a16z 於 2026年8月21日 釋出的 OpenAI Enterprise Signals 資料顯示，自 2026年2月 以來，企業版 Codex 的周活躍使用者在 法律（Legal） 領域增長了 108倍，在 銷售（Sales） 和 招聘（Recruiting） 領域均增長 41倍，在 市場營銷（Marketing） 領域增長 26倍，而 工程（Engineering） 領域僅增長 5倍。此外，a16z 的社交帖子還列出了 醫療（Healthcare） 領域增長 24倍。這一對比鮮明的資料，被市場解讀為AI商業化可能正進入第二階段的重要拐點：AI應用正從程式設計師群體快速擴散至法務、銷售、招聘、市場、醫療等幾乎所有知識工作領域。

長期以來，生成式AI的最大落地場景被普遍認為是“AI Coding”——程式設計師使用 Copilot 補全程式碼，用 Codex、Claude Code 等工具除錯、重構和開發軟體。然而，進入2026年，一個更顯著的變化正在發生：Coding Agent正迅速離開程式設計師的桌面，進入更多非技術部門。工程部門的低增速固然包含高基數效應，但更關鍵的是，Agent的增長斜率已從技術部門向非技術部門遷移。這或許意味著，Coding Agent的終局並非只是“更好的程式設計工具”，而是成為一種新的數字基礎設施——知識工作的通用執行引擎。

為什麼律師、銷售和招聘人員也需要Codex？因為如今的Coding Agent已不只是“生成程式碼”。一個成熟的Agent能夠讀取檔案、搜尋資料、呼叫API、訪問資料庫、修改Excel、生成PPT、操作瀏覽器、執行Python、呼叫CRM，並在多步驟間不斷檢查結果、修正錯誤，最終將成果交給人類稽核。程式碼只是它完成任務的方法，而非使用者購買的產品。例如，律師真正想解決的是掃描資料室中的300份合同、找出特定條款、與標準模板比較並生成異常清單，而非編寫Python指令碼。過去這需要人工開啟PDF、搜尋、複製、整理Excel，未來律師只需描述目標，Agent在後台自動完成。這標誌著人類使用程式碼的門檻在下降，而機器生成和執行程式碼的總量可能爆炸式增長。

為什麼Agent最早在軟體工程領域成功？因為軟體開發目標明確、數字環境結構化、結果易於驗證（程式能否執行、測試能否通過、程式碼能否提交）。這使Coding成為訓練Agent“觀察—思考—行動—驗證—糾錯”能力的最佳實驗場。一旦閉環成熟，便可遷移至大量知識工作。Anthropic 對約 40萬次 Claude Code session的研究發現，人類通常負責決定“做什麼”，Claude更多負責“怎麼做”，且不同職業的人完成Coding Agent任務的成功率平均已接近軟體工程師。更重要的是，領域知識越深的人，每一條指令往往能讓Agent完成更多工作。這意味著未來真正稀缺的能力可能不是語法（Syntax），而是領域知識（Domain Knowledge）、問題定義（Problem Definition）、判斷力（Judgment）與Agent編排（Agent Orchestration）的結合。AI並未簡單消滅專業知識，反而可能提高專業知識的槓桿率。

關於AI是否取代職業的討論，或許本身就問錯了方向。AI不會一次性取代一個完整職業，而是逐層進入職業內部的工作流。法律行業從合同檢索、盡調、案例搜尋開始；銷售從客戶研究、會議總結、CRM更新開始；招聘從簡歷篩選、候選人研究開始；醫療則從病歷整理、編碼、保險檔案處理開始。AI的擴散單位不是Job，而是Task → Workflow → Function → Organization。Anthropic 的 Economic Index 已觀察到這種擴散：到2026年，其累計資料中約 49% 的職業已出現至少四分之一任務被Claude使用覆蓋的情況，且使用場景正從早期高度集中的Coding向更多型別工作擴散。因此，未來判斷AI滲透率，單純統計“多少員工使用ChatGPT”意義有限，更應觀察企業有多少核心Workflow已能由Agent獨立執行——這是從“AI Adoption”向“AI Absorption”的躍遷。

Agent時代最易出現的錯誤判斷是“Agent會消滅SaaS”，更準確的說法是Agent會重新分配SaaS的價值。傳統SaaS的核心價值很大一部分來自UI：員工登入 Salesforce、Workday、ServiceNow、SAP，點選選單、輸入資料、執行流程。Agent出現後，人可能越來越少親自操作這些介面，軟體價值開始從Interface向Data + System of Record + API + Permission + Workflow State遷移。未來最危險的軟體公司，未必是“AI能幫它寫功能”的公司，而是那些既沒有獨佔資料、沒有業務狀態、沒有許可權體系，又僅依靠複雜UI獲得使用者黏性的產品。相反，掌握企業核心資料和業務狀態的System of Record可能比過去更重要。分析SaaS時應少問“AI會不會替代這個軟體”，多問“這個軟體是Agent準備繞過的介面，還是Agent必須呼叫的基礎系統”——兩者估值邏輯完全不同。

