9 月 10 日至 11 日，iThome KubeSummit 2026 在臺北文創舉行。今年大會的主題是「從 Cloud Native 到 AI Native，定義 AI 原生時代的基礎架構」。如果只看標題，很容易把它理解成 Kubernetes 因應生成式 AI 熱潮的一次技術擴張：GPU 要如何調度、模型如何部署、推論服務如何擴充。然而從兩天的議程內容來看，真正值得注意的並不只是 AI 工作負載開始進入 Kubernetes，而是企業 IT 的「使用者」正在發生變化。
過去十年的 Cloud Native，核心是讓應用程式逐步與底層基礎設施解耦。容器和 Kubernetes 把運算、網路與儲存抽象成可以宣告、調度與自動化管理的資源，開發者不再需要知道服務最後落在哪一臺實體機器。到了 Agentic AI 時代，企業面對的是另一種新的抽象化需求：一個可以自行拆解任務、尋找資訊、呼叫工具甚至執行動作的 Agent，不應該被迫理解企業底下每一套資料庫、每一條 ETL Pipeline、每一個 Legacy System 的細節。
這也是今年 KubeSummit 變化最明顯之處。議程中除了大規模叢集、平台工程與雲原生安全，也出現 AI Agent、GPU 資源治理、自主維運與多 AI 應用等議題。Kubernetes 的角色，開始從「承載應用程式的平台」，往「承載 Agent 與 AI 服務的平台」延伸。但當 Agent 真正開始工作，企業很快就會發現，算力與模型只是第一層問題；更棘手的，是如何讓 AI 進入公司自己累積數十年的資料世界。
圖／活動現場
Data Agent 把企業資料的老問題重新暴露出來
通用大型語言模型掌握的是公開世界的知識，真正形成一家企業差異化能力的資訊，卻大多存在企業自己的系統裡。客戶資料在 CRM，訂單在 ERP，交易可能存在 Oracle 或大型主機，營運資料散落於 PostgreSQL、SQL Server、Data Warehouse、Data Lake，製造業還有 MES、IoT、設備與工廠系統。這些系統多半不是為 AI 而設計，卻正是企業最希望 AI 能理解與使用的資料來源。
因此，寬橋今年在 KubeSummit 2026 談 AI Ready Data Platform，與其說是追隨生成式 AI 熱潮跨入新市場，不如說更像是其原有技術路線的延伸：從 Kubernetes 與企業系統底層一路往上，碰到資料，再碰到 Agent。
這一點也反映在寬橋今年於 KubeSummit 的議程安排。三個主要主題分別落在基礎設施（Infrastructure）、安全（Security）與資料（Data）：自動化私有雲基礎設施處理資源如何被快速供應；K8s Workload 零信任防護處理工作負載在執行階段究竟做了什麼；AI Ready 資料平台則進一步處理 Agent 與 AI 應用如何取得企業資料。三個議題分開看各自屬於不同技術領域，放在 Agentic AI 的企業架構中，卻恰好形成從運算資源、執行安全到資料存取的一條完整鏈條。
其中，「用 Kubernetes 打造 AI Ready 的資料平台」 工作坊直接把場景放在 Oracle、MySQL、PostgreSQL 等異質資料來源共存的企業環境。寬橋提出的 Plasma 並不要求企業先把所有資料搬到新的儲存平臺，而是嘗試在既有資料來源之上建立跨系統查詢、資料整理與治理能力，再把這些資料提供給 AI 使用。這個出發點之所以值得注意，不在於「資料不用搬」本身有多新，而在於它對應了大型企業最現實的限制：企業不可能因為 AI 出現，就把數十年的資料基礎建設全部推翻重來。
圖／台灣業者
AI Ready 的重點，可能不再是把資料集中到同一個地方
過去二十多年，企業資料架構的演進，很大程度圍繞著「集中」這件事。Data Warehouse 希望建立一致的分析來源，Hadoop 與 Data Lake 試圖容納更多類型與規模的資料，Lakehouse 再嘗試整合不同工作負載。每一代架構都有其合理性，但大型企業發展到今天，真實環境通常不是單一架構取代另一個，而是多代系統並存。
一家金融機構可能同時有大型主機、Oracle、DB2、SQL Server、Data Warehouse、Data Lake 與近年的雲端分析環境；製造業則還要加上 ERP、MES、IoT 與不同工廠的資料庫。這些系統有些確實老舊，卻同時承載最關鍵的客戶、交易、製造與供應鏈資料。生成式 AI 並不會讓它們失去價值，反而讓企業更迫切地想使用其中的資料。
