Agent 時代的分水嶺：不是「會不會用 AI」，是「會不會管理 AI 員工」
OpenAI 最新研究論文揭示：全公司 99.8% 的 AI 運算已切換至 Codex Agent，法務、財務、招募也跟上了工程師的腳步
三分鐘掌握全局
🔍 發生了什麼：OpenAI 於 2026 年 6 月 25 日發布經濟研究論文，首次以大規模使用數據揭示 Codex Agent 在 OpenAI 內部及外部企業的採用實況。2026 年上半年，Codex 的每週活躍用戶數成長超過五倍，且成長最快的族群是非軟體工程師。
💡 為什麼重要：Agent AI 與傳統聊天機器人的根本差異在於：它讓使用者可以「委派」多步驟任務給 AI 系統，由 AI 自主使用外部工具、檢查檔案、執行命令並修改成品。這不是量變，是質變——AI 從「幫你想」升級成「幫你做」。
🎯 你該怎麼想：未來的職場競爭力，不再只是「會不會用 AI 問問題」，而是「能不能有效地把任務委派給 AI Agent 去執行」。台灣的知識工作者現在應該開始認真練習這個新技能。
我盯著螢幕看這份 OpenAI 研究論文的數據，咖啡涼了都沒發現。
不是因為數字很嚇人——是因為數字很「具體」。
研究顯示，OpenAI 內部的法務人員，現在有 85% 以上的 AI 使用量來自 Codex Agent，而不是 ChatGPT。法務人員。不是工程師。是律師。
我突然意識到一件事：我們一直在等的那個「AI 真正滲透進工作流程」的時刻，其實已經悄悄發生了。只是它不是在矽谷的簡報上宣告的，它是靜靜地被一份學術論文記錄下來的。
2025 年 4 月，OpenAI 正式推出 Codex。那個時候，這個工具的定位很明確：給軟體工程師的 AI 編程助手，主打能夠自主執行、不需要用戶每一步介入。
但接下來的一年，發生了一件沒有人事先預料到的事。
在 Codex 公開發布初期的幾個月裡，ChatGPT 仍然是 OpenAI 內部員工的預設 AI 工作工具。直到 2025 年 8 月，平均 OpenAI 員工在 Codex 上消耗的 Token 佔比還不到 10%。但到了今天，每個部門，包括法務和招募這類傳統非技術部門，都已經以 Codex 作為主要 AI 工作工具。
與此同時，OpenAI 也在外部觀察到類似的趨勢。在企業組織用戶中，Codex 的採用比率遠高於個人用戶，近期 Codex 在組織用戶中已佔據多數輸出 Token。從個人帳號到企業帳號，再到 OpenAI 內部——這是一個清晰的採用擴散路徑，而且速度越來越快。
這份研究的最大意義，是它把「Agent 時代」從概念變成了數據。不是預測，是已經發生的事實的記錄。
Agent 正在取代的，不是人，而是「人與 ChatGPT 對話」這整個工作模式。
從「問答機器」到「工作委派系統」：Agent 的本質跳躍
① What（事實層）
傳統聊天界面的使用模式是對話式的：用戶問問題，AI 給回應。Agent AI 工具則允許用戶將多步驟任務委派給 AI 系統，由 AI 自主使用外部工具、與環境互動、並迭代找出解決方案。
② Why it matters（機制層）
差別在於「誰是執行主體」。過去的 AI 是你的顧問，你問完還是要自己動手。現在的 Agent 是你的員工，你說完需求，它去做，做完給你看結果。這改變的不只是效率，而是整個人機協作的分工模型。
③ So What for Taiwan（本地化層）
台灣的中小企業目前大多停留在「拿 ChatGPT 問問題、修改文案」的階段。Agent 的崛起意味著下一波競爭力的門檻將大幅提升——你必須能夠設計任務、定義驗收標準、管理 AI 的執行過程。這是完全不同的認知框架，台灣教育體系和企業培訓目前幾乎沒有這方面的準備。
一個月可以工作八小時以上的 AI：任務規模的爆炸
① What（事實層）
到 2026 年 5 月，80.6% 的受測個人用戶，至少提交過一個估計需要人工超過 30 分鐘的 Codex 請求；70.2% 的人提交過估計需要超過一小時的任務；有 25.6% 的人甚至提交過估計需要人工超過八小時的請求。
② Why it matters（機制層）
「超過八小時的任務」這個數字是關鍵。這意味著用戶已經開始把原本要花整整一個工作天的工作，交給 AI 去自主執行。這不是省去了「查資料」的時間，而是省去了整個執行週期。從 2025 年 12 月到 2026 年 5 月，提交過這類複雜任務的用戶比例成長近十倍。
