是否能追求明確目標、使用工具，並在有限人工介入下完成工作。Dell 以自身部署作為轉型案例，但文中涉及的生產力、成本與商業影響數字，仍是公司自行提出的說法，並非獨立驗證的產業基準。15

從回答問題到自主執行工作

企業第一波生成式 AI 應用，主要是協助員工搜尋、摘要及查詢公司內部資訊。Dell 認為，下一階段的重點將從「解鎖資料」轉向「數位化工作本身」：把原本由人員執行的明確任務，交給能理解流程、呼叫工具並採取行動的軟體系統。14

這也是 Dell 用來區分真正 AI 代理與「代理式 AI 沖洗」（agent washing）的標準。所謂 agent washing，是把一般機器人、助手或腳本式自動化工具重新冠上「AI 代理」的名稱。聊天機器人可能只負責產生答案；在 Dell 的定義中，AI 代理則必須朝著特定目標工作，與工具或企業系統互動，並執行業務流程中的多個步驟。25

Dell 表示，公司約在峰會前兩年開始建立 AI 代理，並在前一年把最初的代理投入正式生產環境，將自己定位為「Customer Zero」，也就是先在內部驗證技術的第一個客戶。2

為何把 900 個 AI 構想縮減至 13 個？

Dell 表示，公司一度盤點出約 900 個可能的 AI 專案，最後縮減至約 13 個目標明確的計畫。篩選過程著重業務優先順序與流程分析，而不是讓大量彼此分散的實驗無限期延續。12

Dell 提到的正式生產案例包括：

• CRM 資料清理：由 AI 代理處理重複且繁瑣的資料品質工作。
• 軟體開發：協助執行與程式撰寫相關的任務。
• 定價支援：將代理式工作流程導入定價相關作業。
• 旅遊預訂與文件摘要：作為較簡單自主任務的例子。25

Dell 想傳達的重點並不是每項工作都需要 AI 代理，而是企業應先找出具備可衡量商業成果的具體工作，再圍繞該成果建立規模最小但真正有用的系統。這種做法也有助於區分正式部署與僅停留在概念驗證階段的 AI 試點。

Dell 宣稱的生產力與商業影響

Dell 表示，早期以單一任務為主的部署，可能帶來約 20% 至 40% 的生產力提升；如果系統能接手整個工作類別，效益則可能大幅增加，甚至達到「數量級」的成長。25

不過，這些數字應視為 Dell 報告的預期與成果，而不是跨企業獨立驗證的統一基準。Dell 也表示，內部 AI 工作有助於讓營收成長與成本結構脫鉤，但目前提供的證據無法說明個別 AI 代理貢獻了多少，也不足以證明兩者之間的因果關係。2

對企業買家而言，可信的商業案例仍須交代幾個問題：究竟要自動化哪項工作、可以釋放或重新分配多少人力時間、推理與流程編排成本是多少，以及在 AI 代理不需持續人工監督時，需要哪些控制機制。

代理式工作負載改變基礎設施需求

Dell 的基礎設施論點是：正式上線的代理式 AI，並不只是聊天機器人推理的放大版。系統瓶頸可能會從單純的運算能力，轉向 記憶體容量與記憶體頻寬。尤其是長時間運作的工作流程需要在鍵值快取（key-value cache）中保留狀態，可能出現 GPU 運算資源尚未用盡，記憶體卻已經耗盡的情況。24

代理式系統存取資料的方式，也不同於模型訓練。訓練通常處理大量、相對靜態的資料；正式環境中的 AI 代理，則可能持續對多個企業系統發出突發、精準且分散的請求。因此，當工作負載擴大後，資料傳遞能力與尾端延遲（tail latency）會和模型吞吐量一樣重要。24

CPU 的角色也會變得更重要。CPU 負責流程編排、分支邏輯、檢索、工具呼叫，以及各元件之間的協調與通訊；GPU 則處理適合其特性的模型工作。Dell 表示，傳統 AI 部署中約 8:1 至 16:1 的 CPU 對 GPU 比例，在代理式系統中可能靠近 1:1 或 2:1。2

