前言：
Agentic AI（代理型 AI）可能顛覆既有商業模式之際，如今的挑戰在於企業是否具備讓 AI 自主運作的基礎條件。近年來，許多企業積極導入 AI 工具與應用程式，也開始建置各類 Agent，希望提升生產力與決策效率。然而，以台灣市場為例，不少企業在實際落地過程中發現限制 AI 規模化發展的關鍵，往往是數據品質、系統整合，以及跨部門數據難以互通等長期問題。
2026 年 8 月，《The AI Innovator》總編輯 Deborah Yao 專訪鄧白氏首席數據分析與 AI 長 Gary Kotovets〈Dun & Bradstreet CDAO: How a 185-Year-Old Firm is Leaning into the Agentic Era〉，探討代理型 AI 崛起後，企業如何建立足以支撐自主決策與執行的數據基礎。Gary 指出，Agent 需要跨系統存取與整合資訊，而鄧白氏正透過 MCP（Model Context Protocol，模型上下文協定）開放其數據、工作流程及 Agent。
長期以來，鄧白氏專注於企業風險管理，以及客戶、供應商與商業夥伴的識別、驗證與評估。雖然現代 Agent 已能搜尋網路、分析公開文件並整合資訊，看似開始具備部分傳統商業資料服務的能力，但 Gary 認為建立大規模且可靠的數據基礎並不容易被取代。
他表示：「鄧白氏從超過 20,000 個來源蒐集數據，並進行整合、清理、標準化與正規化處理。這些原本都需要企業自行完成。此外，鄧白氏還擁有大量無法被複製的專有數據集，包括全球商業圖譜（Global Commercial Graph）。」
在 Agent 時代，企業身分識別的重要性進一步提升。企業大量部署 Agent 進行作業，AI 必須先理解不同系統中的紀錄是否指向同一家企業。因此，鄧白氏正從傳統資料供應商，進一步發展成企業 AI 所需的「Identity Layer（身分層）」與「Context Layer（情境層）」。
透過 MCP（Model Context Protocol），企業不僅能取得經驗證的商業資訊，也能將企業驗證、實體比對與 KYC 等能力整合進自身 Agent 工作流程中，讓 AI 能在可信且具商業脈絡的環境下運作。
Gary 所描述的發展方向，背後反映的是企業 AI 導入模式正在快速改變。
根據鄧白氏最新發布的《企業 AI 動能指數》，調查涵蓋全球 32 個國家、超過 10,000 家企業。超過四分之三的企業表示已從 AI 獲得可量化回報，其中近半數企業已開始看見局部投資報酬率（ROI），另有 28% 表示已在多項計畫中取得廣泛或顯著成果。然而，僅有 6% 的受訪者表示，其企業數據已完全準備好支援大規模 AI 應用。這顯示許多企業部署 AI 的速度，已超過其準備 AI 所需數據的速度。
建構 AI 能力所需的工具已經存在，但企業仍有大量工作要完成，才能將分散在各個系統中的數據整合出來，並集中至 AI 工具可存取的環境中。挑戰在於如何將這些數據整理、清理與合理化到足以讓企業建立信心，相信 AI 工具能夠以高度自主的方式執行任務。目前，企業處於 AI 採用率持續提升、ROI 愈加明確的環境之中。企業似乎以更快的速度部署 AI 能力，有時甚至跑在整體企業準備度之前。
這股動能也反映出企業採用 AI 方式的轉變，早期的實驗階段被更廣泛的部署所取代，因為愈來愈容易使用的 Agent 或企業 AI 工具，降低了企業內員工使用 AI 的技術門檻。例如，工程團隊正在使用 Cursor、Codex 等程式開發助手，而其他部門則使用 ChatGPT、Gemini、Copilot 或各類聊天機器人，趨勢匯流進而推動 AI 在整個企業內更廣泛地被採用。
儘管企業正在快速部署 Agent，成效卻並不一致。許多企業已部署數千個內部開發的 Agent，卻不清楚這些 Agent 是否帶來可衡量的商業價值。
Gary 表示他經常聽到「Agent Swamp（Agent 沼澤）」這個說法。所謂的 Agent 沼澤，指的是企業過度建置 Agent，最終卻幾乎沒有人真正使用它們，這些 Agent 就像四處遊走的殭屍 Agent。AI 專案聚焦於特定業務功能，例如財務管理或風險管理，而非試圖一次改造整個企業，往往能獲得更好的成果。這也解釋了為何許多企業表示只在部分領域看到 ROI，而非在整個企業層面取得廣泛效益。然而，更大的障礙在於準備 Agent 所專用、依賴的數據（Agent-Ready Data）。
