Copilot 1500萬席位創紀錄＋Claude入駐Foundry：微軟開啟企業AI多模型新紀元

1500萬席位背後的真實數字：企業AI不再是實驗

Microsoft 365 Copilot在2026年初正式突破1500萬付費席位的里程碑，微軟公開宣稱這是「史上增長最快的企業軟體」。這個數字的意義遠超表面：它代表每月有1500萬名知識工作者正在日常辦公中使用生成式AI，而非僅僅在實驗或概念驗證階段。回顧歷史，Microsoft Teams花了近兩年才達到類似的企業滲透率，而Copilot僅用了約十八個月就實現了這一突破。

值得注意的是，這1500萬席位絕大多數集中在大型企業客戶。微軟的定價策略——每用戶每月30美元的premium附加費——意味著這些都是經過企業採購審批的正式部署，而非個人用戶的隨意訂閱。以此推算，Copilot的年化收入已超過54億美元，接近一些獨立SaaS公司的總營收。這個數字足以讓市場重新評估「企業願意為AI付費多少」這個根本問題。

但增長速度同樣引發質疑：這1500萬中有多少是「買了但沒真正用」的僵屍席位？微軟在內部數據中引用了「每週活躍使用率超過70%」的統計，但獨立調查機構的數據通常顯示較低的實際使用率。無論如何，僅就「企業願意持續付費」這一事實而言，Copilot已經證明了企業AI的商業模式可以規模化。

Agent Mode的全面部署：從回答問題到代替你做事

Copilot Chat即將在所有Office應用中全面推出的Agent Mode，標誌著企業AI從「問答工具」到「執行代理」的關鍵躍遷。在傳統的Copilot體驗中，用戶需要明確指令——「幫我寫一段Excel公式」、「幫我總結這份文件」。Agent Mode的本質變化在於，Copilot可以自主規劃多步驟任務、調用不同應用的功能、甚至在執行過程中根據結果調整策略。

具體而言，Agent Mode將允許用戶在Word中下達如「根據Q4銷售數據，撰寫一份包含圖表的季度報告，並自動發送給部門主管審閱」這樣的複合指令。Copilot會自動打開Excel讀取數據、生成圖表、嵌入Word文件、格式化報告，最後通過Outlook發送。這種跨應用的自動化工作流，過去需要專業IT團隊用Power Automate花數小時配置，現在理論上可以通過自然語言在幾分鐘內完成。

Agent Mode的另一個突破在於其記憶和上下文管理能力。傳統Copilot的每次對話都是獨立的，AI不會記住你上週的請求或偏好。Agent Mode引入了持久化的工作記憶，能夠學習用戶的報告格式偏好、常用數據源、審批流程等，隨著使用時間的增長不斷提高自動化的精準度。這種個性化能力是Copilot從「通用工具」進化為「個人助理」的關鍵轉變。

Foundry引入Claude：微軟為何主動打破OpenAI獨佔？

Microsoft Foundry正式支援Anthropic的Claude模型，這是一個極具戰略意義的舉動。自2019年微軟向OpenAI投資以來，外界普遍認為微軟是OpenAI的獨家商業合作夥伴。Foundry引入Claude，等於微軟公開承認：沒有任何單一模型能滿足所有企業場景的需求。

從技術角度分析，Claude在長文本處理、程式碼生成的可靠性、以及回應的安全性方面確實具備獨特優勢。許多企業客戶私下反映，在法律文件審閱、合規報告生成等高風險場景中，Claude的幻覺率和拒絕回答率都優於GPT系列。微軟選擇讓企業客戶自行選擇最適合的模型，本質上是將自己定位為「企業AI基礎設施平台」而非「OpenAI的獨家分銷商」。

這一策略轉變的深層原因是企業客戶對供應商鎖定（vendor lock-in）的強烈抵觸。在雲端運算時代，企業已經吃過被單一雲端供應商綁定的苦頭。面對AI這個更具不確定性的新領域，大型企業的CTO們明確要求：不要讓我只能用一家的模型。微軟如果堅持只提供OpenAI，就有可能將這些客戶推向AWS Bedrock或Google Vertex AI等競爭平台。

多模型企業架構：新的技術治理挑戰

Foundry的多模型策略聽起來很美好，但實際落地面臨嚴峻的治理挑戰。當企業同時使用GPT-4o和Claude處理不同業務流程時，數據隱私政策如何統一？模型輸出的品質標準如何對齊？當兩個模型對同一問題給出矛盾答案時，以誰為準？這些問題在單一模型時代根本不存在，而現在成為企業AI團隊必須面對的新課題。

在實務操作層面，多模型架構意味著企業需要建立一套「模型路由」機制——根據任務類型、安全等級、成本預算自動將請求分發到最適合的模型。例如，日常的郵件摘要可以用成本較低的GPT-4o Mini處理，而涉及合約條款解讀的高風險任務則路由到Claude。這種智能路由系統本身就需要相當的技術投入，小型企業可能缺乏建構的能力。

