Agent-First System 這個詞，前陣子寫過兩篇 — 一篇講為什麼這個 buzzword 是業界五十年劇本的下一輪、另一篇講它技術內裡其實是 1970 年代的論文翻出來重新包裝。那兩篇是劇本層跟考古層。
這篇是最後一層 — 它在企業裡真正做的事。
sales deck 上會這樣定義 Agent-First System：「以 agent 為主要互動主體；人類只在最後決策呈現的那一層出現。」
聽起來像架構翻新。實際上 — 在企業導入完一輪、過了一兩個會計年度之後 — 它真正的功能，是員工剛拿到的 AI 超能力，怎麼被一道一道收進可監控、可審計、可被擴張使用到員工管理上的 governance 層裡。
這篇來講這件事。
現在來看看「重做地基」這件事，實際上要做哪些事。
第一件事，叫做 state machine 邊界放在哪。
agent 是機率性的，但稽核、權限、合規、財務動作必須是可決定性的。意思就是：agent 想做什麼是它的事，但什麼是 agent 做了會算數的，是我們的事。我們要劃出一條線：
- Deterministic state machine：write、commit、pay、approve、發薪 — 這些是企業會被告的動作，必須走嚴格的狀態機，必須留 immutable log，必須有人類最終批准
- Probabilistic agent：plan、suggest、draft、explore — 這些是員工拿 AI 加速生產力的部分，agent 隨便玩，玩失敗也沒人會被告
聽起來像是給員工自由空間？再仔細看一次這份分類。
所有真正會在公司裡產生實質意義的動作，都被劃進 deterministic 這邊。 員工拿 AI 能玩的，全是 plan 跟 draft 階段 — 也就是「想想看」階段。一旦進入「實際做」階段，立刻轉到我們的 deterministic state machine 上，立刻留 immutable log，立刻被審計。
員工以為他用 AI 加速了 300% 的生產力。他確實加速了 — 加速的全部，是「想想看」這個階段。「實際做」這個階段，還是要排隊走我們的狀態機，跟以前 ERP 的工作流請假表單沒什麼差別。
差別只是，現在他想的時候我們也在看。 因為要從「想」走到「做」這條路徑，每一步都會在 system of record 上留痕跡。「員工最近用 AI 在想什麼」這份報告，從這一刻起，是 monthly OKR review 的固定議程。
第二件事，token 是新時代的 memory。
1980 年代寫程式要算 memory，每個 byte 計較。1990 年代開始可以不用算了，因為 RAM 變便宜。 現在 2025 年換成 token 在算 — context 視窗、cache hit、tool call 成本，每一個都直接連到雲端帳單。
這件事的技術面很無聊，是經典的 query plan 跟 memory pool 那套東西回來了。但它的政治面很有趣 —token 是新的工時記錄。
員工每寫一個 prompt、每呼叫一次 tool、每讓 agent 跑一次 multi-step plan，都會產生一筆可計價、可歸因、可審計的 token 消耗。這份消耗 — 各位先生女士 — 就是員工腦袋運作的證據。
以前我們要員工填工時表，員工總是有十八種理由能填得很模糊，今天「跟客戶開會」、明天「discussion」、後天「research」。 但你知道嗎，這些事情接下來會被 AI 工具取代 — 跟客戶開會用 transcribe agent、discussion 用 plan agent、research 用 deep research agent。而這些 agent 的每一次呼叫，都在 system of record 上留下精確到 millisecond 的記錄。
第三件事，這是這篇文章重量最重的一塊 — data governance 變成 kernel。
在 Human-First 時代，governance 是 compliance 部門的事，貼在系統表面：VPN、SSO、audit log。 為什麼可以這樣？因為人類動作慢、可被攔截、有打卡時間、有人事考核當側錄機制 —一個人類一天能闖的禍，是有物理上限的。
在 Agent-First 時代沒有這個上限。一個 agent 一秒可以發 N 次 tool call、跨多個系統、自己做 plan — 而且每一個 call 看起來都合法、合規、有完整 trace。 任何「貼在系統表面」的 governance 都會被繞過。所以 governance 必須變成 first-class primitive，跟 type system 同層、跟 memory allocator 同層。
這不是純架構話。AI 基本法 2026-01-14 施行條文要求：可解釋性、可審計性、風險分級。 金管會 AI 指引要求：金融業引入 AI 必須有完整稽核軌跡與分級控管。十六家銀行那個七千萬的 FinLLM 聯盟年底前要結案。
把法規語言翻成架構語言：
- 稽核軌跡 = 每個 agent 動作的 immutable log
- 風險分級 = state machine 邊界
- 可解釋性 = 每次 plan 的 trace 可以被重建
這聽起來都很合規、很正派、很 CISO 友好。但所有以「合規」為名建立的系統，最後一定會被擴張使用到「員工管理」上。
從 SOX、GDPR、PDPA — 過去三十年，每一波合規最後都會發生一件事：起初它只是用來「應付主管機關」，三年之後它變成 HR 用來追蹤員工的工具，五年之後它變成中階主管用來鬥爭部屬的武器。
