當人工智慧從資訊查詢工具轉變為企業工作流程的參與者，如何建立可信任的資料存取與業務理解機制，便成為比單純提升模型能力更加複雜的系統工程問題。這也促使產業重新思考 AI Agent 與企業資料平台之間的責任分工。
Agent-Centric 架構的彈性優勢與企業化限制
目前許多 AI Agent 系統採用以模型為中心的 Agent-Centric 架構，由大型語言模型根據使用者意圖決定需要使用哪些工具，並在執行過程中動態產生查詢、程式或 API 呼叫。這種設計延續了大型語言模型擅長處理非結構化需求與未知問題的特性，使 Agent 能夠在缺乏預先定義工作流程的情況下，探索可用資源並嘗試完成任務。
Agent-Centric 架構的重要價值，在於它降低了自動化系統對固定流程的依賴。傳統企業應用通常必須事先定義使用者操作路徑、資料處理程序與系統整合方式，而 AI Agent 則能根據任務需求，在執行階段組合不同工具與資料來源。對於探索性分析、軟體開發輔助及難以事先列舉所有情境的工作，這種高度彈性的架構具有明顯優勢。
相較於由 Agent 自行探索資料環境的設計，Data-Centric 架構將資料整合、語意定義、治理與執行等責任，更多地交由企業資料平台承擔。其基本理念是，企業應先將資料整理成具備明確業務意義、可重複使用且受治理的能力，再透過標準化介面提供給 AI Agent，由 Agent 根據任務需求進行選擇與組合。
圖/Data-Centric 架構：以資料能力為核心的企業 AI 服務模式
這種架構並非單純增加資料庫 API 的數量，而是重新思考資料平台應該向人工智慧提供什麼樣的資訊。傳統資料存取介面主要描述資料位於何處、具有哪些欄位，以及如何執行查詢；面向 AI Agent 的資料能力服務，則需要進一步說明資料代表什麼業務概念、能夠解決哪些問題、適用於哪些條件，以及執行結果受到什麼限制。
這種設計的重要性，在於將資料的業務意義從個別 AI 應用中抽離，交由共用資料平台管理。例如，企業可以將銷售資料封裝為營收趨勢分析能力，並明確定義其支援的時間範圍、組織維度、貨幣換算方式及營收認列規則。對 AI Agent 而言，這不再只是需要自行理解與組合的資料表，而是一項具有清楚輸入、輸出及業務意義的可執行服務。
Microsoft 在《Data Agent 語意模型的最佳實務》（Semantic Model Best Practices for Data Agent）技術文件中，也強調資料來源的準備程度與語意模型設計，會直接影響 AI Agent 產生查詢及回答問題的品質。對企業而言，建立清楚的資料描述、業務指標與模型關聯，不再只是改善報表開發效率的工作，也逐漸成為人工智慧應用的重要前置工程。
Google Cloud 則在 2026 年 4 月發表《Google Cloud Knowledge Catalog：從資料目錄走向企業知識目錄》（Introducing the Google Cloud Knowledge Catalog），提出進一步擴展傳統資料目錄角色的方向。相較於主要記錄資料位置、結構及技術中繼資料的傳統 Catalog，Knowledge Catalog 更重視資料資產的業務脈絡、語意關係與治理資訊，使資料不僅能被搜尋，也能更有效地被理解與使用。
這項發展反映出企業資料管理正在面臨新的使用者需求。過去資料目錄主要服務資料工程師、分析師與治理人員，協助他們尋找與理解資料資產；當 AI Agent 成為新的資料使用者，資料目錄也需要提供更完整的機器可讀描述，使模型能夠根據任務需求辨識資料的用途與限制。
從架構角度觀察，資料能力目錄有機會成為連結企業資料平台與多個 AI Agent 的共用服務層。企業不必讓每一個 Agent 分別學習所有資料來源，而是透過統一的能力描述，讓不同模型與應用能夠使用相同的業務服務。這也使資料平台的設計逐漸從面向資料分析人員，延伸至面向具有自主決策能力的軟體代理。
MCP 與 Data Agent，標準化資料能力開始走向實際應用
隨著 AI Agent 的工具整合需求增加，模型上下文協定（Model Context Protocol，MCP）的發展，為模型與外部系統之間的互動提供了標準化機制。透過 MCP，應用程式可以用較一致的方式向 AI Agent 提供工具、資源及相關描述，降低不同模型與服務之間重複開發整合介面的負擔。
對企業資料平台而言，MCP 提供了一條將既有資料服務轉換為 Agent 可呼叫工具的技術路徑。企業可以把參數化資料視圖、分析服務、資料查詢介面及特定業務操作封裝成工具，使 AI Agent 能夠透過標準化機制發現並使用這些功能，而不必直接連接所有底層資料來源。
