AI Agent來了，但它是什麼？AI代理定義、應用、挑戰全解讀

早在2024年初，人工智慧權威吳恩達（Andrew Ng）就將AI代理（AI Agent）列為最值得關注的AI趨勢之一。兩年過去，AI Agent已從紙上理論與行銷熱詞，走向OpenClaw、Claude Code、Claude Cowork等真正開始做事的產品。究竟AI Agent是什麼，為何備受討論？所謂「AI代理工作流程」（AI agentic workflow）又指的是什麼？如今AI Agent上線後，又碰上哪些挑戰？《遠見》一文帶你看。

＊本文初版完成於2024/06/30，最後更新日期：2026/05/22

AI Agent是什麼？ 

OpenAI產品長威爾高聲呼喊，2025年就是AI Agent元年；Google執行長皮蔡（Pichai）也表示，我們已經進入Agent時代（agentic era）。

進入2026年，伴隨OpenClaw熱潮，AI Agent已經進入企業工作現場與日常應用場景。

所謂AI Agent，是指具備自主運作（autonomous）能力、無需人類介入的AI系統。

使用者只需下達指令，AI Agent便能感知環境、解讀意圖；面對高複雜度任務時，它會自行拆解步驟、制定計劃並執行。任務完成後，更具備分析資訊、自我進化的能力。

台灣習慣將AI Agent翻譯為「AI代理」與「AI代理人」，對岸則以「AI智能體」稱之，翻譯的核心皆在於結合「智慧」（intelligence）與「代行」（agent）特質。

無論是將產品與服務賣給消費者（2C），還是專注於企業（2B），有許多企業開始高喊導入AI Agent，或者販售AI Agent服務。開始出現不少高喊AI Agent應用的公司。

究竟，AI Agent的發展進度如何？

AI Agent應該具備哪些能力？

儘管市場對AI Agent的定義眾說紛紜，但若撥開行銷迷霧、回歸技術核心，前OpenAI應用研究主管、Thinking Machines共同創辦人Lilian Weng在2023年發表的論述，至今仍然值得參考。

她深入剖析了由大型語言模型（LLM）驅動的自主代理系統（Autonomous Agents）架構；這篇文章因其嚴謹的邏輯與實務指導價值，也成為許多企業與個人在開發AI Agent時，重要的參考座標。

就像人類一樣制訂計畫，還能利用工具做事

Lilian Weng主張，AI Agent是以LLM為核心大腦，並具有規劃（planning skills）、記憶（memory）與工具調用（tool use）能力的系統，讓AI從原本只能執行特定任務的工具，進化為能處理通用型問題（general problem）的自主個體。

以規劃能力來說，Agent能運用「思維鏈」（Chain of Thoughts）或「思維樹」（Tree of Thoughts），將複雜指令拆為一系列子目標（Subgoals），實現對進度的精準控管。

任務告一段落後，它還能透過ReAct、Reflexion及「事後反思鏈」（Chain of Hindsight）自我評估。這種具備「反思能力」的機制，讓Agent能從經驗中迭代學習，在避免重蹈覆轍的同時，持續改進行動品質。

AI Agent具備規劃能力、擁有記憶力、可以使用工具，因此能夠展開行動。取自Lillian Weng部落格

鏈奇國際創辦人何建幟補充，一個成熟的AI Agent應具備感知（perception）、思考（thinking）與行動（action）三大核心能力。

自主運作的基石源於「感知」，系統需即時掌握外部環境變化，並釐清自身所處的情境座標。隨後的「思考」階段，則是將環境資訊轉化為縝密的執行計畫，確保決策的精準與有效。

最終，AI Agent必須跨越邏輯分析，將計畫具現化為具體的「行動」。

唯有具備將思維轉譯為實作的執行力，AI才能真正跨出螢幕、代人代勞。這三大能力交織而成的運作框架，正是讓AI任務從虛構構思走向現實落地的關鍵。

AI Agent展現出哪些特性？ 

除了從「能力」角度定義AI Agent，也可以透過「特性」這個視角，進一步理解AI Agent的本質與價值。

曾於2024年參與開發生成式AI平台「達哥」（DaVinci）的聯發科技人工智慧暨數據工程處副處長楊建洲，當時接受《遠見》採訪時，提出AI Agent應涵蓋五大核心特性：個人化（personalization）、主動性（pro-active）、互動適應性（adaptive interaction）、自主學習（learning），以及任務管理（task management）。

