今天三則 AI 更新，
表面上分別在談：
企業 Agent、
資安、
假新聞。
但它們其實都指向同一個變化：
AI 正開始取得以前只有「人」才會擁有的角色。
Google 想讓 AI 擁有自己的工作身份。
Anthropic 想讓 AI 像資安研究員一樣找漏洞。
OpenAI 則發現，有人已經用 AI 包裝出看起來像真人的記者與組織。
所以今天真正值得問的，
已經不只是：
「AI 能不能做？」
而是：
「當它真的在做時，我怎麼知道它是誰、做過什麼，以及值不值得相信？」
1. Google Cloud 推出「單一 Gemini Agent」：公司裡的 AI 開始真的有自己的身份
Google Cloud 10 月 8 日在 Gemini at Work 2026 發布新的：
Gemini Agent。
Google 對它的定位不是：
另一個聊天機器人。
而是：
Single Universal Agent for Work。
意思是，
企業不用替每一個 App 都準備一個完全分開的 AI。
同一個 Gemini Agent 可以：
回答問題、
整理知識、
產生圖片與媒體、
寫 Code、
執行 Code、
使用公司工具，
再把結果直接送回：
文件、
Email、
開發環境。
它直接進到 Gmail、Drive、Docs、Sheets、Calendar
Google 表示，
Gemini 會 Inline 進入：
Gmail、
Drive、
Docs、
Slides、
Sheets、
Chat、
Calendar。
而且保留同一套：
Memory、
Skills、
Controls。
這代表你不用每換一個 App，
就重新解釋一次：
「這個專案在做什麼。」
例如一個工作可能變成：
從 Gmail 找出客戶最新要求 →
從 Drive 找規格 →
在 Sheets 建分析 →
再做成 Slides。
以前這可能是：
四個 App、
四段 AI 對話。
Google 想把它變成：
同一個 Agent 接著做。
更大的改變：Agent 可以真的變成「團隊成員」
Google 這次還提出：
Coworker Agent。
這種 Agent 不只是掛在你的帳號下面工作。
它可以有自己的：
企業身份、
儲存空間，
甚至：
@agents.company.com Email。
例如公司可以建立一個：
活動協調 Agent。
團隊成員可以：
在 Chat 裡 @它，
把它加進文件，
讓它準備 Launch Checklist，
完成後再以自己的 Agent 身份回覆。
版本紀錄也可以顯示：
是這個 Agent 做的。
這和以前所有動作最後都掛在某個真人帳號下，
是很不一樣的治理方向。
為什麼「自己的身份」很重要？
因為未來如果公司裡有：
20 個 Agent、
100 個 Agent，
最大的問題之一會變成：
到底是哪一個 AI 做了這件事？
如果所有 Agent 都借用：
王先生、
李小姐
的帳號，
Audit Trail 很快就失去意義。
Google 的方向是：
每一個 Agent 都有：
獨立 Identity。
每一個 Action 都能：
歸因到那個 Agent。
權限也依 Agent 自己的角色設定。
這樣真正出事時，
才能回答：
誰做的？
它當時有哪些權限？
碰過哪些資料？
Gemini Agent 甚至不一定只用 Gemini 模型
另一個很重要的變化是：
Agent 和 Model 開始分開。
Google 表示，
Gemini Agent 可以依不同工作，
在：
Gemini 系列模型
以及：
Anthropic Claude
之間選擇。
未來還計畫支援：
其他 Private Model
與
Open Model。
也就是：
你合作的是「Gemini Agent」。
但底下每一個工作，
不一定都是 Gemini 模型完成。
簡單任務可以跑便宜模型。
困難任務才升級到更強模型。
Google 甚至開始把 AI 預算直接做成硬上限
這次還有一個企業很實際的功能：
Real-time Spend Caps。
公司可以替專案設定：
AI 最多可以花多少。
Gemini 會計算：
Token Usage、
Sandbox Cost。
一旦碰到預算上限：
Agent 直接 Pause。
再由人決定：
要不要繼續。
這代表企業 Agent 開始從：
「Prompt 裡提醒它節省一點」
走到：
系統真的能替 AI 工作設預算天花板。
Boundary：這不代表所有 Google Workspace 使用者今天都突然有一位 AI 員工
這是今天很重要的邊界。
Google 公布的是：
新的 Gemini Enterprise Agent 架構與企業能力。
實際：
Edition、
Workspace License、
管理員設定、
Connector、
Feature Rollout
仍會影響你今天能用哪些功能。
所以不能把這篇理解成：
「所有 Gmail 使用者今天都可以建立一個有公司 Email 的 AI 員工。」
不是。
