戴爾在 The Six Five Summit：AI Unleashed 2026 傳達的核心訊息是：企業 AI 正進入另一個階段。聊天機器人過去主要用於搜尋資料、摘要文件或生成內容；如今，企業開始部署能夠實際執行業務工作的 AI 代理。

戴爾表示，公司已把約 900 個潛在 AI 項目，收斂至 13 個具備明確商業價值的計劃，並分享初期約 20% 至 40% 的生產力提升。1 這是戴爾對自身經驗的描述，並非適用於所有企業的產業基準；但這套方法，仍有助理解 AI 如何從試驗走向日常營運。

代理式 AI 不只是「回答得更好」

戴爾把第一波生成式 AI 與代理式 AI（agentic AI）區分開來。聊天機器人與助理可以協助員工從企業內部資料找出資訊、摘要文件或撰寫內容；代理式系統則以「工作數位化」為目標，能針對任務進行推理、使用工具、協調多個步驟，並在較少直接人為介入的情況下完成流程。1

這不只是換上一個更強的模型。戴爾指出，要讓代理式 AI 進入生產環境，企業還要調整技術堆疊、基礎設施、治理方式與組織設計。長遠目標，是降低企業可完成的工作量與可用人力之間的直接關聯。1

戴爾已部署的三類工作：CRM、程式碼與定價

戴爾表示，公司約兩年前開始開發 AI 代理，並在前一年將相關系統帶入生產環境。目前提到的應用包括：

• CRM 資料清理： 代理可處理客戶記錄中的重複性資料品質工作。
• 軟體開發： 代理可協助例行程式編寫、註解，以及部分 CI/CD 協調工作。
• 特殊定價： 代理可支援重視處理速度與規則一致性的定價流程。1

這些例子距離「完全自主的企業」仍有一段距離，卻說明了流程設計的重要性。真正有用的部署，不是把模型嵌入既有應用程式就算完成，而是要建立一套具備明確輸入、工具、權限與輸出結果的自動化工作流程。

為何要把 900 個項目縮減至 13 個？

戴爾表示，公司把約 900 個候選 AI 項目縮減至約 13 個重點計劃，並以明確商業價值作為篩選條件，再透過由上而下的方式統一優先順序。1

這反映企業導入 AI 時的一個務實教訓：大量試驗不一定會形成營運優勢。戴爾的做法，是把資源集中到能量化預期成果的工作流程，再補足讓這些流程穩定運行所需的控制機制與基礎設施。

戴爾把約 20% 至 40% 的初期生產力改善，歸因於針對特定任務的助理部署；公司並表示，若代理進一步接手完整的工作類別，提升幅度可能大得多。戴爾也稱，聚焦後的計劃有助於讓營收增長與成本結構脫鉤。不過，這些都是公司自行披露的成果，應視為戴爾的經驗，而不是每個企業都能複製的保證數字。1

「代理炒作」掩蓋了真正差異

戴爾高層 John Roese 警告，不應把所有 AI 功能都稱為自主代理。在戴爾的說法中，「代理炒作」（agent washing）是指把聊天機器人、功能有限的助理，以及能自主執行工作的系統混為一談。1

可以用以下方式區分：

• 聊天機器人： 回應使用者提示，通常產出資訊或內容。
• 目標型助理： 改善一項範圍明確的工作，但人員仍密切參與。
• 自主代理： 能夠規劃、呼叫工具、協調行動並執行工作流程，對人員直接監督的依賴明顯較低。1

這個區分之所以重要，是因為自主程度越高，出錯的代價也越大。摘要有誤，或許只需人工更正；但若 AI 代理能存取企業系統，錯誤可能進一步修改資料、觸發後續行動，甚至暴露敏感資訊。

生產環境中的代理，會重新定義基礎設施需求

Marvell 執行長 Matt Murphy 表示，生產環境中的代理式推論，對基礎設施的要求有別於傳統 AI 訓練工作負載。代理在多次模型呼叫、大型上下文，以及長時間、多代理互動中，可能需要透過鍵值快取（key-value cache）保存工作流程狀態。結果是，記憶體容量與頻寬可能會在原始運算能力之前成為瓶頸。1

Murphy 也指出，CPU 的重要性會上升，因為代理式系統需要處理分支、檢索、工具呼叫、沙盒執行，以及不同代理之間的協調。在相關討論中，CPU 與 GPU 的比例被描述為：傳統 AI 約為 8 至 16 比 1，而代理式工作負載則可能轉向約 1 至 2 比 1。1

對企業採購者而言，這代表評估代理平台時，不能只看模型能力或 GPU 數量。記憶體、網路、CPU 編排、可觀測性，以及重複推論的成本，都會影響一條工作流程能否真正投入生產。

不會有一套架構適合所有代理

戴爾反對單一模型或單一部署地點的「單一文化」模式。公司提出的方向，是按工作需求混合使用本地部署的開放模型、由戴爾託管的前沿模型、受控的虛擬私有雲（VPC）、外部 API，以及在裝置上運行的模型。具體選擇則取決於效能、合規、功能與成本。1