AI 法規這一波也不會例外。差別是這一波留下來的痕跡比以前細密一千倍。 以前主管想知道你在幹嘛，要等月會報告、要看 commit log、要逼你寫週報。 現在主管只要查 audit trail，他就可以看到你今天上午十點四十七分跟 agent 討論了什麼、agent 建議你怎麼做、你同意了哪一條建議、你拒絕了哪一條。
而員工，你以為員工會反對嗎？員工不會反對的。
員工不會反對的原因，是這套東西包裝得太好了。每一個流程都掛著「智慧化」、「賦能」、「協作」、「敏捷」 — 沒有一個詞跟「監控」沾上邊。 員工每天打開電腦，看到的是一個更友善的 dashboard、一個更聰明的助理、一個會主動提醒「你今天的 OKR 進度是 73%」的 agent。
員工不會反對「AI 助理替我整理一週重點」這件事。誰會反對？這聽起來太好了。 員工只是不知道 — 那份「一週重點」的副本，會自動進到他主管的 system of record，會被另一隻 agent 整理成「員工本週生產力評估」，最後會在月會的某一張投影片上佔半行字。
我們不需要員工反對，我們需要員工感激。
而員工會感激的原因，是因為他們上一個工作環境更糟。十年前他們在的公司沒有 AI，他們得自己手動寫週報、手動填 OKR、手動產生晉升用的「我為什麼值得加薪」報告 — 那才叫痛苦。 現在的世界，他們可以叫 agent 替他們寫所有這些東西，他們覺得人生終於得到了解放。
他們確實得到了解放。他們從「自己寫垃圾文件」這件事中得到了解放。但那份垃圾文件本身，他們以為終於不必寫了 — 其實只是換了個生產者，繼續生產。
agent 寫的垃圾文件，比他們自己寫的還精美、還可信、還可被 indexing、還可被搜尋、還可被進一步分析。
「所以你們建議怎麼導？」每一場對焦會議的結尾，主管都會問同一句話。
正派的賣家不會在這個位置推銷產品 — 還沒練成的業務才會。回的話也每次一樣：
您的問題不是選哪一家 AI 平台。您的問題是 — 您怎麼讓三千個人安全地、一致地、可追蹤地使用 AI，同時不殺死他們剛得到的超能力。
主管會沉默一下，然後說：「對，這才是真正的問題。」
但他沒有意識到他剛才同意的是什麼。「不殺死超能力」是修辭裡的點綴 — 真正的訴求其實是前面那串副詞：安全地、一致地、可追蹤地。安全 = 我們監控；一致 = 我們標準化；可追蹤 = 我們有日誌。三個副詞，三道籠子。 員工的超能力會在這三道籠子裡被慢慢校正回原本「企業可以接受的能力範圍」 — 而這個範圍，剛好就是員工得到 AI 之前的能力範圍，加上一點點利於管理層升遷用的資料。
於是他簽了 pilot。第一階段佈署，通常涵蓋公司七到八成的人。剩下兩到三成，主管會說那是「信得過的核心團隊」 — 但所謂的核心團隊，只是還沒被治理工具覆蓋的那一批人，而這一批人的縮減速度，比公司營收的成長速度快得多。等到下一個會計年度，剩下那兩成也會被納進來，因為主管在董事會被問了一個簡單的問題：
為什麼這兩成不在 system of record 上？
他答不出來。沒有人答得出來。所以這兩成會被覆蓋。
1937 年 Ronald Coase 在〈The Nature of the Firm〉裡寫，企業之所以存在，是因為內部協調比市場交易便宜。這個論點 —錯了一半，而且錯的那一半正是商機所在。
企業的存在，從來就不只是因為協調便宜。企業的存在，是因為有一群人需要付錢避免風險，而有另一群人靠著替他們承擔風險賺錢。
Coase 沒看清楚這一點，因為他寫於 1937 年，那個年代 IT 的工具不夠好。當年企業的控制權只能靠打卡鐘、靠人事考核、靠「老闆有沒有看到你在加班」這些粗糙的訊號。
但是現在 — 2026 年 — 工具好了。
每一個 prompt、每一個 LLM call、每一個 AI 決策的因果鏈，都可以被留痕跡、被審計、被追溯、被歸因到某個員工帳號。 Coase 在 1937 年想要的「降低協調成本」，我們有了；但我們順便也把「降低控制成本」這件事，做得比歷史上任何一個時刻都便宜。
而便宜的控制，永遠有人買。
所以這篇文章講的是什麼？
這篇文章講的是 Agent-First System。最後總結一下 Agent-First System：
Agent-First — 這個 first 不是員工的 first，是 agent 的 first；而那隻 agent 也不是員工的 agent，是公司的 agent。System — 這個 system 不是給員工用的 system，是看員工的 system。員工剛拿到 AI 超能力，我們把地基翻過來，讓那份超能力流進管理層的儀表板。
這次的劇本跟 1980 年代 PC 進公司、跟 2000 年代 Mobile 進公司、跟 2010 年代雲進公司，本質上是同一齣戲。 每一波都有人喊「典範轉移」、有人喊「架構翻新」、有人喊「員工被賦能」 — 然後每一波結束的時候，員工短暫得到的能動性，都被收進一個新的縮寫名稱底下，那個縮寫名稱會出現在三年後 Gartner 的 Magic Quadrant 上。
這次的縮寫，叫做 Agent-First System。
下次的縮寫，我們不知道。但永遠會有下次。
而這個業界 — 永遠不缺幫管理層蓋下一座塔台的人。
本篇引用：AI 基本法（2026-01-14 施行）、金管會 AI 指引、Coase "The Nature of the Firm" (1937)、SOX / GDPR / PDPA 條文、Gartner 2028 Agent Forecast