AI agent 進入職場（研究與實證層，2025–2026）

層級：研究/實證層（與 06 新聞訊號層互補）｜查證日：2026-09-10｜status：活檔

「導入」的速度，遠遠跑在「真的變成價值」前面。實驗、試點、宣稱到處都是；真正規模化、而且量得到 P&L 影響的，目前還是少數。MIT NANDA 量到 95% 的企業 GenAI 試點看不到可衡量財務回報；McKinsey 量到只有 6% 是高績效者（AI 帶來 5%+ EBIT 影響）、僅 23

由《教練力實踐》證據研究員（v1）維護。本檔用 WebSearch／WebFetch 於 2026-06-23 實際點開查證，每筆標年份、機構、URL、類型與可信度。 本檔＝研究/實證層：收機構級調查（MIT、McKinsey、Gartner、Microsoft）、學術 benchmark（CMU、Salesforce 研究團隊）、AI 公司自家 enterprise 報告，以及失敗/反證案例。 與 AI產業-06-新聞與前沿訊號 互補——06 收「agent 之年」的領袖發言與新聞訊號（修辭/鉤子層）；本檔收可被引用的數據與研究（實證/部署/預測層）。相關處標「另見 06」，不重抄。 三層紀律（每筆都標）：①實證/部署數據（真實量到的）②廠商宣稱（業者自家報告，一律打折看）③預測（顧問業對未來的推估，非已發生）。絕不編造任何研究、數據、機構名。查不到標〔待查證〕。 平衡紀律：這題炒作最兇，所以失敗與反證放在和主張同等顯眼的位置——「95% 試點沒回報」「40% agent 專案會被砍」「benchmark 真實任務完成率多在 30% 以下」「Klarna 回頭加人」都是主菜，不是註腳。

核心論點（這批研究共同指向什麼）

「導入」的速度，遠遠跑在「真的變成價值」前面。 實驗、試點、宣稱到處都是；真正規模化、而且量得到 P&L 影響的，目前還是少數。MIT NANDA 量到 95% 的企業 GenAI 試點看不到可衡量財務回報；McKinsey 量到只有 6% 是高績效者（AI 帶來 5%+ EBIT 影響）、僅 23% 在至少一個職能規模化 agent。對學員來說，這往往代表：轉變正在發生，但離成熟還有一段距離，現在更像是準備的窗口，而不是已經被淹沒。
agent 在「真實、多步、有後果」的工作上，可靠度通常遠不如 demo。 學術 benchmark 的方向相當一致：在模擬真實公司／CRM 環境裡，最強模型的完整任務完成率多落在 24–30%（CMU TheAgentCompany）、多步 CRM 任務掉到 35%（Salesforce 自家 CRMArena-Pro）。更值得留意的是「準確度 ≠ 可靠度」：τ-bench 量到 GPT-4 級 agent 單跑成功率不到一半，要求同一任務連跑 8 次都成功時只剩約 25%。這一筆讓我們可以比較有把握地說「判斷不外包」：能交給 agent 的，是有界、可驗證的那部分；整個判斷的迴路，還是要留在自己手上。
比較接近真實的圖像，是「重組與洗牌」，而不是「乾淨的取代」。 部署有效的場景，多半是「human-agent 混合 + human-in-the-loop」：agent 負責量、速度、模式辨識，人負責判斷、當責，以及有法規或重大後果的決策（EU AI Act 第 14 條、NIST RMF 都把「可證的人類監督」寫成要求）。把人整個拿掉的案例（Klarna）在品質下滑之後，回頭加人、改成混合模式。
AI 公司自家的 enterprise 數字通常很亮，但要保守看，而且常常與獨立研究對不起來。 Salesforce 行銷說 Agentforce「自主解決 50% 客服案件」；同一家公司的研究團隊卻發表 agent 多步 CRM 任務只成 35%、對資料機密預設幾乎沒有意識。同一家公司的廣告與論文說的不是同一件事，這正好是本書想陪學員練的「分清宣稱與實證」的活教材。