Microsoft Fabric 的 Data Agent 產品，已經展現這類架構的實際應用方式。根據 Microsoft 官方技術文件《Fabric Data Agent 核心概念》（Fabric Data Agent Concepts），Data Agent 能夠使用 Fabric 環境中的 Lakehouse、Warehouse 與語意模型等資料資產，協助使用者透過自然語言取得企業資料中的資訊。
Microsoft 也在《將 Data Agent 作為 MCP Server 提供服務》（Data Agent as Model Context Protocol Server）文件中，介紹如何透過 MCP 將 Data Agent 的資料查詢能力提供給外部 AI 應用。這種設計使企業能夠將資料平台所提供的能力，進一步整合至其他 Agent 與應用程式之中，而不必要求每一個外部系統重新建立完整的資料連接與查詢機制。
因此，MCP 與 Data-Centric 架構更適合被視為互補關係。前者提供 AI Agent 與外部服務之間的標準化互動方式，後者則負責建立可被使用的資料能力及其背後的語意、治理與執行環境。當兩者結合，企業便有機會在不暴露大量底層系統細節的情況下，向不同 AI Agent 提供一致且受控的資料服務。
Data Agent 的角色演進：從自然語言查詢走向能力協調
Data Agent 並不是一個具有單一技術定義的產品類別。現階段市場上以 Data Agent 為名的系統，涵蓋自然語言資料查詢、資料分析、資料工程自動化，以及跨系統工作流程協調等不同功能。然而，隨著企業資料能力逐漸標準化，這些系統可能出現更清楚的架構分工。
Microsoft 近一步將企業知識本體（Ontology）整合至 Fabric Data Agent。根據官方文件《以企業知識本體作為 Fabric Data Agent 的語意基礎》（Use Ontology as Context in Fabric Data Agent），企業可以透過實體、屬性與關係描述業務領域，再將這些語意資訊與實際資料來源建立對應，協助 Agent 理解資料的業務脈絡。
AI Agent 的興起，則可能為企業資料平台帶來不同於過去的新要求。當資料的使用者不再只有人類分析師與傳統應用程式，而是包含能夠自主規劃與執行任務的智慧代理，資料平台便需要提供更完整的機器可理解描述、能力發現機制及執行治理環境。
Google Cloud 在 2026 年提出的 Agentic Data Cloud 發展方向，也反映出這項技術趨勢。根據其官方文章《Agentic Data Cloud 的最新技術發展》（What's New in the Agentic Data Cloud），Google 正試圖將企業資料平台從傳統的資料管理與分析環境，進一步擴展為支援 AI Agent 進行資料探索、分析與行動的基礎設施。
這類發展顯示，企業資料平台的競爭可能逐漸從資料儲存容量、查詢效能與連接器數量，延伸至語意模型完整性、資料能力重複使用程度，以及能否支援不同 AI Agent 的工作需求。資料平台不再只是等待應用程式提出查詢的被動系統，而可能逐步成為提供業務能力與執行服務的共用基礎設施。
兩種模式的結合，可能成為企業 AI Agent 逐步成熟的重要路徑。企業可以先將高頻率、高價值的資料操作封裝為受治理的能力，再隨著使用情境擴大，逐步增加能力目錄的涵蓋範圍，並透過受控的擴充程序將新的資料處理邏輯納入共用平台。這不僅能降低重複開發成本，也有助於建立可持續累積的企業數位能力。
結語：AI Agent 的競爭，將不再只取決於模型有多聰明
從 Anthropic 對 Agent 工具設計的研究，到 Google Cloud 將語意層與企業知識目錄納入 AI 資料架構，再到 Microsoft Fabric 將 Data Agent、Ontology 與 MCP 整合為可供企業使用的服務，可以觀察到國際科技業者正從不同方向處理相似的問題：如何降低 AI Agent 對底層資料結構的依賴，並讓企業既有的資料與業務知識，成為能夠重複使用的智慧服務基礎。
這些發展尚不足以證明 Data-Centric 已經取代 Agent-Centric，卻顯示企業 AI 的架構設計正在超越單純的模型與工具整合。當智慧代理開始參與需要一致性、可稽核性與長期維運的核心業務流程，資料品質、業務語意、治理機制與執行可靠性，將與模型的推理能力同樣重要。
對企業而言，這代表 AI 導入策略需要從單純評估模型與 Agent Framework，延伸至資料架構本身的準備程度。能否將分散的資料、業務知識與處理程序轉換為可被人工智慧理解及使用的標準化能力，可能成為企業擴大 AI 應用規模的重要條件。
當智慧代理逐漸成為企業資訊系統的新一代操作入口，真正具有長期價值的技術投資，將不只是讓 AI 學會如何連接更多資料來源，而是建立一套能夠持續累積、管理與提供企業資料能力的基礎架構。從這個角度來看，Data Agent 的下一場技術變革，或許並不發生在模型本身，而是發生在模型背後的企業資料平台。