若對照ChatGPT，差異相當鮮明。

AI Agent不是被動等待指令，而是會主動出擊，自行發起對話、向使用者提問。更關鍵的是，它能在持續互動中累積對使用者偏好與習慣的理解，讓每一次的決策都更貼近個人需求，而非千篇一律的通用回應。

面對突發或未知狀況，AI Agent同樣不需要人類介入引導，它有能力自動規劃應對方案並付諸執行。楊建洲認為，真正到位的AI Agent，應能完整走完「接受任務、調整任務、執行任務、回報任務」整段流程。

他進一步以「Fire and Forget」這個概念點出AI Agent的終極價值：使用者只需下達指令、完成任務分配，接下來便可去做其他的事，甚至直接去睡覺。不必再把時間和注意力耗費在來回對話上，認知資源得以真正解放，工作也能安心地交托給AI全權處理。

2026年5月Google開發者大會上，Google展示的AI Agent應用，很適合說明AI Agent的理想特性。

以Gemini Spark為例，它的定位是能夠24小時在背景運作的個人AI Agent，使用者即便關閉電腦，它也能替你執行任務。

例如，使用者可以指派Gemini Spark定期解析每月信用卡帳單，主動標出新出現或可疑的訂閱費用；也可以請它持續追蹤某類資訊，像是自動檢查孩子學校寄來的Email，抓出重要截止日期，再整理成一份每日摘要寄給家長。更進一步，它還能把分散在郵件與聊天紀錄中的會議筆記整合起來，整理成正式文件，甚至順手起草專案啟動信。

包含Gemini Spark在內的AI Agent，都不僅止於提供答案，還能跨工具、跨時間地主動追蹤資訊、整理脈絡，並完成一整段工作流程，真正朝「Fire and Forget」的使用體驗靠近。

AI Agent與常見工具有何不同？

AI Agent與ChatGPT有何不同？ 

OpenAI曾在其開發者大會上，提到AI正從「有問必答」進化到「有求必應」，這也正是AI Agent與ChatGPT的本質差異，ChatGPT只能對話，而AI Agent能夠行動。

對比兩者，ChatGPT可以說是博學多聞、善於聊天的數位助手，AI Agent則是具備執行力的數位員工。它不只停留在內容生成，更整合了記憶、規劃與工具運用，將核心重心從「產出答案」轉向「達成任務」，能夠超出網頁上的對話框，替人類完成任務。

AI Agent與AI模型有何不同？

自從ChatGPT震撼問世以來，人們便將目光放在幾間先進AI實驗室的新模型，比較Anthropic最先進的Claude Opus 4.7、Google最新的Gemini 3.1 Pro，還有OpenAI的GPT-5.5，究竟誰是當今地表最強大的模型。

不過，AI模型不能直接和AI Agent畫上等號。

Google Cloud執行長科里安（Thomas Kurian）在2026年4月自家的年會中就提到，「企業要發揮AI實力，光靠模型是不夠的。」

如果說模型是負責理解與生成的引擎，Agent就是以引擎為核心驅動、長出手腳的系統，串聯了記憶、規劃與工具調用能力，將純粹的運算力轉化為可落地的執行力。

單靠模型時，AI多半仍停留在回應使用者請求而已，主要用途是問答、摘要、翻譯、撰文或生成程式碼；Agent則能根據目標拆解步驟、跨系統調用資料，甚至在取得授權後，於現實環境中直接採取行動。