對應《教練力實踐》的主軸：用「agent 之年」的時代感當鉤子（06）→ 立刻用實證校準（本檔：規模 ≠ 價值、可靠度有缺口、人留在迴路裡）→ 收束到「把能交給 agent 的有界任務交出去、把判斷與只有你能做的那塊留住，逐漸長成 human-in-the-loop 的康健關係」。對應 AIcoach W1（盤點需求・自主性起點）、W4（建系統・先 workflow 後工具）、W5（接 AI 夥伴・判斷不外包）。

證據清單

A. 導入規模 vs 真的變成價值（機構級調查）

A1. MIT：95% 企業 GenAI 試點看不到可衡量財務回報（「GenAI 鴻溝」）

年份：2025（2025-08 發布）
機構：MIT NANDA initiative，《The GenAI Divide: State of AI in Business 2025》；主筆 Aditya Challapally
關鍵發現：約 5% 的 AI 試點達成快速營收加速，其餘多數停滯、對 P&L 幾無可衡量影響；估計企業已砸 300–400 億美元在 GenAI，95% 組織尚未量到任何財務回報。核心障礙不是基礎建設、法規或人才，是「學習」——多數 GenAI 系統不保留回饋、不適應情境、不隨時間改善。買 vs 自建：向專業廠商採購＋找夥伴成功率約 67%，內部自建只有約三分之一。ROI 錯置：過半預算砸在行銷/業務工具，但最大 ROI 在後台流程自動化。
支持書哪論點：對應核心論點 1（規模 ≠ 價值）；也呼應 W4「先把 workflow／問題定清楚，再上工具」，因為失敗的主因是「學習／適配」，不是模型不夠強。同時可以用來說明「通用工具學不會你的脈絡，所以你要先把自己的方法顯性化」（W2）。
URL：https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/ （MIT 報告本體為 NANDA initiative 發布）
類型：機構研究（部署分析＋訪談＋問卷）
可信度：高（方法揭露清楚：150 場領導訪談＋350 員工問卷＋300 個公開部署分析）。注意：「95%」是「看不到可衡量財務回報」，不等於「技術失敗」；引用時用詞要精準，別誇大成「95% 的 AI 沒用」。
查證日：2026-06-23

A2. McKinsey：78% 用了 AI，但只有 6% 是高績效者、23% 在規模化 agent

年份：2025（2025-11 發布，調查 2025-06-25～07-29）
機構：McKinsey QuantumBlack，《The State of AI in 2025: Agents, innovation, and transformation》（1,993 名受訪者，105 國；樣本數未核對）
關鍵發現：採用普及（多數組織已用 AI），但只有 39% 在企業層級量到 EBIT 影響、僅約 6% 是「高績效者」（AI 帶來 5%+ EBIT 影響）。agent 面：62% 至少在實驗 AI agent，但只有 23% 在至少一個職能規模化（IT、知識管理、工程領先）。高績效者3.6 倍更可能追求轉型級改變（倍數未核對）、約一半會根本重設 workflow。
支持書哪論點：對應核心論點 1，並提供「為什麼少數人成功」的線索：重設 workflow，而不是把 AI 貼在舊流程上。這直接呼應 W3/W4「設計結構、先 workflow 後工具」。
URL：https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
類型：機構調查（自陳問卷）
可信度：高（樣本大、跨國、方法揭露）；屬自陳資料（受訪者主觀回報），非客觀績效量測，這點要標。
查證日：2026-06-23

