AI Agent 不是買了就能用：企業導入要先過三道門

企業現在最容易犯的 AI 錯，不是「太慢」，而是把「能對話」誤以為「能交付」。很多管理層看到 AI Agent（可自主規劃、呼叫工具、執行多步驟任務的系統）會 demo、會查資料、會寫信，就以為離自動化營運只差上線。但在實戰裡，能登入工具，和能把工作從頭到尾可靠完成，是兩件完全不同的事。前者是展示能力，後者才是業務能力。

我對多數亞太企業的判斷很直接：未來 12 到 24 個月，AI Agent 不會先淘汰人，而是先淘汰一批「沒有流程紀律、資料治理鬆散、權限設計混亂」的企業數位化幻想。Gartner 在 2024 年指出，超過 30% 的生成式 AI（Generative AI）專案會在 proof of concept（概念驗證）之後被放棄，原因包括資料品質差、風險控制不足、商業價值不清。這個訊號很重要：真正卡住企業的，通常不是模型不夠聰明，而是企業自己還沒準備好讓它安全地做事。

我通常用一個很務實的框架判斷 Agent 能不能投：三道門模型——能不能接、能不能控、能不能算。第一道門是系統接入，Agent 能否接到 CRM（客戶關係管理）、ERP（企業資源規劃）、電郵、文件庫與內部知識庫；第二道門是治理控制，能否限制權限、保留紀錄、回溯決策、設人類覆核；第三道門才是財務回報，是否能把人力工時、成交率、回應速度或錯誤率，換算成看得見的 ROI（投資回報率）。大部分失敗案，根本還沒走到第三道門。

先問一句：你的 Agent 到底在「做事」，還是在「表演」？

現在市面上很多 Agent 展示，本質上是把搜尋、摘要、寫作和簡單工作流（workflow，預先定義的步驟流程）包成一個看起來很聰明的介面。這不是沒價值，而是價值密度差很多。若 Agent 只能回答「下一步應該怎樣做」，它是在當顧問；若它能真的去更新工單、整理報價、比對合約條款、發送追蹤郵件，它才開始接近員工的執行層。

McKinsey 在 2023 年的 generative AI 研究估計，知識工作中有 60% 到 70% 的活動「理論上可被自動化的能力影響」。但管理者常忽略一句潛台詞：那是 activities（活動），不是 whole jobs（完整職位）。企業真正買單的，不是 AI 幫員工省下 8 分鐘，而是能否把一個端到端流程中的 3 到 5 個節點穩定接起來。香港與台灣中小企尤其如此，因為人少、系統雜、流程常靠資深員工默契撐住，Agent 一進來就會撞牆。

在實戰導入中，我們反覆見到一個現象：Agent 在客服、內部 IT 支援、銷售前台跟進最容易做出成績，不是因為這些部門最先進，而是因為任務邊界相對清楚，輸入輸出可定義。例如「判斷客戶問題類型→查 FAQ（常見問題）→調 CRM 狀態→生成回覆草稿→交由人審批發出」，這就是一條可管理鏈路。相反，若企業想一開始就做「全自動商務助理」，十之八九會失敗。

第一道門：接不上系統，Agent 再聰明也只是聊天室

Agent 的真正分水嶺，不是模型排名，而是 integration（系統整合）。Stanford 2024 AI Index 指出，企業採用生成式 AI 的關鍵障礙之一，正是資料與應用系統整合難度。這點在亞太比歐美更明顯：很多香港、台灣、東南亞企業同時存在 SaaS（雲端軟體訂閱）、Excel、WhatsApp、舊式 ERP、本地 NAS（網路儲存）與部門自建資料夾，資料不是沒有，而是散落、重複、版本混亂。

這就是為什麼我不建議中型企業一開始追求「最強模型」，而應先盤點「最少要接通哪三個系統，價值才會發生」。一般來說，優先順序多半是：1）知識來源；2）交易紀錄；3）行動通道。換句話說，先讓 Agent 找得到正確資料，再碰得到真實業務狀態，最後才有能力執行通知、更新或提交。

下面這張表，不是比誰最酷，而是比誰更適合不同成熟度的企業：

重點不是哪家絕對最好，而是你的核心工作到底發生在哪個系統裡。若訂單、客戶、知識、審批分散在四套不同系統，你買任何 Agent 平台都只是開始，不是答案。

第二道門：沒有治理，省下的人力很快變成新的風險

企業高估 Agent 智能，通常同時低估 governance（治理）。Deloitte 在 2024 年多份企業 AI 調查中都指出，資料隱私、模型幻覺（hallucination，模型一本正經地說錯話）、法規責任與品牌風險，仍是高層最主要顧慮。這不是法務部門過度保守，而是因為 Agent 一旦能「採取行動」，風險等級就從內容錯誤，上升到流程錯誤與交易錯誤。