這主要是：
Google Cloud／Gemini Enterprise 的企業 Agent 方向。
一般公司今天真正需要做什麼？
如果公司已經在規劃 Agent，
比「選哪個模型」更值得先寫四個欄位：
Agent 是誰？
它可以碰什麼？
它做過什麼要留下紀錄？
什麼東西永遠不能碰？
有趣的是，
Google 這次自己也把企業 Agent Governance 濃縮成幾乎相同的四個問題。
Agent 真正開始進公司後，
身份與權限正在變得和模型能力一樣重要。
2. Anthropic 啟動 Cyber Mission：Claude 開始直接替電網、水務、交通找安全問題
第二件事情發生在資安。
Anthropic 10 月 8 日宣布：
Anthropic Cyber Mission。
它不是單一新模型。
而是一個長期計畫，
先從兩個方向開始。
第一個是：
Critical Infrastructure Defense Program。
目標包括：
電網、
水務系統、
交通、
政府系統。
Anthropic 表示，
會提供：
Frontier Models、
On-site Engineers、
Threat Research，
和真正保護這些 Operational Technology 的團隊合作。
第二個方向更接近一般軟體世界：免費 OSS Scanner
Anthropic 同時推出：
OSS Scanner。
它要替符合資格的：
Open-source Projects
定期做：
免費漏洞掃描。
而且不是只告訴 Maintainer：
「這裡可能有問題。」
報告可以包含：
漏洞解釋、
Proof of Concept、
Bug 從哪次改動開始出現，
以及有機會提供：
Candidate Patch。
AI 找漏洞的能力真的已經進步很多
Anthropic 表示，
在學術漏洞 Benchmark：
CyberGym
上，
LLM 從去年初：
不到 20%
一路提升到今年：
超過 85%
的漏洞發現能力。
這是 Anthropic 引用的 Benchmark 結果，
不是代表：
「Claude 現在能找到任何軟體 85% 的漏洞。」
不同：
Codebase、
語言、
攻擊面
都可能完全不同。
但它至少說明，
AI Vulnerability Research 已經從：
大量低品質報告
開始進到：
部分 Maintainer 願意真的拿來修 Bug
的階段。
Anthropic 還做了一次人工驗證
早期版本裡，
Anthropic 找專業 Penetration Tester，
檢查：
48 個專案中的 97 個
Critical／High Severity Finding。
其中：
85 個
達到 Anthropic Coordinated Vulnerability Disclosure 的標準。
剩下 12 個中：
11 個其實也是真的問題，
只是：
重複已知問題
或
重複 Scanner 其他 Finding。
只有：
1 個
被判定為 Invalid。
這組結果很漂亮。
但仍然不能直接變成：
「OSS Scanner 準確率永遠 99%。」
因為這只是：
特定測試樣本。
最大 Boundary：新的 OSS Scanner 報告，不會先有人替你審
這點反而可能是今天最重要的。
Anthropic 明確說：
新服務發出的 Findings：
Fully Model-generated。
而且：
Without Human Review or Triage。
原因是：
這樣可以更快、
更頻繁地把漏洞送給 Maintainer。
但代價就是：
報告仍可能：
判錯嚴重程度、
誤解 Threat Model，
甚至出現：
Invalid Finding。
所以：
收到「Critical Vulnerability」
不能直接等於：
「產品已經確定有 Critical 漏洞。」
真正成熟的使用方式仍然是：
AI 找 →
人驗證 →
重現 →
判斷影響 →
修補。
為什麼這和一般人也有關？
因為你每天使用的：
Browser、
Server、
Programming Language、
Library、
App
背後，
幾乎都依賴大量 Open-source Code。
而很多核心 Open-source Project，
維護者可能只有：
幾個人。
Attackers 現在也能利用 AI 更快找漏洞。
如果防守方還只能靠少量 Maintainer：
人工慢慢掃，
攻防速度就會失衡。
Anthropic 的賭注是：
既然 AI 讓找漏洞變便宜，也要把同一種能力交給防守者。
今天需要採取什麼行動？
如果你只是一般使用者：
不用做什麼。
如果你是：
Open-source Maintainer、
Security Team、
Critical Infrastructure Vendor，
才值得進一步評估這些計畫。
但不論用 Anthropic 或其他 AI Scanner，
都有一條原則不要省：
AI Finding 是待驗證證據，不是自動成立的事實。