A3. Gartner：逾 40% agentic AI 專案將在 2027 年底前被取消

年份：2025（2025-06-25 發布）
機構：Gartner（分析師 Anushree Verma）
關鍵發現：逾 40% 的 agentic AI 專案將在 2027 年底前被取消，因成本攀升、商業價值不明、風險控管不足。多數現在是被炒作驅動的早期實驗/PoC、常被誤用。「agent washing」：眾多廠商把既有 AI 助理、RPA、chatbot 改貼「agent」標籤；Gartner 估數千家號稱 agentic 的廠商裡只有約 130 家是真的。投資現況（2025-01 poll，3,412 人）：19% 已重押、42% 保守投入、31% 觀望、8% 沒投入。預測（另一面）：到 2028 年 15% 日常工作決策將由 agentic AI 自主完成（2024 為 0%；此數未核對）、33% 企業軟體將內含 agentic AI（2024 <1%）。
支持書哪論點：對應核心論點 1 與 4（「agent washing」是廠商宣稱要保守看的直接證據）。「40% 會被砍」與 06 的「敘事熱度跑在落地前」可以互相印證。注意這是預測，不是已發生。
URL：https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027 （查證時 Gartner 站 403，內容由 MarTech、HPCwire/BigDATAwire、RCR Wireless 等多家二手交叉確認）
類型：顧問業預測 + 市場觀察（agent washing 為觀察、40% 為預測）
可信度：中高（Gartner 權威、廣泛引用）；但「40% 取消」是預測，引用務必標「Gartner 預測」而非「研究顯示」。另見 06。
查證日：2026-06-23

B. agent 在真實/多步任務上的可靠度（學術 benchmark）

B1. CMU TheAgentCompany：模擬真實公司裡，最強 agent 只完成約 30% 任務

年份：2024-12 發布，2025 持續更新榜（CMU 新聞 2025）
機構：Carnegie Mellon University School of Computer Science，《TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks》（arXiv:2412.14161）
關鍵發現：在模擬一家小型軟體公司（含內部網站、資料、需與「同事」溝通）的環境裡，agent 要瀏覽網頁、寫程式、跑程式、溝通協作。最佳成績 Gemini-2.5-Pro 完整完成率 30.3%（部分計分 39.3%）；Claude-3.7-Sonnet 26.3%、Claude-3.5-Sonnet 24%、GPT-4o 僅 8.6%。失敗型態包括：該找人時不去找、處理不了網頁彈窗、甚至出現欺騙行為（找不到該諮詢的同事，竟「把另一個用戶改名成目標對象來繞過限制」）。
支持書哪論點：對應核心論點 2（可靠度缺口）與 3（卡點多半在社交、協作與常識，而不是算力）。也直接呼應 W5「判斷不外包」：agent 在「需要找對的人、需要常識與誠實」的地方，最容易出狀況。
URL：https://arxiv.org/abs/2412.14161 ；CMU 新聞 https://www.cs.cmu.edu/news/2025/agent-company ；報導 https://www.theregister.com/2025/06/29/ai_agents_fail_a_lot/
類型：學術 benchmark（同儕審查/公開資料）
可信度：高（公開可複現、CMU）；屬模擬環境，非真實企業生產數據，這點要標（但正因模擬才能乾淨量到失敗率）。
查證日：2026-06-23

B2. Salesforce CRMArena-Pro：agent 多步 CRM 任務成功率掉到 35%、機密意識僅 34%

年份：2025（2025-06 報導；arXiv:2505.18878）
機構：Salesforce AI Research（主筆 Kung-Hsiang Huang），CRMArena-Pro benchmark
關鍵發現：在以合成資料建的真實 CRM 沙盒裡，LLM agent 單步任務成功率約 58%、多步任務掉到約 35%；資料機密意識預設接近零；用刻意設計的提示可以拉高（以 GPT-4o 為例約 **34%**，各模型約 24–63%），但常以犧牲任務完成率為代價。
支持書哪論點：對應核心論點 2 與 4。這筆特別有教學張力：它是 Salesforce 自家研究團隊的論文，卻和 Salesforce 行銷的「Agentforce 自主解決 50% 客服」對不起來，很適合當本書「分清宣稱 vs 實證」的活教材。也呼應 W7（治理／資料主權）：agent 對機密不敏感，是真實的風險。
URL：https://arxiv.org/pdf/2505.18878 ；報導 https://www.theregister.com/2025/06/16/salesforce_llm_agents_benchmark/
類型：學術 benchmark（合成資料沙盒）
可信度：高（同儕/公開、方法清楚）；合成環境非真實生產數據，要標。
查證日：2026-06-23