此外，多模型架構還帶來了成本管理的複雜性。不同模型的計費方式、token消耗率、回應品質都不同，企業需要建立統一的成本追蹤和預算分配系統。一些早期採用多模型策略的企業已經發現，如果缺乏精細的成本控制，AI支出很容易失控——某個部門可能在不知不覺中大量調用了最昂貴的模型，導致月底賬單遠超預期。

「企業AI的下一個競爭優勢不在於你用哪個模型，而在於你如何為正確的任務選擇正確的模型。多模型治理將成為企業數位轉型的新核心能力。」——Gartner 2026年企業AI報告

對香港企業的實質影響

香港作為亞太地區的金融中心和企業總部集中地，Copilot的1500萬席位增長中不乏本地企業的身影。根據業界估計，香港的Microsoft 365企業訂閱數量超過200萬席位，其中Copilot的採納率約在8%至12%之間，略低於全球平均水準。主要障礙並非技術或預算，而是廣東話和繁體中文的支援品質仍未達到英語水準。

Foundry引入Claude對香港金融業尤其重要。本地銀行和資產管理公司在處理監管文件（如SFC通函、HKMA指引）時，對AI幻覺的零容忍態度使得他們對單一模型的可靠性始終存疑。多模型架構允許他們在關鍵場景使用更保守、更精確的模型，同時在一般辦公場景使用性價比更高的選項，這種靈活性正是金融業一直在等待的。

然而，香港企業面臨的獨特挑戰在於跨境數據流動。當Copilot的Agent Mode自動跨應用處理數據時，企業必須確保數據不會在未經授權的情況下傳送到境外伺服器。微軟雖然在香港設有Azure數據中心，但多模型架構中Claude的推論是否也在本地完成，目前仍缺乏明確答案，這是本地企業在採購前必須釐清的關鍵問題。

OpenAI與Anthropic的微妙競合關係

Foundry同時提供GPT和Claude，表面上是企業客戶的福音，但對OpenAI和Anthropic兩家公司而言，這創造了一個前所未有的直接比較環境。企業客戶現在可以在同一個平台上、用同樣的數據、對比兩家模型的表現。這種透明的比較將加速模型商品化的進程，因為任何一方的優勢都會被對方快速追趕。

對OpenAI而言，微軟引入Claude是一記警鐘。雖然微軟仍是OpenAI最大的商業合作夥伴和投資者，但Foundry的多模型策略清楚表明：微軟的忠誠在於自己的平台，而非任何單一的模型供應商。OpenAI需要加速差異化——無論是通過更強的推理能力、更好的企業定制化功能，還是更有競爭力的定價——來確保企業客戶在有選擇的情況下仍然優先選擇GPT。

平台之爭的新格局：微軟、AWS、Google的三方博弈

微軟Foundry引入Claude，本質上是在複製AWS Bedrock的多模型策略。Amazon早在2023年就通過Bedrock平台提供多家廠商的AI模型，包括Anthropic Claude、Meta Llama、Cohere等。Google的Vertex AI同樣支援第三方模型。微軟此前堅持OpenAI獨佔策略，如今轉向多模型，等於承認Bedrock的策略是正確的。

但微軟手中有一張AWS和Google都沒有的牌：Office 365的龐大裝機量。全球超過4億Office 365用戶的日常工作流程都在微軟生態內完成，Copilot可以直接嵌入這些工作流中，無需額外整合。相比之下，AWS Bedrock和Google Vertex AI更多是面向開發者的API平台，距離終端用戶的日常使用還有相當距離。

這場平台之爭的最終勝負，可能不取決於誰支援更多的模型，而取決於誰能讓AI真正無縫融入企業的日常工作流程。從這個角度看，微軟的「Office + 多模型」組合拳具備明顯的結構性優勢。但AWS在基礎設施層面的領先地位，以及Google在搜索和數據分析方面的獨特能力，意味著這場三方博弈遠未到終局。

展望：企業AI的下一個拐點

Copilot達到1500萬席位和Foundry引入Claude這兩件事情同時發生，絕非巧合。它們共同指向一個結論：企業AI已經過了早期採用階段，正在進入規模化部署的深水區。在這個階段，企業需要的不是更強大的單一模型，而是更成熟的部署框架、更靈活的模型選擇、更完善的治理機制。

對於香港企業而言，2026年的關鍵行動不是急於跟風部署最新模型，而是建立內部的AI能力中心（Center of Excellence），制定多模型評估標準，培訓業務團隊有效使用Agent Mode等新功能。那些在這個階段就建立起系統化AI治理能力的企業，將在未來兩到三年的競爭中佔據難以追趕的先機。

微軟的策略轉變也給整個AI產業發出了一個明確信號：模型本身正在商品化，真正的價值在於平台、整合和生態系統。對於OpenAI、Anthropic等模型廠商而言，這既是機遇也是威脅——它們在企業市場的觸達能力大幅提升，但也面臨被平台商壓低議價能力的風險。企業AI的下一個拐點，將由平台商和模型商之間的權力博弈來定義。