AI Agent與RPA有何不同？ 

在大型語言模型（LLM）席捲全球前，企業談及自動化，多半指的是RPA（機器人流程自動化）。作為技術先行者，RPA擅長在固定規則下精準執勤，是追求效率的穩定推手；然而，一旦任務進入需要隨機應變的灰色地帶，AI Agent具備的決策特質，便成為兩者的關鍵分水嶺。

楊建洲認為，AI Agent並非漫無目的地自由發揮，而是在預設地圖中保有彈性。以規畫日本旅遊為例，她表示，訂票與租車是標準化的RPA流程，但Agent能根據使用者的預算，在特定節點上自主判斷並調整選項。

簡而言之，RPA照表操課，AI Agent則擅長處理具不確定性的判斷任務。這種在預設（Pre-defined）框架內代人行動的能力，讓AI從被動接受指令，轉為主動代替人類工作。

AI Agent為何興起？ 

2023年底，比爾蓋茲便預言，AI Agent能夠幫助使用者完成「所有活動」。

他認為，AI Agent不僅能理解日常語言，更能深入掌握每位使用者的個別需求，進而提供量身打造的服務。在他看來，AI Agent的崛起不單是人機互動方式的演進，更將從根本上重塑整個軟體產業的版圖。

有趣的是，蓋茲坦承，AI Agent的概念其實並不新鮮。早在1995年的著作《擁抱未來》中，他便已埋下這顆種子。只是彼時缺乏技術土壤，這個想法始終停留在紙面。直到近年AI研究突飛猛進，AI Agent才真正從願景走向現實。

這場蛻變的關鍵，在於大語言模型（LLM）開始有能力充當「大腦」，同時在物理與數位兩個世界施展影響力。

過去的LLM生成內容游刃有餘，付諸行動卻力不從心，堪稱「思想的巨人、行動的侏儒」。即便2023年出現了BabyAGI、AutoGPT等項目，史丹佛大學與Google研究人員也曾聯手打造AI虛擬小鎮，AI Agent依然像一個觸手可及卻始終未竟的夢。

DeepLearning.AI工程經理陳奎翰認為，記憶力的躍升，是LLM從對話工具進化為行動主體的核心驅動力之一。

GPT-3.5時代，模型能消化的上下文長度（context window）僅停留在數千字的量級；GPT-4將上限推升至數萬；將時間快轉至2026 年，三大主流模型均能夠容納的上下文已突破百萬符元（token）大關。

以上下文長度來說，Anthropic的Claude Opus 4.6與Sonnet 4.6支援最高100萬token，Google的Gemini 3.1 Pro同樣提供100萬token，OpenAI的GPT-5.5則配備超過105萬token。

曾經令人驚豔的百萬token，如今已成為頂級模型競爭的新基準線。 

因為能夠容納的上下文提升，陳奎翰建議使用對話式AI服務時，可以先列出幾個範例，「告訴它（LLM）你的任務如果是這樣，可以把它拆解。」

他的說法，與提示工程（prompt engineering）中的少樣本範例（few-shot example）概念一脈相承。

量變帶來質變，隨著LLM的記憶容量愈來愈大，開發者便能提供更豐富、更細緻的參考範例。有了充足的前例作為對照，面對陌生任務時，模型自然能夠舉一反三、將指令拆解執行，這也是AI Agent規劃能力持續精進的重要原因。

除了記憶力，AI Agent同樣具備反思機制，能夠在行動中不斷修正自我。常見的做法，是在原有的執行角色之外，額外引入一個負責旁觀與回饋的LLM，它可以直接評估前者的行為，也可以調取外部資訊加以比對，從而推動整體表現的迭代提升。

陳奎翰進一步指出，自我評估之外，人類同樣可以隨時介入這個迴路。舉例來說，當LLM在網路搜尋後列出A、B、C、D四個連結，人類若判斷D不適合，直接告知模型排除即可，模型會據此調整後續行為，這正是「人類在迴路中」（human-in-the-loop）機制的體現。