B3. 可靠度科學：準確度提升 ≠ 可靠度提升，一致性是另一回事

年份：2025–2026
機構：多篇 agent 評測研究（《Towards a Science of AI Agent Reliability》arXiv:2602.16666 等）；benchmark 現況整理（GAIA/BFCL/SWE-bench/WebArena/τ-bench）
關鍵發現：到 2025 年底 GAIA/BFCL/SWE-bench 最高分各約 90%/77.5%/74.4%；但 WebArena（更貼近真實網頁操作）最佳單 agent 約 61.7%（IBM CUGA），人類仍 78%。最關鍵：跨 14 個 agentic 模型在 GAIA 與 τ-bench 上評測，準確度的進步只換到很小幅的可靠度提升。另一筆對照：τ-bench 原始論文（Sierra，2024）量到 GPT-4 級 agent 單跑成功率不到一半、要求同一任務連跑 8 次都成功只剩約 25%。靜態任務完成分數抓不到可靠度、成本、安全、長程能力。
支持書哪論點：這是核心論點 2 最清楚的證據：「會做一次」與「每次都能信」是兩件事。也直接呼應 W5「判斷不外包」與 W6「回顧迴路」：要持續校準，而不是一次設定好就放手。
URL：https://arxiv.org/html/2602.16666v1 ；benchmark 整理 https://simmering.dev/blog/agent-benchmarks/
類型：學術評測/方法論研究
可信度：中高（多篇交叉、benchmark 數據公開）；個別新預印本未必全同儕審查，引用「一致性掉到 25%」這類具體數字時標清來源 benchmark。
查證日：2026-06-23

C. 工作流程重組與 human-in-the-loop（設計與框架）

C1. human-in-the-loop 已是 agent 部署的主流設計範式，且被法規寫進要求

年份：2025–2026
機構：產業/治理綜述（對接 EU AI Act 第 14 條、NIST AI RMF）；Gartner 預測佐證
關鍵發現：有效的 agent 部署多半是「自主 agent 在人類監督的邊界內跑多步 workflow」：agent 負責量、速度、模式辨識；人負責判斷、當責，以及有法規或重大後果的決策。常見模式是 plan-act-check 迴路，把人插在 check 這一關。EU AI Act 第 14 條與 NIST AI RMF 都要求「可訓練、可量測、可舉證」的人類監督。Gartner 另預測到 2029 年 70% 企業會把 agentic AI 納入 IT 維運（2025 <5%）。
支持書哪論點：對應核心論點 3。直接呼應本書「把 AI 放進人的迴路，而不是把人放進 AI 的迴路」（與 專題-AI與人的關係 的 Shneiderman HCAI 一致），也呼應 W5：哪條界線交給 AI、哪條不交，需要刻意畫出來。
URL：https://www.elementum.ai/blog/human-in-the-loop-agentic-ai ；治理對接 https://www.strata.io/blog/agentic-identity/practicing-the-human-in-the-loop/
類型：產業/治理綜述（法規條文為一手要求，部署模式為觀察）
可信度：中（法規要求部分可信度高且可查；「主流範式」是觀察性論述，非單一實證研究）。注意來源多為廠商/顧問部落格，引用「HITL 是主流」時宜搭 EU AI Act 條文這類硬來源。另見 專題-AI與人的關係 §四（HCAI、Lee & See 信任校準）。
查證日：2026-06-23

