文／張瑞雄（資訊系教授、台北商業大學前校長）
人工智能代理本應成為 2025 企業數位轉型的主角。不過現實情況遠比預期骨感，麥肯錫最新調查顯示，多數企業仍在觀望階段，真正大規模部署智能代理的公司還是很少。這種落差並非技術不夠成熟，而是企業在設計可靠工作流程時遭遇意想不到的挑戰，讓這項被寄予厚望的技術陷入「叫好不叫座」的窘境。
智能代理的核心價值在於自主決策能力，這種特性使其超越傳統自動化軟體，成為能夠處理複雜業務流程的數位工作者。波士頓諮詢集團的案例顯示，一家消費品公司運用智能代理優化全球行銷，原本需要六位分析師每週投入的工作，現在只要一名員工配合代理系統，一小時內就能完成。代理系統自動蒐集資料、分析績效、提出建議，最後在人類核准後更新媒體採購平台。
這套觀察、規劃、行動的循環機制，讓智能代理能夠在執行任務時不斷從環境變化中學習。它們配備短期記憶來處理即時情境，也具備長期記憶儲存過往知識和對話細節。透過大型語言模型進行規劃，代理可以評估優先順序、更新計畫，並在必要時向其他系統或代理求援。這種彈性遠超過機械式的流程自動化，特別適合處理需要判斷和調整的複雜任務。
企業應用智能代理已在多個領域展現成效，行銷部門利用代理創作部落格文章，成本降低九成五，發布速度加快五十倍。金融服務業讓代理處理客戶互動，成本節省達十倍。生物製藥公司運用代理進行臨床研究報告撰寫，時間效率提升三成五。資訊部門則借助代理現代化老舊系統，生產力增長四成。這些案例證明技術本身確實可行，問題出在如何擴大應用規模。
麥肯錫的數據點出關鍵瓶頸。在行銷、人力資源等具體業務功能中，宣稱已完全規模化部署智能代理的企業比例不到一成。即使在應用最廣泛的資訊技術領域，完全規模化的企業也僅占 2%，另有 8% 正在擴展中。這種緩慢進展反映出企業面對的真實困境，設計可靠的代理流程比想像中更困難。
困難源自當前人工智能模型的特殊處境，這些模型在某些任務上表現接近人類水準，但在其他方面卻力不從心。當任務涉及從多個來源蒐集資料，並透過軟體工具執行多個步驟時，挑戰格外明顯。工作流程愈長，早期步驟的錯誤就愈容易累積放大，導致最終結果失敗。加上最強大的模型運算成本高昂，若工作流程需要大量規劃和推理，費用可能高到無法承受。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 LinkedIn，與全球CIO同步獲取精華見解 ]
為解決這些問題，許多企業嘗試建立多代理工作流程，讓不同代理各自負責單一步驟，有時還會安排一個代理檢查另一個代理的成果。這種設計確實能提升表現，但成本同樣可能過高。麥肯錫的實踐案例展示了這種方法的潛力，他們協助客戶將超過二十年歷史的傳統程式語言系統，重新架構為現代程式碼。就像數位工廠流水線，不同代理依序處理解碼、設計、編寫、測試和修復等環節，最終達到九成以上的準確率，速度還比人工快。
Google 測試不同代理架構在各種任務的表現。結果顯示，單一代理或多代理系統的優劣，高度取決於任務性質。對於必須循序執行的任務，只要單一代理的準確率超過四成五，使用多代理反而會讓整體表現大幅下降，降幅可達三到七成，原因在於多個代理協調使用工具會快速耗盡運算資源配額。
相對地，當任務可以平行處理時，多代理系統就展現明顯優勢。而且代理之間的協作方式也影響成效。在財務分析任務中，採用集中式架構，由一個協調代理指揮多個子代理並統籌所有溝通，效果比單一代理好八成。若採用獨立式架構，讓各代理平行完成各自任務而不設協調者，改善幅度則只有五成七。這些細節差異，正是企業在實際部署時必須仔細權衡的關鍵。
[ 推薦閱讀：AI 發展重點在於信任的建立 ]
智能代理市場預期未來五年將以每年四成五的速度成長。隨著技術普及，企業將像招募人類員工一樣培訓代理，讓它們學習職責、取得資料存取權限、融入工作流程。原本需要大型團隊處理的複雜工作，將轉變為少數人類搭配多種代理的協作模式。企業擴張將不再完全依賴招聘規模，因為代理可以快速複製部署。這種轉變不僅提升生產力，也將催生全新的商業模式。
不過這種變革也帶來新的管理需求，監督智能代理將成為核心技能，確保它們達成目標並遵守隱私、公平和倫理標準。代理愈普及，企業就愈需要培養員工具備負責任人工智能的素養。這不是取代人類工作，而是重新定義工作內容。程式設計師不會失業，但他們編寫的內容和方式會改變，許多繁瑣任務將被自動化處理。
從技術突破到實際應用的鴻溝，說明了創新擴散的複雜性。智能代理的潛力毋庸置疑，但企業需要時間理解如何針對不同任務設計最適合的架構，如何在成本和效益間找到平衡，如何建立信任並培養相關能力。2025 年的探索和學習過程，正為真正的大規模應用奠定基礎。遲到總比缺席好，關鍵是企業能否從早期採用者的經驗中汲取教訓，避免重蹈覆轍，讓技術真正發揮應有的價值。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