經濟效益同樣取決於自動化的工作內容。例如，高價值的管理層決策支援代理，可能足以支撐較高的每月支出；但大量處理 CRM 清理工作的代理，則需要非常低的單筆成本，討論中提到的目標是每筆低於約 0.50 美元。1

因此，企業不應只問「哪個模型最好」，而應問：哪一個模型、部署地點與自主程度，能在可接受的成本和風險下，達到所需成果？

數位身分是自主代理的控制層

戴爾表示，凡是能存取公司資料的自主代理，不論來自內部或外部，都應取得由戴爾簽發的數位身分。這個身分可支援細緻的授權管理，也能在需要時撤銷存取權，作為實際的緊急停止機制。1

當代理不再只是繼承使用者身分時，安全挑戰會更複雜。繼承使用者身分的代理，會以可識別的員工憑證行事；「無人值守代理」（headless agent）則更獨立運作，令責任追蹤、權限配置與生命週期管理更加困難。根據相關討論，戴爾預期無人值守代理將佔未來部署的約 70%。2

戴爾也把代理對代理、代理對工具的通訊協定，以及後量子安全準備，列為生產環境自主運作安全模型的一部分。1 更廣泛的啟示是：企業應把代理視為一個具備軟體身分的系統，為它指定負責人、權限範圍、審計軌跡與撤銷路徑，而不是把它當成看不見的聊天機器人延伸功能。

工作會被拆解成任務，而非整個職位消失

戴爾表示，公司曾把 6,800 個職位拆解成生產力、資料維護、協調、專業判斷及面向人的工作等類別。其結論是，代理式 AI 更可能移除職位中的部分任務，而不是自動消滅整個職位。1

以軟體開發為例，代理可以處理例行程式編寫、註解，以及部分交付協調工作；人員則把更多時間投入架構、需求、判斷與客戶互動。1

這並不代表職位會維持原狀。戴爾的觀點是，當可自動化的任務被抽離後，每項工作都會重新設計，員工將更集中於需要專業知識、情境理解、判斷力與人際互動的責任。

代理式 AI 能否投入生產，關鍵看四件事

戴爾的主張可以濃縮成一項嚴格測試：只有當 AI 代理具備可量化的商業成果、界線清楚的工作流程、合理的經濟效益，以及完善的身分、存取與故障復原控制時，才算準備好進入生產環境。

從 900 個可能性縮減至 13 項重點計劃，正好概括了這套策略。代理式 AI 不只是更會對話的介面，而是一種由軟體執行工作的營運模式；與此同時，企業的基礎設施、安全治理與職務設計，也必須隨模型一同演進。

戴爾在 The Six Five Summit：AI Unleashed 2026 傳達的核心訊息是：企業 AI 正進入另一個階段。聊天機器人過去主要用於搜尋資料、摘要文件或生成內容；如今，企業開始部署能夠實際執行業務工作的 AI 代理。

戴爾表示，公司已把約 900 個潛在 AI 項目，收斂至 13 個具備明確商業價值的計劃，並分享初期約 20% 至 40% 的生產力提升。1 這是戴爾對自身經驗的描述，並非適用於所有企業的產業基準；但這套方法，仍有助理解 AI 如何從試驗走向日常營運。

代理式 AI 不只是「回答得更好」

戴爾把第一波生成式 AI 與代理式 AI（agentic AI）區分開來。聊天機器人與助理可以協助員工從企業內部資料找出資訊、摘要文件或撰寫內容；代理式系統則以「工作數位化」為目標，能針對任務進行推理、使用工具、協調多個步驟，並在較少直接人為介入的情況下完成流程。1

這不只是換上一個更強的模型。戴爾指出，要讓代理式 AI 進入生產環境，企業還要調整技術堆疊、基礎設施、治理方式與組織設計。長遠目標，是降低企業可完成的工作量與可用人力之間的直接關聯。1

戴爾已部署的三類工作：CRM、程式碼與定價

戴爾表示，公司約兩年前開始開發 AI 代理，並在前一年將相關系統帶入生產環境。目前提到的應用包括：

• CRM 資料清理： 代理可處理客戶記錄中的重複性資料品質工作。
• 軟體開發： 代理可協助例行程式編寫、註解，以及部分 CI/CD 協調工作。
• 特殊定價： 代理可支援重視處理速度與規則一致性的定價流程。1

這些例子距離「完全自主的企業」仍有一段距離，卻說明了流程設計的重要性。真正有用的部署，不是把模型嵌入既有應用程式就算完成，而是要建立一套具備明確輸入、工具、權限與輸出結果的自動化工作流程。

為何要把 900 個項目縮減至 13 個？

戴爾表示，公司把約 900 個候選 AI 項目縮減至約 13 個重點計劃，並以明確商業價值作為篩選條件，再透過由上而下的方式統一優先順序。1

這反映企業導入 AI 時的一個務實教訓：大量試驗不一定會形成營運優勢。戴爾的做法，是把資源集中到能量化預期成果的工作流程，再補足讓這些流程穩定運行所需的控制機制與基礎設施。