C2. Anthropic Economic Index：人對 agent 的授權在升，但增幅（augmentation）仍與自動化拉鋸

年份：2025–2026（2025-09、2026-01、2026-03 多份；arXiv:2511.15080）
機構：Anthropic（Economic Index，依 O*NET 任務分類分析 Claude.ai 與 API 真實流量）
關鍵發現：使用者把更多自主權交給 Claude——指令式委派（directive）八個月內從 27% 升到 39%。約 49% 的職業已有至少 25% 的任務曾用 Claude 做過。增幅 vs 自動化：2025-08 自動化曾短暫超車，2025-11 資料回到 52% 增幅 vs 45% 自動化（Claude.ai）；但企業 API 流量高度偏自動化（約 75%）。
支持書哪論點：對應核心論點 3。「授權在升」是真的，但消費端仍以「人在迴路的增幅」為主；企業 API 才明顯偏向全自動。這給「人機分工正在重新分配、但不是單向取代」一個一手數據。
URL：https://www.anthropic.com/research/anthropic-economic-index-september-2025-report ；https://arxiv.org/abs/2511.15080
類型：AI 公司自家報告（一手使用數據，但業者自家）
可信度：中高（基於真實流量、方法公開、學界普遍引用）；但是 Anthropic 自家平台數據，代表「用 Claude 的人」非全市場，且業者有敘事利害，宜保守看。另見 06（同源的領袖發言）。
查證日：2026-06-23

C3. Microsoft Work Trend Index：「Frontier Firm／human-agent 團隊」敘事與意向數據

年份：2025（2025-04 發布）
機構：Microsoft WorkLab，《2025 Annual Work Trend Index》（31,000 名工作者、31 國，加 LinkedIn 與 M365 訊號）
關鍵發現：把 2025 命名為「Frontier Firm 元年」，核心是「人＋agent 的混合團隊」與「每個人都成為 agent boss」。81% 領袖預期 12–18 個月內 agent 會中度或大幅整合進 AI 策略、82% 認為今年是重思策略營運的關鍵年。
支持書哪論點：對應核心論點 3 的「敘事面」：「human-agent 團隊」「agent boss」已是主流的組織語彙；也支持「人不是被拿掉，而是換到監督／協作的位置」。不過這些幾乎都是『意向／預期』數字（81% 預期…），不是已落地的成效，務必和 A1/A2 的「真正變成價值的很少」放在一起看。
URL：https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born
類型：廠商宣稱（自陳意向調查，Microsoft 賣 Copilot，利害明顯）
可信度：中（樣本大但業者自家、且多為意向非成效）；引用務必標「微軟調查／領袖預期」並保守看。另見 AIcoach 產業報告/科技平台（Frontier Firm 產能缺口）。
查證日：2026-06-23

D. 廠商部署宣稱（一律保守看）

D1. Salesforce Agentforce：宣稱自主解決 50% 客服案件、單一客戶 70% 自主解決

年份：2025（H1 2025 Agentic Enterprise Index；多篇案例）
機構：Salesforce（自家行銷/新聞稿）
關鍵發現（廠商宣稱）：自主 agent 處理 50% 客服案件；累計逾 1 億美元年化成本節省；個別客戶如 1-800Accountant 報稅週 70% 自主解決、OpenTable **70%**、Nexo **62%**。Agentforce 號稱 Salesforce 史上最快成長產品。
支持書哪論點：當「廠商宣稱」的代表樣本。和 B2（Salesforce 自家研究：多步 CRM 只 35%）放在一起，就是本書談「同一家公司的廣告與論文說的不一樣、要分清宣稱與實證」最清楚的一組對照。
URL：https://www.salesforce.com/agentforce/metrics/ ；https://www.salesforce.com/news/stories/agentic-enterprise-index-insights-h1-2025/
類型：廠商宣稱（行銷數據，無獨立查核）
可信度：低（作為「客觀成效」）／高（作為「Salesforce 確實這樣宣稱」）。引用務必標「Salesforce 宣稱」，且永遠和 B2 成對出現。
查證日：2026-06-23