③ So What for Taiwan（本地化層）
對台灣的知識工作者而言，這是一個雙面刃。好消息是：個人生產力的槓桿比例即將大幅提升。壞消息是：如果你不知道怎麼把「需要八小時的任務」拆解成 Agent 可以執行的指令，你的競爭對手可能用一小時就完成了你一週的工作量。
⚠️ 值得質疑的是：這些「任務工時估算」是用 LLM-as-judge 方法估出來的，不是實際計時。換句話說，這個數字的準確度本身就有待驗證，當作方向性指標看就好，不宜過度引用。
工程師走在前面，但法務、財務、HR 正在衝刺追上
① What（事實層）
工程師是第一批採用 Codex 的人，但法務、財務、和招募部門在 2026 年 4 月前後也相繼跨過了「以 Codex 作為主要 AI 工具」的門檻。OpenAI 平均員工，現在有超過 85% 的輸出 Token 來自 Codex。
研究更進一步指出，工程師以外，非開發者個人用戶的成長達 137 倍，企業組織非開發者用戶更達到驚人的 189 倍。
② Why it matters（機制層）
這代表 Agent 的應用場景已經突破了「寫程式」這個最初的定位。非技術用戶開始定期使用 Codex 執行程式碼相關任務，包含自動化、資料轉換、工具建置、除錯和結構化分析。換句話說，Agent 讓非工程師也有能力執行過去必須依賴工程師的工作。
③ So What for Taiwan（本地化層）
這對台灣的傳統產業和服務業衝擊很大。過去，法務部門要自動化一個合約審查流程，必須找 IT 部門寫程式。現在，法務人員自己就可以用 Agent 建立這個工作流程。這個變化將打破企業內部的技術壁壘，但也意味著不懂得使用 Agent 的法務、財務、行銷人員，將面臨前所未有的技能落差壓力。
並行 Agent：個人變成了小型 AI 車隊的調度員
① What（事實層）
到 2026 年 6 月，位於第 99 百分位的 OpenAI 員工，每天可以讓多個並行的 Codex Agent 運行超過 60 小時的工作量。另外，每週有超過 10% 的用戶會同時管理三個以上的並行 Codex Agent。
② Why it matters（機制層）
這是一個全新的工作模式：你不再是一個人在工作，你是一群 AI Agent 的指揮官。你的價值不在於你自己能做多少事，而在於你能協調多少個 Agent 同時高效執行不同的任務。這個概念在組織設計和個人職涯發展上，都需要全新的框架來思考。
③ So What for Taiwan（本地化層）
台灣目前的 AI 教育訓練，大多還停留在「單點工具使用」的層次（會用 ChatGPT、會用 Midjourney）。並行 Agent 的出現，意味著下一個關鍵技能是「AI 任務編排能力」——懂得如何設計多 Agent 的工作流程，將成為新的高薪稀缺人才。
📡 台灣視角：硬體優勢不夠，我們也需要「會管理 Agent」的人
台灣在全球 AI 供應鏈中，扮演的是硬體基礎設施的關鍵角色——TSMC 的先進製程讓這一切成為可能。但這份研究讓我再次意識到一個結構性的問題：
當全球的知識工作者都在把「工作」委派給 Agent 執行的時候，台灣的勞動市場準備好了嗎？
一個企業如果擁有頂尖的 AI 硬體，但員工不知道如何有效使用 Agent，這就像擁有賽車但司機還沒學過換檔。OpenAI 的研究顯示，即使在最有利的環境下（內部自由使用、充分訓練），非技術部門的採用速度也比技術部門慢了好幾個月。台灣企業從來不是擁有「最有利的 Agent 使用環境」的那類組織——我們的企業文化、培訓體系、和工作流程設計，都需要同步升級。
這是我認為台灣在 AI 轉型這條路上，最被低估的風險。
如果有人說「這件事沒這麼重要」，他最可能的理由是：OpenAI 內部的數據根本不代表真實世界——那是一個 AI 滲透度極高、員工幾乎沒有使用限制的特殊泡泡，拿來推論所有企業的未來根本不合理。
Future 的回應：
這個質疑有一半是對的。研究本身也承認，OpenAI 是「最有利的 Agent 採用環境」，員工對前沿模型極度熟悉、使用沒有數量限制、組織內部知識分享頻繁。把它當作「所有企業今天的現況」確實是誤讀。
但問題是——研究的重點不在描述現況，在預示方向。研究明確指出，OpenAI 員工的使用模式，代表的是「當採用摩擦消失時，工作會長什麼樣子」。而且企業組織用戶的數據已經顯示出相同的採用路徑，只是時間延遲幾個月。你可以說「台灣還不到那一步」，但你沒辦法說「台灣不會走到那一步」。