當以上種種能力匯聚一身，LLM便完成了從純粹產出文字的思考者，到能夠採取實際行動的執行者這一身份轉換。這正是AI Agent時代開幕的起點。

AI Agent調用工具有哪些用途？

AI Agent擅長解決什麼問題？ 

自LLM崛起以來，「RPA是否會被AI Agent取代」的討論便從未停歇。

對此，橡子園太平洋基金合夥人吳德威以「哲學上的矛盾」點出核心張力：無論是辦公室還是工廠的自動化需求，本質上都是為了排除人力、讓機器依循固定規則運作。然而，生成式AI帶來的恰恰是創造力與不可預測性，這對那些因重視可控性而採購RPA的企業客戶而言，反而是難以接受的變數。

AI Agent的獨特之處，在於它擅長應對非結構化問題（unstructured problem）。吳德威指出，進入AI時代後，當AI助理回應使用者提問時，不再需要預先建立題庫，便能給出準確答案，甚至可以自然地與使用者對話，或直接執行播放音樂等具體動作。「它不能太限制於structured problem，因為處理（結構化問題）說真的，就不需要AI。」

也正因如此，他認為訂票這類高度結構化的任務，根本輪不到AI Agent出手。

「那是把選擇題複雜化」，無非是把原本應用程式裡的選項框，換成用語音來操作。在他看來，AI Agent真正能發揮價值的場景，應從旅宿產業開始切入。旅客入住後若遇到問題，過去習慣撥電話向櫃檯求助，如今換成向AI Agent提問；這類問題既非標準化的結構化問題，又不至於漫無邊際，恰好落在AI Agent能夠靈活處理的甜蜜點。

不過，一旦任務複雜度持續攀升，AI Agent的局限便開始浮現。吳德威表示，決策難點愈多，所需的配置（configuration）就愈繁瑣，系統也愈難以駕馭。

他以AI秘書類產品為例，以自身兼具創投、顧問等多重身份的現實來說，AI秘書根本無法有效協調他錯綜複雜的行程安排。訂餐也是同樣的道理，現有成熟工具的設計邏輯，是把複雜決策化繁為簡、提供明確選項讓人挑選；若改用AI Agent重新處理，等同於把選擇題硬生生變回問答題，未必能夠帶來進步。

另一方面，旗下已有面向企業的AI Agent產品的何建幟，對於Agent適合介入哪類任務則有更直接的體悟。他的判斷標準清晰：當企業或個人已清楚知道自己需要什麼，Agent自然無用武之地；但一旦需求本身還模糊，或任務本身充滿不確定性，Agent的價值才真正得以體現。

正是憑藉推理能力、動態規劃與工具調用這三項核心優勢，何建幟強調，AI Agent不只能處理非結構化的資料，更能進一步應對非結構化的問題本身，這才是它與傳統自動化工具之間，最根本的差距。

AI Agentic Workflow是什麼？

吳恩達在2024年6月撰文指出，若說向LLM下達單次指令、等待回覆的one-shot互動，明顯稱不上Agent；而能夠自主規劃、調用工具並反覆迭代改進的系統，則明顯就是Agent。只是，兩者之間，存在一片廣闊的灰色地帶。

因此，比起非此即彼地劃定「Agent」或「不是Agent」的邊界，他更偏好以「Agentic」這個形容詞，來衡量一個AI系統在多大程度上接近Agent的本質。他也補充觀察：使用「Agentic」這個詞的，通常是技術背景的人，因此每當他看到文章標題出現這個詞，點開的意願反而更高，「因為它比較不會是行銷噱頭，而是懂得技術的人所寫。」

無論是「Agent」還是「Agentic」，本質上都是在描述同一件事的不同側面。談論AI Agent時，人們慣常從它「應該具備哪些能力」切入定義；但其實，同樣可以從「完成任務的流程」這個角度來認識它。

前幾個段落提及的種種能力，如拆解指令、動態規劃、工具調用，並非孤立的特性清單，而是AI Agent在接受人類委派後，從理解任務到付諸行動的完整過程。也正因如此，那些專注於如何設計與構建AI Agent的工程師和從業者，更習慣以「AI代理工作流程」（AI Agentic Workflow）這個詞來討論整個系統的運作邏輯。