尤其在大中華與跨境場景，治理不是附屬題。香港企業可能面對內地與國際客戶資料並存，台灣企業可能涉及製造供應鏈文件、出口合規與商業機密，新加坡則常有區域總部式資料流轉。若沒有把權限切分為「可讀、可建議、可執行、可提交」，Agent 最終會被迫不是太弱，就是太危險。

實務上，我建議把 Agent 權限分成四級：第一級只可查詢；第二級可產生草稿；第三級可在沙盒（sandbox，隔離測試環境）執行模擬操作；第四級才在人類批准後寫回正式系統。很多企業急著追求「全自動」，結果反而因一次錯誤發信、錯誤下單或錯誤改價，讓整個專案被凍結半年。真正成熟的導入，不是把人拿掉，而是把人的位置放在風險最高、判斷最有價值的節點。

第三道門：不能算 ROI 的 Agent，最後都會變成 IT 成本

IDC 近年多次指出，全球 AI 支出持續高速成長，企業投資重心正從實驗走向 use case（具體使用場景）與 business outcome（商業結果）。這句話翻成白話就是：董事會不再只問你有沒有用 AI，而是問你這個 AI 幫公司多賺多少、少花多少、快多少。

我建議企業不要用「整家公司會被顛覆」這種空話立案，而要用單一流程建立財務模型。最適合 Agent 的 ROI 算法通常有三種：第一，節省工時，例如客服一線平均處理時間（AHT，Average Handle Time）下降 20% 到 40%；第二，提高收入，例如銷售跟進速度提升後，線索轉換率增加；第三，降低錯誤與流失，例如報價錯誤、漏回客戶、文件版本錯誤減少。Forrester 與各大平台商發布的 Total Economic Impact 類研究常給出正向案例，但管理層要看的是：這些成果能否在你自己的流程被複製，而不是別人的宣傳數字。

亞太中小企特別要小心一件事：如果一年 AI 預算不到一個資深營運人員的總成本，就不要幻想同時做十個 Agent 專案。正確做法是先選一條高頻、高人力、可量化、錯誤成本可控的流程，跑出第一個可驗證回報，再逐步複用資料、提示詞（prompt，給模型的指令）、權限與監控框架。

多代理一定比較強嗎？不一定，很多時候只是更難管

現在市場很愛談 multi-agent（多代理系統），意思是讓多個不同角色的 Agent 分工合作，例如一個負責研究、一個負責規劃、一個負責執行。這在某些複雜任務上確實有價值，尤其是大量資料比對、長鏈條分析或軟體開發。但這不是說多代理一定比較適合企業營運。

問題在於，代理越多，錯誤傳遞鏈越長，追責越困難，token 成本與延遲也可能上升。a16z 與多家開發者社群在 2024 年對 agentic workflow（代理式工作流）的討論都反覆指出：在 production（真正對外服務的正式環境）裡，穩定性、可觀測性（observability，能否看見系統在做什麼）和評估機制，往往比「更像人在思考」更重要。簡單說，一個能穩定把退款工單分流、補資料、草擬回覆的單代理流程，通常比一個看起來炫但不可控的多代理架構，更值得先上線。

這不是說先進架構沒有價值，而是多數企業導入的先後順序搞反了：你應先用簡單架構證明任務成立，再決定是否需要多代理提升覆蓋率或精度，而不是為了追趕市場敘事，先把系統複雜化。

重點帶走：先過三道門，再談全面自動化

如果你是老闆或高層，判斷 AI Agent 值不值得投，不妨直接用三道門模型做決策。第一，能不能接：至少接通一個知識來源、一個業務系統、一個行動通道。第二，能不能控：有權限分級、操作日誌（log，紀錄誰做了什麼）、人類覆核與例外處理。第三，能不能算：在 90 天內追蹤 2 到 3 個硬指標，例如工時、回應速度、成交率、錯誤率或流失率。

真正有機會跑出成果的企業，通常不是最早買工具的，而是最早把流程標準化、資料整理好、責任邊界畫清楚的。AI Agent 的核心不是「像人」，而是「比人更可預期地完成某段工作」。誰先理解這件事，誰就會在 2025 到 2027 年這一波企業 AI 重整裡，拿到比較便宜、也比較穩的紅利。

自我檢查

1. 我們想讓 Agent 取代的，是一段清楚流程，還是一個模糊職位？
2. 若 Agent 今天做錯一次，最壞會造成什麼營運、合規或品牌損失？
3. 我們能否在 90 天內，用真實數據證明它至少改善一個核心 KPI（關鍵績效指標）？