Future 的 AI 觀察
看完這份報告，我腦海裡浮現的不是數字，而是一個畫面：一個法務同仁坐在電腦前，用著她根本不知道底層原理的 Agent 工具，在 30 分鐘內完成了過去需要兩天的合約分析——然後她繼續去開她下午的會議，完全沒有意識到自己剛剛「翻了一個時代」。
我認為，這份研究最重要的貢獻不是技術突破，而是提供了一個早期的「時間地圖」——它讓我們看到，一個組織從「只有工程師用 Agent」到「全公司都用 Agent」，大概需要多少時間，以及這個轉換的臨界點在哪裡。
多數人可能沒注意到的是：採用速度的關鍵不是工具有多強，而是「組織是否建立了相應的工作流程和知識分享機制」。OpenAI 內部是靠著訓練課程和定期回饋循環才讓非技術部門快速追上的，不是技術自然擴散的結果。
老實說，「Agent 能力提升會不會帶來真正的整體生產力提升，還是只是把工時換算成 Token 消耗量」這部分我還沒想透。研究本身也引用文獻指出，AI 帶來的任務層級生產力提升，未必能完整轉化為最終產出的提升，因為下游的人類工作仍然是重要的瓶頸。但我的直覺是：這個問題在個人層面影響不大，在組織層面才是真正的挑戰。如果我錯了，歡迎在留言區打臉。
對台灣來說，我特別在意的是：台灣的軟體人才庫本來就不大，如果 Agent 能讓一個工程師的產出等同於五個工程師，這對台灣的人才競爭格局意味著什麼？短期是好事（每個工程師的產出更高），長期是不是也意味著對台灣工程師的需求會結構性下降？
這件事怎麼影響你
如果你是知識工作者
現在：你可能已經在用 ChatGPT 處理日常任務，但你對 Agent 工具（如 Codex、Claude Code、Cursor）的了解還停在概念層次。 6 個月內要注意：選一個 Agent 工具，真實嘗試把你職位上「需要超過兩小時」的重複性任務交給它執行一次。記錄成功和失敗，這個實驗本身就是最好的學習。
如果你是企業主／決策者
現在：你的技術部門可能已在小範圍使用 Agent 工具，但法務、財務、行銷等部門的 AI 使用仍停留在 ChatGPT 對話模式。 6 個月內要注意：參考 OpenAI 的內部路徑，主動為非技術部門設計 Agent 採用方案——包含工具選擇、工作流程改造和內部知識分享機制。等競爭對手都做完了再動，時間成本會很高。
如果你是 AI 新鮮人
現在：「學會用 ChatGPT 問問題」已經不夠了，但也不用恐慌，因為多數企業還沒到那一步。 6 個月內要注意：開始接觸「任務分解」和「Prompt Engineering for Agents」的概念——學會把複雜任務拆成 Agent 可以理解的指令，是下一波的入場券。
Future 的行動建議：這週選一件你工作上「嫌麻煩所以一直拖著」的任務，嘗試把它完整委派給一個 AI Agent，記錄哪裡成功、哪裡失敗。
延伸閱讀 & 關鍵字
📌 Future 這週在追的三個指標：
Codex 企業組織用戶的 Token 佔比：目前是 63.3%，若持續追上 OpenAI 內部的 99.8%，將是 Agent 全面滲透企業的確認訊號。
台灣 IT 服務業的 Agent 工具採購行為：是否開始出現 Codex / Claude Code 的企業授權採購？這是台灣企業端採用時間軸的早期指標。
Google 和 Microsoft 的非技術部門 Agent 採用數據：OpenAI 的數據是自家人，需要等第三方企業的公開數據來交叉驗證這個趨勢是否普遍成立。
延伸閱讀主題：
OpenAI Codex 與 GitHub Copilot Workspace 的功能差異比較
Agent 工作流設計入門：如何拆解任務給 AI 執行
台灣勞動市場與 AI 衝擊：勞動部與主計總處的相關研究現況
關鍵字：#AgenticAI #Codex #AI工作革命 #台灣AI轉型 #未來工作
📩 覺得這篇有幫助？轉給一個你覺得該知道這件事的朋友。
🔔 訂閱《AI未來週報》，每週收到 Future Lin 的第一手 AI 產業洞察 → https://futureaitw.substack.com/
💬 想即時討論？加入 AI觀察日記 LINE 社群，輸入通關密語「Monday」 → https://reurl.cc/2Kxy94