AI Agent有哪些應用？

當AI Agent真正落地應用時，大致可分為面向企業（B2B）與面向消費者（B2C）兩條路徑。但若從實際場景來看，它的應用邊界其實相當寬廣，難以一概而論。

陳奎翰以撰寫研究報告為例，可以設計出「資料搜集者」、「資料整理者」與「報告撰寫者」三種專職角色，各司其職。資料搜集者負責網路爬梳；資料整理者懂得以學術指標篩選論文品質；報告撰寫者則熟悉使用者偏好的寫作體例。

三者分工合作、截長補短，最終產出的報告品質，遠非單一模型單打獨鬥所能比擬，也具體說明AI Agent如何透過分工協作發揮效能。

撰寫研究報告只是一例。往外延伸，AI Agent既能在職場上為白領員工分擔繁瑣事務，例如協助財務團隊處理帳務核對，或代替採購人員向供應商詢價比價，也能走入日常生活，從旅遊行程的規劃，到餐廳預訂、機票購買，一手包辦。

企業端的AI Agent應用 

在企業端（B2B）的應用場景中，客服是目前最普及、也最為成熟的AI Agent落地領域。

不過，企業實際在客服端運用AI Agent的具體涉入程度不同，有些是單純讓AI Agent輔助人工客服，藉此提升客服品質；有的則直接讓AI Agent站上第一線，獨立回應客戶問題，全程無需人工介入。

以輔助型AI Agent的應用來說，和泰汽車數位應用部部長謝琴韻受訪時曾分享了兩個案例。

第一種是讓AI接手客服流程中的後台整理工作。

謝琴韻表示，過去客服人員接電話時，必須一邊回應客戶、一邊手動記錄重點摘要，還得趕在下一通電話進來前完成案件分類；導入AI後，系統會在背景自動生成逐字稿、主旨摘要與分類建議，讓客服人員能把更多注意力放回顧客本身。根據謝琴韻說法，這套做法已讓案件分類正確率從60%提升到80%，也明顯減輕第一線人員的多工負擔。

第二種則是協助第一線人員更快找到專業知識。

謝琴韻指出，過去技師遇到複雜、難修的車輛問題時，常得在分散的技術文件與過往案例之間反覆翻找；如今團隊嘗試把技術文件整合進系統，讓AI成為可交叉查詢的技術知識庫，在第一線遇到問題時先整理出較完整的參考結果，協助技師更快掌握可能的問題成因與處理方向。

延伸閱讀：和泰汽車的AI轉型課：為何選擇Gemini？又如何打通資料孤島？

如果說和泰的做法，是讓AI先成為第一線人員背後的知識助手；那麼再往前一步，有些企業則放手讓AI接手第一線的大量標準化需求。

以美國外送企業DoorDash為例，它曾與AWS合作，建立生成式AI自助聯絡中心，直接處理外送員常見的app故障排除、註冊與付款等問題，處理最常見、最大量的來電，把更複雜的問題留給真人處理，藉此減少每日數千次升級轉接真人客服的案件。

YouTube TV客服團隊推出的語音代理，同樣也是讓AI Agent站上第一線面對消費者。Google Cloud資深產品經理馬洛（Patrick Marlow）分享，這款語音代理可以直接處理NFL週日門票與YouTube TV方案的訂閱事宜，這套系統除了基本的「是否有體育方案」等問題以外，還能即時比較方案價格、說明頻道內容，甚至在對話中切換語言、延續銷售流程。

延伸閱讀：AI Agent仍不夠好用？Google專家：答案在情境切換成本

消費者端的AI Agent應用

在個人端（B2C）的應用場景中，最直覺、也最好想像的AI Agent原型，莫過於《鋼鐵人》的AI管家Jarvis。這類貼身AI助理，是目前效益最為顯著的生活化應用，現實中的近似案例包括Apple Intelligence與Google的Gemini Intelligence。