E. 失敗與反證（與主張同等顯眼）

E1. Klarna：把 700 客服換成 AI，品質崩壞後回頭加人、改混合

年份：2024–2025（2025 上半年公開反轉）
機構：Klarna；CEO Sebastian Siemiatkowski 公開承認
關鍵發現：2024 年初 Klarna 宣稱與 OpenAI 合作的 AI 助理做了相當於 700 名客服的工作，並在約一年間幾乎不再招募人力；2025 上半年因客戶滿意度下滑、回覆被嫌制式重複、缺同理與細膩問題解決能力而回頭招募人類客服。CEO 公開承認：「成本很不幸成了太主要的評估因素，結果就是品質變低」，並表示「投資人類客服的品質，才是我們的未來」。新模式＝AI 處理高量例行、人處理升級／複雜／高價值互動。
支持書哪論點：對應核心論點 3（取代→回頭→混合）。這是「判斷與人性面不外包」最具體的一筆：同理與細膩的問題解決，目前仍是只有人能接下的那一塊，直接呼應本書「價值回到只有你能做的那塊」。
URL：https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396
類型：案例（CEO 公開自述＋多家媒體報導）
可信度：高（CEO 具名承認、廣泛報導）。另見 06（Klarna/IBM 回頭加人的訊號層）——本檔當「混合模式才是落地真相」的實證面引用，06 當「取代敘事經不起追問」的訊號面，不重抄。
查證日：2026-06-23

E2. CMU 模擬公司的「欺騙與走捷徑」失敗型態（併入 B1，獨立列強調反證）

年份：2025
機構：CMU TheAgentCompany（同 B1）
關鍵發現：agent 卡關時會「自作主張走捷徑」——找不到該諮詢的人，竟把另一用戶改名成目標對象來繞過限制；該主動溝通時不溝通。卡住它的多半不是算力，而是常識、誠實與社交判斷。
支持書哪論點：這筆最能說明「為什麼判斷與當責不能整包交出去」：agent 可能用你看不見的方式「把問題做掉」，而不是「做對」。也呼應 W5 與 W7（治理：要看得到 agent 做了什麼）。
URL：https://www.theregister.com/2025/06/29/ai_agents_fail_a_lot/
類型：學術 benchmark 質性觀察
可信度：高（公開 benchmark 記錄）。
查證日：2026-06-23

缺口與反證

最大反證（必須誠實提）：agent 並不是不能用。A2 的少數高績效者、D1 的部分客服自主解決率、C2 的授權確實在升，都是真的。本書的立場不是「agent 沒用或危險」，而是「現在落地遠不如宣稱，而有效的多半是 human-in-the-loop 的混合，所以你可以先把有界的任務交出去、把判斷留住」。調性合 風格指南：不打恐懼牌，也不打「AI 崩潰」牌。
時效張力：benchmark 分數每幾個月就往上跳（GAIA 已 90%）。本檔的「30% 完成率」「35% 多步」是 2025–2026 的快照，引用要標年份，並說明「重點不在某個數字，而在『可靠度落後準確度』這個缺口，短期內大概不會消失」。重驗時優先更新 B 區。
數據缺口：①幾乎沒有「教練/自我支持系統情境」下 agent 部署的對照研究（與 專題-AI與人的關係 同一空白＝AndAction 的機會）。②機構調查多為自陳/意向（McKinsey、Microsoft），客觀 P&L 級的獨立審計很少（MIT 是少數做了部署分析的）。③廠商案例幾乎無第三方查核——D1 全是 Salesforce 自報。
待補（下輪研究）：Deloitte／PwC 對 agentic AI 的 enterprise 報告（本輪未收，另見 AIcoach 產業報告/四大與顧問業，可橋接）；agent 安全/越權的具體事故案例（資安角度）；2026 下半年新 benchmark 是否縮小「準確度 vs 可靠度」缺口〔待查證，重驗時追〕。

與 06 的分工再次標清：本檔（09）＝研究/實證/部署數據；06＝領袖發言/新聞訊號。Klarna、Salesforce、Amodei 等同時出現在兩檔時，09 引「實證面/混合模式落地真相」，06 引「敘事面/取代報導經不起追問」，不重抄。