戴爾把約 20% 至 40% 的初期生產力改善，歸因於針對特定任務的助理部署；公司並表示，若代理進一步接手完整的工作類別，提升幅度可能大得多。戴爾也稱，聚焦後的計劃有助於讓營收增長與成本結構脫鉤。不過，這些都是公司自行披露的成果，應視為戴爾的經驗，而不是每個企業都能複製的保證數字。1

「代理炒作」掩蓋了真正差異

戴爾高層 John Roese 警告，不應把所有 AI 功能都稱為自主代理。在戴爾的說法中，「代理炒作」（agent washing）是指把聊天機器人、功能有限的助理，以及能自主執行工作的系統混為一談。1

可以用以下方式區分：

• 聊天機器人： 回應使用者提示，通常產出資訊或內容。
• 目標型助理： 改善一項範圍明確的工作，但人員仍密切參與。
• 自主代理： 能夠規劃、呼叫工具、協調行動並執行工作流程，對人員直接監督的依賴明顯較低。1

這個區分之所以重要，是因為自主程度越高，出錯的代價也越大。摘要有誤，或許只需人工更正；但若 AI 代理能存取企業系統，錯誤可能進一步修改資料、觸發後續行動，甚至暴露敏感資訊。

生產環境中的代理，會重新定義基礎設施需求

Marvell 執行長 Matt Murphy 表示，生產環境中的代理式推論，對基礎設施的要求有別於傳統 AI 訓練工作負載。代理在多次模型呼叫、大型上下文，以及長時間、多代理互動中，可能需要透過鍵值快取（key-value cache）保存工作流程狀態。結果是，記憶體容量與頻寬可能會在原始運算能力之前成為瓶頸。1

Murphy 也指出，CPU 的重要性會上升，因為代理式系統需要處理分支、檢索、工具呼叫、沙盒執行，以及不同代理之間的協調。在相關討論中，CPU 與 GPU 的比例被描述為：傳統 AI 約為 8 至 16 比 1，而代理式工作負載則可能轉向約 1 至 2 比 1。1

對企業採購者而言，這代表評估代理平台時，不能只看模型能力或 GPU 數量。記憶體、網路、CPU 編排、可觀測性，以及重複推論的成本，都會影響一條工作流程能否真正投入生產。

不會有一套架構適合所有代理

戴爾反對單一模型或單一部署地點的「單一文化」模式。公司提出的方向，是按工作需求混合使用本地部署的開放模型、由戴爾託管的前沿模型、受控的虛擬私有雲（VPC）、外部 API，以及在裝置上運行的模型。具體選擇則取決於效能、合規、功能與成本。1

經濟效益同樣取決於自動化的工作內容。例如，高價值的管理層決策支援代理，可能足以支撐較高的每月支出；但大量處理 CRM 清理工作的代理，則需要非常低的單筆成本，討論中提到的目標是每筆低於約 0.50 美元。1

因此，企業不應只問「哪個模型最好」，而應問：哪一個模型、部署地點與自主程度，能在可接受的成本和風險下，達到所需成果？

數位身分是自主代理的控制層

戴爾表示，凡是能存取公司資料的自主代理，不論來自內部或外部，都應取得由戴爾簽發的數位身分。這個身分可支援細緻的授權管理，也能在需要時撤銷存取權，作為實際的緊急停止機制。1

當代理不再只是繼承使用者身分時，安全挑戰會更複雜。繼承使用者身分的代理，會以可識別的員工憑證行事；「無人值守代理」（headless agent）則更獨立運作，令責任追蹤、權限配置與生命週期管理更加困難。根據相關討論，戴爾預期無人值守代理將佔未來部署的約 70%。2

戴爾也把代理對代理、代理對工具的通訊協定，以及後量子安全準備，列為生產環境自主運作安全模型的一部分。1 更廣泛的啟示是：企業應把代理視為一個具備軟體身分的系統，為它指定負責人、權限範圍、審計軌跡與撤銷路徑，而不是把它當成看不見的聊天機器人延伸功能。

工作會被拆解成任務，而非整個職位消失

戴爾表示，公司曾把 6,800 個職位拆解成生產力、資料維護、協調、專業判斷及面向人的工作等類別。其結論是，代理式 AI 更可能移除職位中的部分任務，而不是自動消滅整個職位。1

以軟體開發為例，代理可以處理例行程式編寫、註解，以及部分交付協調工作；人員則把更多時間投入架構、需求、判斷與客戶互動。1

這並不代表職位會維持原狀。戴爾的觀點是，當可自動化的任務被抽離後，每項工作都會重新設計，員工將更集中於需要專業知識、情境理解、判斷力與人際互動的責任。

代理式 AI 能否投入生產，關鍵看四件事

戴爾的主張可以濃縮成一項嚴格測試：只有當 AI 代理具備可量化的商業成果、界線清楚的工作流程、合理的經濟效益，以及完善的身分、存取與故障復原控制時，才算準備好進入生產環境。

從 900 個可能性縮減至 13 項重點計劃，正好概括了這套策略。代理式 AI 不只是更會對話的介面，而是一種由軟體執行工作的營運模式；與此同時，企業的基礎設施、安全治理與職務設計，也必須隨模型一同演進。