這和一般 AI 回答其實一樣。
只是到了資安領域，
錯一次的代價更大。
3. OpenAI：有人已經用 AI 做出「看起來像真的記者」，文章還成功登上真媒體
第三件事情不是模型發布。
而是：
信任。
OpenAI 10 月 8 日公布新的 Threat Investigation。
公司表示，
最近封鎖兩組：
Covert Influence Operations。
一組與：
伊朗
有關。
另一組與：
俄羅斯
有關。
它們共同的玩法不是：
單純建立一萬個 Bot 帳號洗版。
而是建立：
False Front。
也就是：
表面上看起來像真正的人、
真正媒體、
真正研究機構。
伊朗行動建立了 7 個「記者」
OpenAI 表示，
相關行動建立：
7 個 Journalist Personas。
這些 Persona 有：
名字、
作者背景、
社群帳號，
甚至在：
Medium、
X、
Facebook、
Instagram、
Threads
建立外部存在感。
其中有人把自己描述成：
美國自由撰稿人。
但 Meta 的透明度資料顯示，
部分帳號實際位於：
Iran。
更值得注意的是：文章真的進到媒體裡了
OpenAI 利用公開來源調查後，
找到：
接近 100 篇文章
使用和這組行動有關的作者署名，
出現在：
超過十多家不同 Publication。
最早可以追到：
2025 年 7 月。
最新則一路到：
2026 年 10 月。
其中不少內容聚焦：
國際政治、
中東、
美伊關係。
而且至少部分文章，
後來還被真正媒體自己的社群帳號：
繼續推廣。
也就是，
影響行動不一定要自己建立一個：
「假的新聞網站」。
只要讓：
假的人
成功把內容送進：
真的媒體
就可以借用真媒體的信任。
這和以前 AI 假文最大的差別是什麼？
以前大家比較擔心：
「這段文字是不是 AI 寫的？」
但今天更麻煩的問題變成：
「這個作者到底是不是真的存在？」
因為文章本身可能：
語法正常、
結構正常、
有專業語氣、
出現在真正的網站。
如果編輯流程只檢查：
文章寫得好不好，
卻沒有驗：
作者是誰、
背景是否存在、
社群身份是否一致，
AI 可以幫助操作方補齊整個：
Identity Layer。
俄羅斯行動甚至疑似讓真人替假的組織站台
OpenAI 另外描述的俄羅斯行動，
則出現另一種做法：
建立表面上像真的：
Think Tank。
並可能讓：
拉丁美洲一些不知情的人
協助這個組織在現實世界運作。
這代表「假」和「真」開始可以混在一起。
假組織。
真人參與。
AI 內容。
真媒體曝光。
一旦混成這樣，
只靠：
「這張照片是不是 Deepfake？」
已經不夠。
Boundary：不是那近 100 篇都已被證明完全由 AI 自動生成
這點一定要講清楚。
OpenAI 確認的是：
那些文章的 Byline
與該 Influence Operation 有關。
並且這些 Operation 使用 OpenAI 模型配合其他傳統工具與技巧。
這不等於 OpenAI 已逐字證明：
接近 100 篇文章的每一個字，
全部由 AI 自動生成。
所以更準確的說法是：
AI 被整合進一套假身份與影響行動裡。
而不是：
「AI 自己寫了 100 篇假新聞。」
一般讀者現在怎麼判斷？
以後看到一篇看起來很專業的文章，
尤其是：
政治、
戰爭、
國際衝突、
高度爭議議題，
不要只問：
「這段文字看起來像不像 AI？」
更值得看：
作者以前寫過什麼？
作者頁存在多久？
其他地方能不能找到這個人？
社群帳號什麼時候建立？
來源是否能獨立驗證？
其他可靠媒體是否有相同事實？
因為真正成熟的 AI 影響操作，
未來可能根本不需要：
看起來像垃圾內容。
反而會努力讓自己：
看起來完全正常。
今天三件事真正連起來的是「身份」
Google 正在替 AI 建：
工作身份。
讓你知道：
是哪個 Agent 做的。
Anthropic 正在讓 AI 擔任：
資安研究角色。
但仍要求人知道：
模型 Finding 不等於已確認漏洞。
OpenAI 則剛好展示另一面：
有人也可以利用 AI，
製造：
假的人類身份。
所以 AI 愈往真實世界走，
下一個最重要的能力可能不是：
「看起來像不像人。」
而是：
能不能證明它到底是誰。
對企業來說，
這叫：
Identity、
Permission、
Audit Trail。
對內容世界來說，
這叫：
Author Verification、
Provenance、
Source Checking。
AI 能力愈強，
「誰做的」這個問題，
反而會變得愈重要。
推薦閱讀
今日 AI 工具｜2026/08/12：Google Workspace Studio，用一句話把 Gmail、Drive、Sheets、Chat 串成 AI 自動化流程
今日 AI 工具｜2026/09/11：Qodo Agentic Toolbox，讓另一個 AI 先檢查 Claude Code、Codex、Kiro 的改動，再開 Pull Request
