Nvidia 行政總裁黃仁勳 10 月 21 日於 GTC Berlin 2026 主題演講中指出，人工智能正由回答問題的聊天模型，進入能自行思考、規劃及執行工作的 Agent 時代。企業未來的競爭優勢，取決於能否讓 Agent 運用公司多年累積的專有知識及行業工具。黃仁勳認為，企業可以利用現成模型建立專屬 AI，但要讓 Agent 大規模參與日常營運，安全權限管理及成本控制不可或缺。
Agent 有 5 個部分 企業知識與工具才是本錢
黃仁勳將 AI Agent 拆解成 5 個核心部分：負責推理的模型、協調工作和管理記憶的 Harness、限制 Agent 活動範圍的安全沙盒，以及知識（Knowledge）和工具（Tools）。模型、Harness 和安全技術可以透過現成產品或開源方案取得，知識和工具則是企業獨有的資產。
他以製造業為例。假設供應商發出一份 PDF 通知，表示零件將延遲交貨，相關訂單資料則儲存在企業 SQL 資料庫。Agent 可以閱讀通知、分析哪些客戶訂單受到影響，再搜尋工程文件尋找替代零件。這已超越一般問答，涉及文件理解、資料分析及工程判斷。
企業累積的檔案、資料庫、操作程序，以及 ERP、CRM 或專業軟件，往往分散在不同部門。決策人需要考慮如何整理這些資產，讓 Agent 可以安全存取和使用。
黃仁勳亦反駁 AI 將令軟件公司消失的看法。他認為 Agent 同樣需要使用專業工具，軟件用量反而可能增加。演講示範中，Dassault Systèmes 的 Agent 將 Volkswagen Golf 車門設計修改至適用於 Tiguan，再透過模擬找出振動問題並調整設計，最後交由工程師選擇。
企業真正的 AI 本錢，在於將自身知識和工具轉化成別人難以複製的能力，而非買到人人都能使用的模型。
Agent 安全不能靠「請你不要」 權限要在 AI 之外執行
當 Agent 可以讀取公司檔案、執行程式及操作系統，企業需要管理的風險已超出答案是否準確，還包括 Agent 獲准執行哪些操作。
黃仁勳在演講播放的示範影片中，批評部分 Agent 防護仍停留在提示詞層面，例如要求 AI「請不要刪除檔案」、「請不要碰 SSH 密鑰」。這種「Please Don’t」方式並不能提供可靠保障。
Nvidia 提出的 OpenShell 安全架構，將 Agent 放在獨立沙盒內，由 Agent 以外的系統執行存取限制。對外網絡連線必須經過授權檢查，敏感密鑰亦不會直接交給 Agent；只有連接獲批准的服務時，才由外部機制加入。
這與瀏覽器的安全設計相似。即使網站包含惡意程式，也不應讓它自由操作整部電腦。Agent 具有推理能力，同樣不代表它應該取得整個企業系統的權限。
黃仁勳指出，Agent 權限需要因應不同員工及任務動態調整。
例如負責整理訂單的 Agent 可以讀取資料，但未必有權修改付款指示；需要更新資料的 Agent，也不代表可以刪除整個資料庫。
企業部署 Agent 前，需要決定誰可以授權、Agent 能接觸哪些資料、哪些操作需要人手批准，以及如何保留審計紀錄。即使使用外部供應商提供的 Agent，企業仍須管理它進入內部系統後的權限。
Agent 愈有用成本愈高 上線速度亦影響投資回報
傳統聊天機械人通常由用戶發問、AI 回答，Agent 則可以自行拆解任務，反覆搜尋資料、呼叫工具及檢查結果，每次執行都可能消耗更多 Token。
黃仁勳指出，Agent 能完成更多實際工作，使用人數和頻率都會增加，Token 消耗及運算需求亦會隨之上升。
企業若仍以聊天機械人的使用量估算 AI 預算，可能低估全面部署 Agent 後的開支。除了模型收費，還要計算工具執行、重試、資料處理及人手覆核的成本。
決策人更值得量度的是每項工作成功完成的總成本，例如 Agent 處理一張訂單需要多少費用、節省多少員工時間，以及能否減少錯誤。部分需要頻繁執行或涉及敏感資料的任務，可評估使用本地模型，其餘則按需要交給雲端處理。
部署時間同樣影響回報。黃仁勳以大型 AI 數據中心為例，假設一座設施每年可產生 400 億美元收入，延遲 3 個月營運便會減少約 100 億美元潛在收入。這是說明時間價值的假設算式，並非實際利潤預測。
Nvidia 因此把部分機櫃組裝及測試工作移到工廠完成，希望將原本約 4 至 5 個月的現場部署流程縮短至約 1 個月。
一般企業雖然不會興建這種規模的數據中心，道理卻相同。AI 項目花半年採購及整合系統，卻遲遲未能讓員工使用，已投放的資金和人力便無法產生回報。評估 AI 投資時，除了準確率和運算成本，亦應計算由項目啟動至首次產生業務價值需要多少時間。
不應只押注一個模型 開源與封閉 AI 各有角色
黃仁勳預期，企業未來會同時採用封閉、開源及經過針對性訓練的模型，按工作需要選擇合適方案。
一般行政、資料整理及通用分析，可以使用市場上的頂尖模型。涉及企業專有知識、特定業務流程或需要長期改善的專業工作，則可以考慮採用開源模型，再以自身數據進行後續訓練（Post-training）。
黃仁勳舉出 Harvey、CodeRabbit 等例子，說明企業如何利用現成開源模型，針對特定工作建立具競爭力的 AI 能力。他認為企業可以透過這種方式，將專有數據轉化成自己掌握的「主權智能」（Sovereign Intelligence）。
不過，企業未必需要自行訓練模型。訓練、測試和長期維護都有成本。較實際的做法，是先區分哪些工作可以直接使用外部服務，哪些涉及關鍵技術或專業知識，值得建立專屬能力。
從採購角度看，企業亦宜保留轉換模型的彈性，避免整個業務流程過度依賴單一供應商。
黃仁勳亦談到自動駕駛、人形機械人及電訊網絡等實體 AI 應用。他認為產業標準化有助降低成本，而手提電腦運算能力提升，亦令小規模 Agent 開發更容易實現。
演講開首的「AI 五層蛋糕」涵蓋能源、晶片、AI 工廠、模型及應用。黃仁勳呼籲歐洲及其他地區利用自身產業優勢，參與建立本地 AI 經濟。
對一般企業而言，眼前較值得處理的是找出內部最有價值的知識及工作流程，讓 Agent 在適當權限和成本控制下，開始完成實際業務工作。