若每一個新的 AI Use Case 都要求先建立新的資料副本、新的 ETL Pipeline 與新的 AI Data Store，最後很可能只是在既有資料孤島旁邊，再建立另一座 AI 孤島。從這個角度看，Plasma 真正值得觀察的並不是它能不能再建立一座新的資料平臺，而是它是否有機會成為既有 Data Estate 與上層 Agent 之間的中介層。
依照寬橋目前公開的 Plasma 產品資訊，平台提供跨資料來源存取、View、Materialized View、排程、Data Product、Data Catalog 與 Atomic 資料流程等能力。這些功能放在傳統 Data Engineering 市場並不陌生，但在 Agentic AI 的脈絡下，可以被重新理解成另一個問題：如何把散落在底層系統中的資料，逐步整理成上層 Agent 能發現、理解與使用的「企業資料能力」。
這與「把哪些資料搬給 AI」是不同的架構思考。前者以複製和集中為中心；後者關注的是 Agent 在特定身分、任務與權限下，可以使用哪些企業資料，以及這些資料代表什麼。這也意味著 AI Ready 不一定等於把所有資料集中到同一個地方，真正重要的可能是資料能否在不破壞既有系統的前提下，具有足夠的邏輯通透性。
對 Plasma 而言，這也會是下一階段能否真正形成差異化的關鍵。若平台只停留在跨資料源查詢與資料整合，它面對的是一個早已成熟且競爭激烈的市場；但如果能進一步把企業資料的來源、關係、語意、規則、權限與使用脈絡逐步轉化成機器可理解的 Enterprise Context，它才有可能從 Data Integration Platform 往 Agent-ready Data Infrastructure 移動。
從 Cloud Native 到 AI Native，下一個被抽象化的可能是企業能力
回頭看 KubeSummit 2026，今年真正值得留意的變化，或許並不是 Kubernetes 又多承載了一種工作負載，而是企業 IT 抽象化的邊界再次往上移。
Cloud Native 時代解決的是應用程式與基礎設施（Infrastructure）的關係。伺服器（Server）、儲存（Storage）、網路（Network）被逐步包裝成平臺能力，開發者不再需要理解所有底層細節。Agentic AI 時代，企業接下來面對的，可能是類似但更複雜的工程：如何把散落在資料庫、Data Lake、API、文件與 Legacy System 裡的資料與業務邏輯，逐漸抽象成 Agent 可以安全理解與使用的企業能力。
未來一個成熟的企業 Agent，理想上不需要知道資料實際存放在 Oracle、PostgreSQL 還是哪一套 Data Lake；它真正需要知道的是企業提供哪些可信任的資料能力，這些能力代表什麼，在目前的身分與任務下能否使用，以及應該透過什麼方式取得。
這也是寬橋這次在 KubeSummit 2026 所呈現的技術路線值得觀察之處。從早年的微服務與 Kubernetes，到 Data Mesh、即時資料供應，再到今天的 AI Ready Data Platform，它所面對的問題其實沒有完全改變：都是在處理「上層的新型態應用，如何在不推翻底層既有系統的情況下，取得需要的基礎能力」。
Zhaoyan Sun, Jiayi Wang, Xinyang Zhao, Jiachi Wang, Guoliang Li —〈資料代理：協調 Data+AI 生態系統的整體架構〉（Data Agent: A Holistic Architecture for Orchestrating Data+AI Ecosystems，2025） https://arxiv.org/abs/2507.01599
Yuyu Luo, Guoliang Li, Ju Fan, Nan Tang —〈資料代理：能力分級、技術現況與開放問題〉（Data Agents: Levels, State of the Art, and Open Problems，2026） https://arxiv.org/abs/2602.04261
Ruiying Ma et al. —〈AI Agent 能回答你的資料問題嗎？Data Agent 基準測試〉（Can AI Agents Answer Your Data Questions? A Benchmark for Data Agents，2026） https://arxiv.org/abs/2603.20576
