摘要： Cohere Labs 的 ATE 資料集彙整七個公開目錄，包含約 69.6 萬個工具與 12.3 萬個 MCP 伺服器，用來觀察開發者實際替 AI 代理建造了哪些自動化任務。研究發現只有 2.6% 的工具能完整執行 O*NET 任務，419 個職業尚無對應工具，且技術可行性比勞工偏好更能預測工具分布。
談到 AI 怎麼改變工作，常見的證據大致分兩類：學者對「哪些任務可能被取代」的推算，以及使用者實際上向 AI 提問的操作紀錄。Cohere Labs 在 2026 年 9 月發表的研究，把鏡頭轉向第三個角度：開發者究竟造出哪些工具，讓 AI 代理自行完成任務？
研究團隊彙整七個公開目錄，拼出 Agentic Task Ecosystem (ATE) 資料集，內含約 69.6 萬個工具與 12.3 萬個 MCP 伺服器，規模在同類公開資料集中居首。MCP (Model Context Protocol) 是一套開放標準，讓 AI 系統串接外部軟體與資料；每個工具都是一份「可自動化任務」的公開紀錄。
對產品建構者來說，這份資料集與其說是學術研究，更像一面鏡子：我們正替 AI 鋪出什麼路，又可能因此走到哪裡。
只有 2.6% 真的動手做事：自動化還在起步
ATE 資料集最受矚目的結論，來自一套從嚴的判定方式：工具不能只提供資訊或當幫手，要能「完整執行」一整項職業任務才算過關。這把尺之下，達標的只有 2.6%——換算成絕對數，將近 70 萬個工具裡約僅 1.8 萬個，能把 O*NET 登錄的某項工作任務從頭做到尾。
更值得留意的是，美國勞工部 O*NET 資料庫的 923 個職業中，有 419 個、將近半數，完全找不到對應的代理工具。對許多職業而言，開發者根本還沒開始建構自動化工具。
Cohere Labs 也提醒，2.6% 該讀成「下限」而非全貌：取樣僅限公開目錄，企業內部自建的 MCP 伺服器沒被算進去，而這類工具往往更貼近職業資料庫所述的後台流程。話雖如此，這個比例仍說明：真正被自動化接手執行的職業任務，在整個生態系中份量相當有限。
其餘工具的樣貌：把舊工作切開、重新綁緊，以及替代理打地基
那麼，其餘 98% 的工具在做什麼？Cohere Labs 把未匹配上職業任務的工具重新分群，歸納出三種模式：
第一，把既有工作切得更細，或反過來綁得更緊。 約 693 個類別屬於「次原子」性質，把職業資料庫裡的一項任務往下拆成更小的步驟——以「維護配置控制」為例，它可能被拆成數十個各處理單一環節的工具。反方向則有 411 個類別，把多項任務串成同一條工作流程，例如「會議記錄管理」就把收集、整理、分析等 O*NET 分開登錄的任務收進同一範疇。這些工具並未跨出既有工作的邊界，差別只在切分與組合的手法。
第二，支撐代理運作的基礎設施。 相當大比例的工具，存在目的就是讓代理跑得起來：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，但與其視為新的產出，更貼切的說法是自動化的「營運開銷」。
第三，真正的新工作數量很少，且多半圍繞代理管理。 僅 35 個類別（約 3%）描述的工作在職業紀錄中找不到對應，且大多是因代理存在而成立，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。
這套分類對產品建構者別具意義：設計工具時，我們做的往往不只是「取代」既有工作，也可能催生新的工作類型，尤其是環繞代理而生的管理與監督職能。
預測與現實的距離：能不能做得到，比想不想要更關鍵
研究進一步把理論暴露分數——衡量 AI 能替一項任務省下多少時間——對照實際建構出的工具數量。在 178 個職業上，兩者相關係數為 0.54，可見理論預測確實抓得住工具開發的量能。
然而關鍵在於：理論分數無法指出工具會落在職業的哪個區塊。工具涵蓋的任務處於什麼位置（例行或專業）、切入的深度，都與理論暴露無關。一個職業工具多，並不表示它的專業核心正承受壓力。
勞工偏好這一邊更耐人尋味。WORKBank 的調查顯示，工人希望被自動化的任務，與實際建構出來的工具毫無關聯；真正能預測工具分佈的，是專家對技術可行性的判斷。換句話說，開發者造的是「能建構」的工具，而不是「人們想要」的工具。
這個落差對產品經理是重要提醒：使用者需求固然要緊，但推動早期採用的主力往往是技術可行性。規劃 AI 功能時不妨先問：這條路線被選中，是因為做得出來，還是因為它真正解掉了使用者的痛點？
產品建構者該從中讀到什麼
ATE 資料集描繪的自動化早期樣貌，可以讀出幾項對產品策略的具體意涵：
首先，自動化的擴散並不平均。接近半數職業一個工具都沒有，這既可能意味藍海市場比想像中寬廣，也可能反映這些職業的任務較難自動化（例如需要實體操作或人際互動）。
其次，「次原子」工具同時是機會也是陷阱。既然大量工具只處理任務的一小段，整合型解決方案就仍有空間——但切得太細會讓使用者覺得零碎，協調成本反而跟著上升。
最後，代理管理本身就是值得投入的領域。研究中冒出的新工作類型，多半集中在代理的選擇、監督與信任評估；企業導入 AI 代理時的真實痛點正在此處，也正是產品可以下手的切入點。
這份研究當然有其限制：觀察範圍僅限公開目錄，基準是美國 O*NET，其他地區或內部工具的影響可能被低估。不過作為供給端的訊號，它讓我們看見開發者把籌碼押在哪個方向——而這往往比需求端的調查更早勾勒出未來的輪廓。