AWS Q1 加速增長與 Quick Suite／Kiro 觀察
全球最大的雲服務供應商 AWS（亞馬遜網絡服務） 在香港舉辦 AWS Summit，主題離不開 AI（人工智慧）。企業採用 AI 的速度遠高於互聯網時代，推動 AWS 整體首季營業收入達 376 億美元，同比上升 28%，創 15 個季度以來最快增速；AI 已成為主要增長引擎。
AWS AI 業務年化收入達 150 億美元，約佔 AWS 總營業收入 run rate 的 10%。說 AWS 是眾多雲服務商中最具前瞻眼光者，應不為過。AWS 的 AI 佈局，從晶片延伸至 Agent：底層算力包括自研晶片（Trainium／Inferentia）及 GPU，亦可支援自建模型與完整的 MLOps 工廠。Graviton 處理器針對中型模型 CPU 推理、傳統表格 ML、Agent 編排等場景，亦具成本優勢。
針對具備自身演算法、需要自行訓練／微調私用模型與機器學習的企業，AWS 推出 SageMaker。生成式 AI 浪潮之前，SageMaker 一直是 AWS 最大的 AI 收入來源之一，用戶遍及金融、製造、零售等傳統產業的機器學習需求。
2026 年，Bedrock 成為 AWS 生成式 AI 核心平台之一，提供不同 LLM 的 API；但 AWS 的優勢不只在於「提供模型」，而是生成式 AI 平台與應用編排：Bedrock 結合「多模型 + 工具調用 + 企業治理」，讓企業可在既有安全與合規框架下接入大模型、構建應用與 Agent。
可確定的是：AWS 將 AI 收入以 run rate 形式量化，已達 150 億美元以上，足以說明 AI 已成為 AWS 的主要增長引擎之一。
深度綁定 Anthropic：從模型到企業級工作流
AWS 亦是 Anthropic（Anthropic） 的合作方和投資者，透過長期算力框架協議深度綁定 Claude 系列模型。Bedrock 以 token-as-a-service 形式提供服務，外界相信 Anthropic 佔 AWS AI 營業額約 58% 至 80%，主要透過 Claude API 出售 token。 Anthropic 年化經常性收入（ARR）突破 300 億美元，並承諾未來十年將在 AWS 雲端服務與基礎設施上支出超過千億美元，全面採用亞馬遜自研晶片訓練未來模型，形成 AI 循環經濟。
AWS 在應用層也推出 AI 編碼工具。去年 AWS 推出的 Kiro 以「Spec-Driven Development（規範驅動開發」為設計哲學，要求先完成需求與流程規劃，再落地實作，較符合企業研發管理與合規審計需要，亦有助減少幻覺。理論上，Kiro 的規範驅動模式可帶來更好的追溯性；但在高頻迭代開發場景，過度結構化往往適得其反，帶來更高交互成本，Token 與上下文消耗亦更為顯著。 Kiro 高度依賴 Claude，但未取得預期成功，去年一次意外更導致 AWS 中國大陸 Cost Explorer 服務中斷。
相較之下，較輕量的 Amazon Q Developer 早期已提供 CLI 與 IDE 外掛等路徑，方便融入既有工程流程，也讓維護 Lambda 更便利。AI 編碼逐漸 CLI 化、自動執行任務的模式成為主流，Amazon Q 更加順手。
另一方面，Claude Code 從「AI 編程助手」走向「標準化和可協作」的企業級 Agent 工作流，並可通過 CLI 自動執行任務。AI 正從交互式工具演變為可自動執行任務的系統，通過 Agent 調用工具，自動完成複雜任務；Claude 推出的 Cowork 亦取得巨大成功，大模型公司開發應用，往往更勝一籌。
不少人形容今年發展定調是 Agentic AI（代理式 AI） 元年。AI 從單純回答問題的「被動工具」，進化成能理解目標、拆解步驟並自主執行任務的助手。從 Claude Code、Codex、Cursor、Copilot 等產品可見，部分編程助手正演進為「主動執行任務的自主智能體（Agent）」與「多 Agent 協同系統」，或者稱為具備自動化工作流的 AI Harness 系統。這個系統可被稱為「 AI 應用層」。
Quick Suite：企業跨應用 AI 助手的機會與限制
AWS Summit 推介的企業辦公跨應用 AI 商業智能助手 Quick，產品組合可概括為三個模組：
- QuickSight 是雲原生、無伺服的 BI 工具，可連接多來源數據，輸出視覺化看板與報表，並通過整合 BI 分析，檢索 Redshift 和 Athena。
- Quick Agents 是可按部門／租戶隔離權限的對話式 Agent，支援定時運行（類似 Cron），以自動生成報告、監控異常與推送提醒。
- Quick Research 是面向非結構化數據的深度調研引擎，用於長期市場研究與數據綜合分析。
Quick 同樣高度依賴 MCP 協議來橋接第三方系統：Agent 執行、數據檢索、模型推理大多跑在 AWS 雲端，並與企業數據與權限體系整合，主打安全合規與集中治理。
市場上個人化 BI 工具可以數 Excel／PivotTable、Power BI 和 Tableau，以至數據倉庫等工具。 Redshift 是 AWS 數據倉庫，多年以來為擺脫 Oracle 的 Warehouse（ADW）而開發。Amazon 曾是 Oracle 大用家，不過兩家公司交惡，而前行政總裁 Andy Jassy 和技術總監 Werner Vogels 談去 Oracle 化，幾乎成為例牌菜。Athena 則可從 S3 的海量數據中以 SQL 語言檢索，大幅降低數據倉庫成本，毋須完全依賴 Redshift。全球不少數據湖都建立在 S3 上，正是通過 Athena 進行按需檢索。
換言之，QuickSight 也可利用 S3 低廉的儲存能力和 Redshift 建立 BI；連接外部數據則可利用 MCP 或 SaaS 連接器（例如 Salesforce Connector）。
整合 MCP 能快速擴大連接面，毋須專用 API，方便 Agent 即時執行工作，快速連接外部數據；而 SaaS 連接器也簡化了數據連接，只需通過 OAuth2 作身份認證，並簡化 ETL 過程。 但 MCP 在安全與連接可靠性上，仍有待更成熟的治理手段；第三方連接器的風險邊界與運維成本亦仍需評估。
Quick 與 AWS 的身分與模型體系（IAM、Bedrock 等）深度綁定，而 S3 物件儲存亦必須完全依賴 AWS 身分管理。加上缺乏模型選擇自由度，也可能難以跨雲可攜執行，前提是企業必須完整實施 AWS 的雲原生基建。
Quick Agents 則針對非技術員工的 Agent，可自主執行任務。由於採用雲原生設計，用戶只能在 Quick 環境運行；這些工具主要執行簡單重複任務，加上原生支援 MCP，不再依賴專門 API，更方便 Agent 調用。現時市場上有過千 MCP 可供調用，能快速連接數據源。
Quick Research 能在數分鐘內，將大量非結構化數據（PDF、網上百科）、數據源及數據集整合成完整的研究計畫，類似 Deep Research。不過，這類研究工作可能只針對少數用戶，而設定數據來源亦可能相當具挑戰性。
總結而言，Quick 是將「模型、工具、治理與工作流」整合成可被企業大規模採用的系統，尤其面向商業智能。不過，從功能和操作層面來看，與 Tableau 仍有距離；另一個挑戰是整合與管治的難度，以及產品市場定位和是否容易上手。Quick 更似是重新包裝既有工具，而非創新的應用。Redshift 和 Athena 是強大的工具，但如何讓普通用戶得心應手，真正實現終端用戶自助 BI，仍會是最大的考驗。