要讓個人AI Agent真正發揮價值，關鍵充分理解使用者，以及能夠採取有意義的行動。隨著AI模型能力持續躍進，這兩個面向都已出現顯著突破。

就「理解使用者」而言，早期的智慧助理如Amazon Alexa、Apple Siri，只能接收明確且格式固定的指令，語句稍有模糊或複雜，系統便容易失準。生成式AI崛起後，局面為之一變，在的AI助理能夠解讀人類開放式的自然語言，將模糊的表達轉譯為具體可執行的需求。

就「採取行動」而言，過去的智慧助理即使聽懂了指令，能做的事仍相當有限，大多侷限在單一裝置或應用程式內執行簡單操作，如開燈、查天氣、設定鬧鐘等。

如今的AI Agent則具備跨應用、跨平台的任務執行能力，能將使用者交付的目標自動拆解為具體步驟。以出差需求為例，AI可以同步整理航班與住宿選項、比對行事曆空檔、草擬請假或報備信件、建立待辦清單，甚至在取得授權後直接完成預訂與付款。

蘋果在2024年預告Apple Intelligence時，核心願景便是讓生成式AI深度融入使用者的個人情境，提供真正切身的智慧服務，而非泛用的通用回應。

2026年Google推出的Gemini Intelligence，同樣以「行動力」作為核心亮點。使用者指派任務後，系統會運用推理能力制定執行計畫，再串接外部服務完成整個流程。舉例來說，當使用者想訂餐、叫車或規劃旅程，Gemini不只停留在給建議的層次，而是進一步連接DoorDash下單、透過Uber派車，或直接在Expedia上安排行程，從意圖到落地，一氣呵成。

延伸閱讀：Gemini正顛覆iPhone，以後還需要買手機嗎？

AI Agent有哪些挑戰？ 

LLM擅長生成內容的核心能力，在AI Agent的實際落地過程中，卻意外成為阻礙前行的根源。

理想狀態下的AI Agent，面對任何未知問題都應能從容拆解，根據現有資訊勾勒出完整的行動藍圖。但這份本該是優勢的推理能力，卻在講求穩定與可控的企業環境中，演變成導入AI Agent時揮之不去的痛點。

《經濟學人》在2024年底預測2025年AI走向時便已點出，AI Agent的發展至少面臨三道關卡。

其一，推理過程本身會推升運算成本；其二，Agent在現實世界產生的後果牽涉到信任問題，企業難以放心交棒；其三，用於訓練任務執行的資料量，遠遠少於對話類資料，使得模型在「做事」上的能力比「說話」更難養成。

AI Agent挑戰 - 不可預測性 

專攻金融法遵的新創Parcha，曾以「Agents aren’t all you need」為題，直指AI Agent在實務應用中的核心缺陷。其中有段數字令人警醒：若一個AI Agent自主執行由10個子任務串聯而成的工作流程，而每個子任務的錯誤率為10%，累積下來，整個流程的複合錯誤率將高達65%。

這不過是伯努利分布與冪次運算，卻因為有具體數字支撐，讓問題的嚴重性一目了然。

Parcha進一步解釋，AI Agent每次處理問題時，都會以靈活且富有創意的方式重新擬定計畫，聽起來是優點，實則帶來四個連鎖隱患：行為難以預測、各步驟之間高度相互依賴、潛在的效能瓶頸，以及成果難以客觀評估與持續改善。

楊建洲所說的AutoGen，由微軟、賓州大學和華盛頓大學攜手開發出，是一種讓多位Agent彼此交流，以此解決任務的框架，開發者能夠利用AutoGen打造大語言模型應用。市場上熱門的LLM應用開發框架LangChain、LlamaIndex，也陸續推出支援使用者打造Agent的功能和語法。

AI Agent挑戰 - 出錯與信任

除了推理與規劃能力尚未臻熟、難以真正做到從零到一地解決問題之外，AI Agent對外運作時一旦出錯，帶來的後果往往遠比想像中嚴重。

舉例來說，先前Google推出以生成式AI驅動的搜尋摘要功能「AI概覽」，便接連鬧出內容失真的笑話：建議使用者用膠水讓起司黏住披薩，或引述地質學家的話聲稱人們每天可以吃一塊石頭。