傳統Developer Tool面向全球數千萬程式設計師，但如果Coding Agent最終讓每個律師、醫生、銷售、分析師都能呼叫軟體、建立自動化流程，其服務市場將從Developer擴張到整個Knowledge Worker。這相當於把軟體工程能力“證券化”：過去業務部門需排IT專案、開發、測試、部署，未來業務人員描述目標，Agent建立、測試、執行，人類稽核。軟體生產從Project變成Conversation，從季度開發週期變成即時生成。這類似於 Excel 當年的意義——Excel並未讓每個人成為會計師，卻讓數億知識工作者獲得了過去只有專業人員才擁有的計算能力。Coding Agent很可能重複一次更大的歷史過程：不是讓十億人學習程式設計，而是讓十億人擁有程式設計能力。

這一趨勢也可能解釋下一輪推理算力需求的龐大。Chatbot的基本經濟單位是“一問一答”，Agent的基本經濟單位卻是“一項任務”，而一項任務內部可能包含幾十甚至數百個動作（讀取檔案、搜尋網頁、呼叫資料庫、執行程式碼、檢查輸出、重新規劃、修正錯誤、呼叫第二個工具、生成最終檔案）。因此AI計算需求正從Users × Questions升級為Users × Tasks × Steps per Task × Tokens per Step。OpenAI 資料顯示，截至 2026年6月，企業客戶中Codex已貢獻Codex與ChatGPT合計輸出Token的約 64%。這並非意味著64%的企業工作已Agent化，但清楚揭示了計算負載正從“回答問題”向“執行工作”遷移。a16z 彙總的 OpenRouter 資料同樣顯示，Agent的Token消耗顯著高於普通人機對話，且使用量快速增長。長期AI算力需求的大變數，可能不是還有多少人使用ChatGPT，而是每個人每天會把多少工作委託給Agent。一旦Agent從偶爾呼叫變成“全天候數字員工”，Inference就可能從軟體行業的成本，逐漸變成全球知識經濟新的生產資料。

企業部署AI的真正瓶頸，也將從“模型夠不夠聰明”轉向“組織能不能承受Agent”。模型能力增強後，最大障礙可能不再是Intelligence，而是許可權、資料、責任、安全、評估和組織流程。Agent能讀什麼檔案？能否傳送郵件？能否修改合同？能否提交付款？錯誤由誰承擔？如何記錄每一步？如何防止錯誤Agent連續執行幾十步後放大損失？因此Agent越強，Governance 的價值反而越高。微軟 的 2026 Work Trend Index 顯示，Microsoft 365 生態中的活躍Agent數量一年增長約 15倍，大企業達到約 18倍；但研究同時發現，組織文化、管理支援和人才制度等組織因素，對AI產生實際價值的影響明顯高於個人單獨使用AI。企業競爭的下一階段，不再只是誰買了最好的模型，而是誰最早重構了自己的Operating System。

展望未來3—5年，AI將從Copilot進入“數字勞動力”階段。第一階段是Copilot：AI幫人寫、查、總結，人仍執行絕大多數動作。第二階段是Agent：人定義目標，AI跨檔案、瀏覽器、資料庫和企業軟體獨立完成多步驟任務。第三階段是Agentic Organization：企業按“Human + Agent Capacity”配置資源，一個十人團隊可能管理幾百個持續執行的數字Agent。屆時，“一個員工使用幾個軟體Seat”的SaaS計價邏輯可能變化，軟體公司出售的可能不是Seat，而是Workflow、Task、Outcome、Compute或Digital Worker。企業關鍵指標也可能變化：Revenue per Employee之外出現Revenue per Human + Agent；軟體滲透率之外出現Agent Workflow Penetration；AI使用者數之外出現Tasks Delegated to Agents；Token Consumption之外更重視Economic Value per Token。這才是AI真正進入產業縱深的標誌。

Coding不是終點，而是AI學會“行動”的起點。程式設計師最早教會Agent如何讀取環境、拆解問題、呼叫工具、執行動作、驗證結果和糾正錯誤，一旦這套能力成熟，自然會從軟體工程溢位到法律、金融、醫療、銷售、科研、製造和企業管理。未來AI最重要的產業敘事可能不再只是“模型越來越聰明”，而是AI開始擁有越來越強的行動能力。這將推動整個科技產業從Model → Copilot → Agent → Workflow → Digital Labor → Agentic Organization逐層滲透。資本市場最終會發現，最大的贏家未必只是訓練最強模型的公司，而可能分佈在整條新價值鏈上：提供推理算力的人、提供Agent Runtime的人、掌握System of Record的人、負責身份許可權和安全治理的人，以及能夠把行業Know-how編譯成Agent Workflow的公司。真正值得長期跟蹤的，不再是模型Benchmark，而是三個更現實的指標：AI是否開始替人執行工作，執行任務的複雜度是否持續提高，以及企業是否願意把越來越重要的業務流程交給Agent。當這三條曲線同時向上時，我們看到的就不再是一輪“AI軟體升級週期”，而可能是一次更深刻的生產方式遷移：過去的軟體是工具，人操作工具；未來的軟體是勞動力，人管理勞動力。