數十年來，企業一直將客戶、供應商及財務資訊儲存在彼此孤立的系統中，例如 Salesforce、SAP、合約管理平台及內部資料庫。這些系統常以不同方式記錄同一家企業，導致 Agent 難以判斷多筆資料是否指向同一家公司。Agent 未必知道 ERP 系統中的 ABC 公司與 CRM 系統中的 ABC 公司其實是同一家企業，也因此企業需要一致且可信的企業識別機制，協助不同系統中的數據建立關聯。
鄧白氏的全球商業圖譜（Global Commercial Graph）涵蓋全球超過 6.5 億家企業，並為每家企業蒐集多達 11,000 項資料欄位，這些資料包括企業高階主管資訊、所有權結構、供應商關係、財務指標及風險評分等。企業可將內部資料對應至鄧白氏環球編碼®（D‑U‑N‑S® Number），再透過鄧白氏經驗證的企業數據進行增補與強化。D‑U‑N‑S® Number 一直是全球企業的重要唯一識別碼，而隨著 Agent 跨企業應用與系統運作，這套識別機制或迎來不同的價值。
同一家企業可能在 SAP 中被定義為供應商、在 Salesforce 中被視為客戶，而在合約管理平台中則是一個法律實體。員工知道這些紀錄描述的是同一家公司，但 Agent 無法自行判斷。透過將不同系統中的企業數據對應至同一個識別碼，企業便能將鄧白氏經驗驗證的企業數據與內部資料整合，包括採購歷史、客戶互動紀錄及財務往來關係等，進而建立更完整且一致的企業視圖。這也是鄧白氏強調企業身分識別的重要原因。
為了讓 AI 系統更容易存取與使用企業資訊，鄧白氏進一步擴大 MCP 的應用。MCP 是廣受業界採用的開放標準，可讓 Agent 連接外部數據來源與軟體系統，進而取得數據並執行任務。它讓模型能以結構化、安全且可擴展的方式存取外部工具、數據來源與企業系統，被視為 AI 世界的「USB-C 接頭」，使模型能以一致的方式連接各種工具與數據來源，降低過去每個系統都需要客製化整合的複雜度。
透過 MCP，鄧白氏提供三個層次的能力，企業客戶可以：
企業除了能取得鄧白氏的數據，也能直接使用其工作流程服務，甚至調用建立於這些數據之上的專有 Agent。透過 MCP 開放上述能力，可讓企業將其數據與專業知識直接整合至自身的 Agent 工作流程中，而不需要使用者在不同應用程式之間來回切換。
雖然數據品質與數據治理並不是新課題，自雲端運算興起以來，企業便長期面臨數據分散、格式不一致等挑戰，但 AI 的快速發展提供了足夠強大的經濟誘因，促使企業積極解決數據準備度問題。企業今天面臨的其實仍是相同的數據問題，不同的是 AI 帶來了前所未有的生產力提升機會，這種轉型壓力遠比過去推動雲端化時更加迫切。
鄧白氏透過經過整理、結構化與加值處理的 Agent-Ready Data，協助企業建立可靠且可擴展的 AI 基礎。透過 MCP，企業可將鄧白氏的 Data Blocks 與其他內外部數據來源一同整合至 AI 環境中，讓 AI 系統產生更精準、更可信且更具商業情境理解能力的回應。
展望未來，可信商業身分的重要性只會持續提升。企業部署愈來愈多自主 AI Agent，這些系統將產生大量合成數據（Synthetic Data）。因此，企業更需要維持可信且經過驗證的「黃金資料來源（Golden Source）」，作為 AI Agent 做出決策時的重要依據。
當被問及未來是否可能不只為企業指派 D‑U‑N‑S® Number，甚至為代表企業運作的 Agent 建立專屬識別碼時，Gary 表示這個概念已成為公司內部積極討論的重要議題。他指出，未來來自不同企業的 Agent 將彼此互動、合作，甚至成為商業交易中的對手方。在這樣的情境下，能夠清楚識別 Agent 的身分、了解其隸屬於哪一家企業，以及掌握其實際職責與行為範圍，將變得愈來愈重要。
如何建立 Agent 時代的信任機制，是持續研究的重要方向。Agentic 經濟成形，這也成為全球企業未來必須共同面對的重要課題。
