當我們談論 AI 對工作的影響，多數討論聚焦在「AI 能取代哪些任務」的理論估算，或是「使用者實際上問了 AI 什麼」的使用數據。但 Cohere Labs 在 2026 年 9 月發布的研究，提供第三個視角：開發者實際建構了哪些工具，讓 AI 代理能自主執行任務？
他們彙整七個公開目錄，建立了 Agentic Task Ecosystem (ATE) 資料集，包含約 69.6 萬個工具、12.3 萬個 MCP 伺服器，是此類公開資料集中規模最大的。MCP (Model Context Protocol) 是開放標準，讓 AI 系統能連接外部軟體和資料，每個工具都是一個「可自動化任務」的公開紀錄。
這份資料集對產品建構者而言，不只是學術研究，更像一面鏡子，反映出我們正在為 AI 鋪設的道路，以及這條路可能通往何處。
2.6% 的真相：自動化仍在早期階段
ATE 資料集的核心發現相當震撼：在嚴格的測試標準下——工具必須能「完整執行」一項職業任務，而非僅提供資訊或輔助——只有 2.6% 的工具達到標準。換句話說，在將近 70 萬個工具中，僅約 1.8 萬個能從頭到尾完成一項 O*NET 記錄的工作任務。
更值得留意的是，美國勞工部 O*NET 資料庫中的 923 個職業，有 419 個（將近半數）完全沒有任何對應的代理工具。這意味著，對於許多職業，開發者根本還沒開始建構自動化工具。
Cohere Labs 指出，這個 2.6% 應視為「下限」，因為他們只觀察公開目錄，企業內部自建的 MCP 伺服器並未納入，而這類內部工具可能更偏向職業資料庫描述的後台流程。即便如此，這個數字仍清楚顯示：自動化實際執行的職業任務，在整個生態系中只是很小的一部分。
工具的分佈：既有工作的重新切割與代理基礎設施
那其餘 98% 的工具在做什麼？Cohere Labs 將未匹配的工具分群，歸納出三種模式：
第一，既有工作的「次原子化」或「複合化」。 約 693 個類別是「次原子」的，將職業資料庫中的一個任務拆解成更細小的步驟。例如，「維護配置控制」這個任務，可能對應數十個處理單一環節的工具。另外 411 個類別則相反，將多個任務綑綁成一個工作流程，例如「會議記錄管理」就涵蓋了收集、整理、分析等 O*NET 分開記錄的任務。這些工具並未超出既有工作的範疇，只是切割或組合的方式不同。
第二，代理的基礎設施。 相當大比例的工具是為了讓代理能運作而存在：註冊代理、發現其他代理、管理工作階段、處理代理間的身份驗證。這確實是前所未有的工作，但與其說是新的產出，不如說是自動化的「營運開銷」。
第三，少量真正的新工作，多數與管理代理有關。 僅有 35 個類別（約 3%）描述的工作在職業紀錄中找不到對應，且多數是因為代理存在而產生的，例如：選擇合成語音、開發和切換 AI 人格、評估代理是否值得信賴。
對產品建構者而言，這個分類提醒我們：當我們設計工具時，不只是在「取代」既有工作，也可能在創造新的工作類型——尤其是那些圍繞著代理的管理與監督工作。
理論與現實的落差：可行性預測勝過勞工偏好
研究也比較了理論暴露分數（評估 AI 能縮短任務時間的程度）與實際建構的工具數量。結果發現，在 178 個職業中，兩者的相關係數為 0.54，顯示理論預測確實能反映工具開發的數量。
但關鍵在於：理論分數無法預測工具會落在職業的哪個部分。無論是工具涵蓋的任務在職業中的位置（例行或專業），還是工具覆蓋的深度，都與理論暴露無關。一個工具很多的職業，不代表其專業核心正受到壓力。
更值得玩味的是勞工偏好。WORKBank 的調查顯示，工人希望自動化的任務，與實際建構的工具之間沒有關聯；反而是專家對技術可行性的判斷，能預測工具的分佈。換句話說，開發者建構的是「能建構」的工具，而非「人們想要」的工具。
這對產品經理是重要的提醒：使用者的需求固然重要，但技術可行性往往才是驅動早期採用的主因。當你在規劃 AI 功能時，不妨問自己：這是因為技術上可行，還是因為真正解決了使用者的痛點？
給產品建構者的啟示
ATE 資料集描繪的自動化早期圖像，對產品策略有幾個具體意涵：
首先，自動化並非均勻擴散。將近半數職業完全沒有工具，意味著藍海市場可能比想像中廣闊，但也可能反映這些職業的任務本質上更難自動化（例如需要實體操作或人際互動）。
其次，「次原子」工具是機會也是陷阱。許多工具只處理任務的片段，這表示整合性的解決方案仍有空間——但也要注意，過度細分可能讓使用者感到碎片化，反而增加協調成本。
最後，代理管理本身是值得投入的領域。研究中發現的新工作類型，多數圍繞著代理的選擇、監督與信任評估，這對企業導入 AI 代理時是實際的痛點，也是產品可以著力的方向。
這份研究也有其限制：它只觀察公開目錄，且以美國 O*NET 為基準，可能低估了其他地區或內部工具的影響。但作為一個供應端的訊號，它讓我們看到開發者正在押注的方向——而這往往比需求端的調查更早揭示未來的輪廓。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。