企業談 AI agents，很容易把焦點放在模型：哪個模型最聰明、哪個模型上下文最長、哪個模型最便宜。這些都重要，但不是第一個問題。
真正的第一個問題是：你的組織準備好讓 AI 做事了嗎？
Cloudflare 對 agent readiness 的討論提醒了一個更務實的方向：AI agent 不是單純聊天工具，而是會讀資料、使用工具、觸發流程、等待結果、寫回系統的軟體代理。當 agent 開始行動，企業就需要新的基礎設施與治理方式。
Agent readiness 是什麼？
Agent readiness 可以理解成企業是否具備五層基礎：
| 層級 | 要回答的問題 |
|---|---|
| 資料層 | agent 能讀到什麼資料？資料是否乾淨、可追溯、可限制？ |
| 工具層 | agent 能使用哪些 API、表單、瀏覽器或內部系統？ |
| 權限層 | agent 可以看、可以改、可以送出什麼？ |
| runtime 層 | agent 在哪裡執行？如何保存狀態、重試與恢復？ |
| 觀測層 | 如何知道 agent 做了什麼、花了多少錢、哪一步失敗？ |
如果這五層沒有先設計，agent 很容易停在 demo。看起來會回答，但一進入真實流程就會遇到權限、資料、錯誤處理與成本問題。
為什麼 chatbot readiness 不等於 agent readiness？
導入 chatbot 時，企業通常關心：
- 回答是否正確。
- 語氣是否符合品牌。
- 是否能引用知識庫。
- 是否能轉人工客服。
導入 agent 時，問題更重：
- 它能不能登入系統。
- 它能不能查資料。
- 它能不能建立任務。
- 它能不能修改紀錄。
- 它能不能寄信或通知客戶。
- 它出錯時能不能停止。
- 它完成任務後能不能留下 audit trail。
Chatbot 的錯誤多半是回答錯。Agent 的錯誤可能是行動錯。
這就是 agent readiness 和 chatbot readiness 最大的差別。
五層檢查清單
1. 資料層
Agent 的品質高度依賴資料可用性。企業要先確認：
- 知識庫是否有版本。
- 文件是否有 owner。
- 敏感資料是否有分類。
- retrieval 是否能過濾權限。
- 回答是否能追溯來源。
- 過期內容是否會被淘汰。
如果資料混亂，agent 會把混亂放大。
2. 工具層
Agent 真正有價值，是因為它能使用工具。但工具不是越多越好。
企業應該先提供少量、可驗證、可限制的工具，例如：
- 查詢訂單狀態。
- 建立內部 ticket。
- 讀取文件摘要。
- 檢查網站狀態。
- 產生草稿但不自動送出。
高風險工具應該延後，例如付款、刪除資料、批量寄送郵件、修改客戶合約。
3. 權限層
Agent 權限不能只靠 prompt 約束。Prompt 可以被誤解，也可能被攻擊。
比較合理的做法是：
- 每個 agent 有明確角色。
- 每個工具有 scope。
- 每次敏感操作要二次確認。
- 寫入動作要有審核或回滾。
- 使用者資料要依身分過濾。
- 高風險任務要保留人工介入點。
Agent 的權限設計應該更像 API security，而不是客服話術。
4. Runtime 層
Agent 需要能處理長流程。
例如客服退款流程可能包含：查詢訂單、比對規則、詢問使用者、等待主管核准、產生退款單、通知客戶。這不是單次模型呼叫可以解決的。
因此 runtime 要支援：
- 狀態保存。
- 長時間等待。
- 任務重試。
- timeout。
- 分支流程。
- 背景執行。
- 多 agent 協調。
Cloudflare 的 Workers、Durable Objects、Workflows 類型能力，就是在補這一層。
5. 觀測層
Agent 需要被觀測，否則成本和錯誤會很難控制。
企業應該追蹤：
- 每個任務用了多少模型請求。
- 哪些工具最常被調用。
- 哪些步驟最容易失敗。
- 哪些任務需要人工接手。
- 平均完成時間。
- 成本是否超過預期。
- 是否出現異常行為。
AI Gateway、logs、trace、analytics 這類工具會越來越重要。
從哪種任務開始？
比較好的起點是低風險、高重複、容易驗證的工作。
例如：
- 會議摘要轉任務。
- 客服對話分類。
- 文件比對與摘要。
- 網站健康檢查。
- 內部 FAQ 查詢。
- GitHub issue 初步整理。
- CRM 欄位補全草稿。
不建議一開始就做：
- 全自動退款。
- 全自動採購。
- 大量寄送客戶訊息。
- 自動修改正式資料庫。
- 無人工審核的法務或財務決策。
Agent readiness 的核心是先讓 agent 在可控範圍內成功，再逐步擴權。
官方來源
- Cloudflare Blog，Agent readiness：Preparing your organization for AI agents，2026-04-17。
結論
AI agents 的導入不是「買一個模型」就結束，而是一次軟體架構升級。
企業真正要準備的是資料治理、工具設計、權限邊界、runtime 穩定性與觀測能力。模型會進步，但如果這些基礎沒有補齊，agent 只會變成會說話、卻不能可靠做事的展示品。