Fiona Signal Radar
AI Agent 的瓶頸不在模型——而在人與組織能不能跟上。軟體的終端用戶正在悄悄從「人」轉移到「AI」，但沒有人說清楚，人退到哪一層才算安全。
Signal
FedScoop 談的是聯邦政府，ZDNet 談的是企業規模化。兩篇放在一起看，說的是同一件事：AI Agent 已經到位，但人和組織還沒。
Core Narrative 核心事實
Key Signals · 兩個層面的同一個問題
FedScoop 的影片用了一個很準的詞：Swivel Servants（旋轉木馬員工）。聯邦政府員工每天在電子郵件、試算表、各部會獨立系統之間切換，切換次數可能高達上千次。這種碎片化直接造成 Context Gap——AI 永遠只看到局部，拿不到跨系統的全景，無法執行需要跨部門資訊的任務。
解方不是換掉所有舊系統（Legacy Systems），而是建立一個 Shared Operating Layer（共享作業層），讓 AI 在不移動資料的前提下讀取不同孤立系統。Zero-copy Data Architecture 是技術答案，但這個架構的前提是：你得先搞清楚自己有什麼資料、資料在哪裡。很多政府部門連這一關都還沒過。
ZDNet 那篇說的更直接：AI Agent 要真正規模化運作，底層資料基礎設施必須先到位。大多數企業的現狀是：ERP、CRM、Slack 各自為政，資料格式不一，部門之間的資料孤島比任何人願意承認的都嚴重。
問題不只是技術。是 AI 治理（Governance）沒有跟上：誰有權決定 Agent 能存取哪些資料？Agent 的決策出錯時誰負責？如何設定 Guardrails（護欄）？這些問題在大多數企業裡，目前答案都是「還沒討論到這一步」。
📡 跨期引用｜敘事脈絡
第十八期
蘋果供應鏈：不是分散，是複雜化
組織整合的失敗模式不只在 AI——蘋果用二十年把供應鏈串成一條生產時序，企業在 AI 整合上面臨相同的結構挑戰
2026-04-20 Radar
AI 新創的成本困境
應用層被上下擠壓——底層模型升級同時拉高成本、降低差異化空間；Agent 的工具碎片化問題讓中間層更難存活
今日 2026-04-22
AI Agent 的真正瓶頸：人與組織
模型不是問題。問題在人能不能跟上，以及工具碎片化的摩擦期會拖多久
Editor's View
這不只是學習曲線的問題。摩擦期拖長，有更深的結構性原因。
Adobe、Salesforce、SAP——這些公司的定價邏輯、培訓生態、認證體系，全部預設「人是操作主體，而且人需要花時間學」。工具整合、蒸餾成 Agent 可直接操作的形式，對這些軟體公司來說是自我顛覆。沒有強力外部壓力（例如：同業競爭、客戶流失、政府監管），這些軟體公司不會主動加速這個過程。
企業的資安政策、合規框架、IT 採購審批流程，全部預設「人是操作主體，AI 是輔助工具」。要讓 Agent 真正取得跨系統的操作權限，需要改的不是一個設定，是整套治理邏輯。這不是換個軟體，是改組織的神經系統——而且改錯了會直接爆出資安事件。
AI 的終極承諾是讓工作更省力。但現在的現實是：為了讓 AI 聽懂你在說什麼，你要先學 Prompt Engineering；為了讓 Agent 串接你的工具，你要先理解 Workflow 邏輯；為了監督 Agent 的決策，你要先具備 AI Governance 的基本概念。
這不符合「科技服務人」的設計理想。但每次技術典範轉移都有這個陣痛——打孔卡 → 命令列 → 圖形介面 → 觸控，每一次轉換都有一段「人在幫技術補位」的過渡期。現在的「AI 補習班」，本質上是同一件事：人類在幫還不夠成熟的介面填缺口。
Fiona View
MCP（Model Context Protocol）、Function Calling、Tool Use——這些「介面標準」的設計對象不是人，是 AI Agent。Anthropic、OpenAI 在定義的，是「Agent 如何操作工具」的規格書，不是「人如何使用工具」的規格書。
換句話說，軟體生態的終端用戶正在悄悄轉移：人退到上一層，變成任務的發起者和結果的審核者；中間那層執行，越來越多交給 Agent。這個轉移沒有人正式宣布，但它就在發生。
最終形態不是「更好用的人機介面」。最終形態是人在整個工作流裡只剩決策層——判斷目標、設定邊界、審核結果。但現在的問題是：決策層的邊界在哪裡，還沒有人畫清楚。
效率工具的盡頭是「無工具」。當你的語言邏輯足夠強、數據基礎足夠穩，AI Agent 自然會幫你串連碎片，讓你從「旋轉木馬」上跳下來，真正落實「AI 代理人」。
Sources