因此，Dell 倡議採用可重複使用的平台型基礎設施，而非為每個用途打造彼此孤立的專用堆疊。同時，企業也可能需要混合式架構，依照法規遵循、效能、資料控制與成本需求，把不同工作負載分配到地端系統、私有雲、公有 API 或裝置端模型。45

AI 代理沒有單一成本答案

自主工作流程的另一個影響，是模型經濟性必須與工作價值相匹配。Dell 舉出差異極大的例子：支援高階主管決策的 AI 代理，每月可能合理化約 10 萬美元 的成本；CRM 資料清理代理，則可能必須把每筆資料的處理成本壓在 0.50 美元以下。2

這些數字並不是放諸四海皆準的價格基準，而是說明企業不應把最強、也最昂貴的模型套用到每項任務。實際上的代理組合，可能需要以小型模型處理大量例行工作，以大型模型處理複雜推理，再依延遲、資料主權與合規要求，選擇不同的部署位置。25

安全治理從「每個代理一個身分」開始

Dell 表示，凡是需要存取 Dell 資料的自主 AI 代理，都會取得專屬的 Dell 數位身分。這個身分支援細緻化授權與權限撤銷；一旦停用，也能充當切斷代理資料存取能力的「緊急開關」。25

這對 無頭代理（headless agent） 尤其重要。無頭代理是指沒有使用者介面、也沒有即時人工監督，便能直接透過企業工具採取行動的系統。企業必須能追蹤是哪一個代理執行了某項操作、它獲准存取哪些資料，以及如何在不依賴人類使用者憑證的情況下立即停止它。換言之，最小權限、獨立代理身分與可撤銷授權，將成為核心控制層，而不再只是額外的安全功能。45

Dell 也提到 A2A 與 MCP 等代理通訊及控制協定，以及為後量子密碼學（post-quantum cryptography）進行規劃，將是新興治理環境的一部分。2

目前資料不足以支持「未來 AI 部署中有多少比例會採用無頭代理」的可靠數字。任何精確預測，都會超出現有來源所能證明的範圍。

Dell 的工作觀：職務會按任務重新設計

Dell 表示，公司分析了 6,800 個職務，以了解哪些工作部分可以交由 AI 代理處理，哪些仍需要人類判斷。2

Dell 的結論是，AI 代理更可能透過抽取特定任務來改變工作，而不是直接消除完整職務。在這個框架下，代理會接手生產力、行政「清理」與協調工作，員工則能把更多時間投入專業判斷及以人為本的活動。25

這是一套工作重組論述，並不保證不會有職位消失。即使某個職務仍然存在，其職責、所需人力、技能要求與問責方式也可能改變。企業真正面臨的挑戰，是重新設計組織：哪些工作可交由代理完成、哪些決策必須由人員負責，以及工作流程改變後應如何衡量績效。

對企業 AI 採購者而言，重點是四個問題

Dell 的說法可歸納為四個判斷方向：

1. 系統真的具備自主性嗎？ 重新命名的聊天機器人，不一定就是 AI 代理。
2. 它是否執行具價值且定義清楚的工作流程？ 從 900 個構想縮減至 13 個案例，凸顯了排序與聚焦的重要性。
3. 基礎設施能否支撐狀態保存、延遲、流程編排與不同任務的成本要求？ 代理式推理對記憶體與資料傳遞的壓力，可能不同於模型訓練或一般聊天機器人。
4. 企業能否治理這個代理？ 在擴大自主存取之前，就應先設計身分、授權、日誌、權限撤銷與人工問責機制。

Dell 的更廣泛主張是，代理式 AI 只有真正連結到日常工作，並以實際成果衡量時，才具有實質意義。但同樣重要的提醒是：Dell 分享的案例與效益，代表該公司的立場及自行報告的經驗，不能視為每個企業部署 AI 代理後都必然得到相同結果。