「Google可以受這樣的傷害，但是品牌沒辦法受這樣的傷害。」吳德威語氣篤定。在他看來，任何認真經營品牌的企業，面對這類風險只會選擇保守應對。

因此，即便AI Agent已具備流暢對話的能力，在直接面向客戶的場景中，很多時候企業還是會加入人工審查的緩衝機制。他舉例，若電信商應用程式內建的客服Agent，因為知識庫的侷限而不慎向用戶推薦了競品，哪怕只是一次失誤，累積多年的品牌信任便可能就此動搖。

陳卓翰的憂慮與吳德威如出一轍。他以電商購物為例：當AI Agent依照使用者需求前往電商平台下單，走到即將刷卡的最後一步時，使用者內心難免浮現疑問「還是要人去決定，這會有信任問題。」一旦信任的橋梁尚未搭穩，AI Agent的自主行動能力，反而可能成為用戶裹足不前的理由。

AI Agent挑戰 - 行動上的障礙

AI Agent在數位世界行動時，可行作法包含直接走官方通道，也就是接上其他服務的API；或者模擬人類作法，撰寫腳本完成任務。前者的挑戰在於可能撞上企業生態系的壁壘，例如電商平台不願開放API給購物Agent，後者的限制則在於費時。

舉例來說，購物Agent能夠自行到電商平台上比價，並根據使用者預算挑出合適品項。楊建洲表示，可以預想電商可能不願意開放API給使用者的Agent，因為只有真人消費者會有衝動購物、被折扣誘惑的行為。

不過，他並不擔心這個問題，因為他預期未來使用者與服務之間，都會使用AI Agent互動。目前，「達哥」團隊已在著手進行Agent與真人的互動，例如讓Agent打電話訂餐，接下來則會出現Agent之間自行溝通。

「秘書最痛苦的就是協調多個主管的會議時間，但秘書可以請代理人，也就是達哥，去跟每一個主管的代理人直接溝通，討論會議時間後約會議室、寄出邀請和開會議程，中間都沒有人介入。」

AI Agent挑戰 - 上線後的治理問題

OpenClaw的爆紅，讓市場具體見識到AI Agent的能力；而它隨後的退燒，則讓人們意識到，光是能夠採取行動還不夠，穩定性與可控性，才是AI Agent真正落地的關鍵。

和聊天機器人不同，Agent要能夠超出對話框，在使用者的手機或電腦內採取行動，就必須碰觸本地（local）檔案、郵件，甚至取得企業內部系統的權限。

一旦AI Agent遭到滲透或攻擊，可能誤刪資料、發錯訊息、下錯指令，直接衝擊公司內部營運，這也是企業在導入AI Agent時最難以迴避的顧慮。

奧義智慧共同創辦人暨技術長邱銘彰形容，AI能夠在幾分鐘內替人類快速完成工作，「但它也可能在幾秒鐘內摧毀你的系統。」速度愈快、自主性愈高，出包時造成的損害也愈難即時補救。

更棘手的是，若企業事前未留下完整紀錄，事後可能連Agent究竟讀取了哪些資料、調用了哪些API、在哪個環節開始偏離目標，都無從查起。

邱銘彰直言，缺乏追蹤與控管機制的AI Agent，形同「完全不受控的黑盒子」，一旦出事，責任歸屬便無從釐清。

也因此，不管是企業或個人，都開始將更多注意力放在如何治理AI Agent，包含如何劃定任務邊界、如何在出錯時啟動應變機制，以及事先明確責任歸屬。

從權限管理、運算成本，到錯誤發生後的究責方式，這些現實條件，將共同決定AI Agent能否在企業裡走多遠。

AI Agent的未來？是泡沫嗎？

若要討論AI Agent的未來，NVIDIA執行長黃仁勳在資訊服務軟體商ServiceNow年會中，曾談到AI Agent的演進軌跡，或許也值得參考。

他描繪出清晰的發展脈絡：「現今大多數的AI都是一次性的（one-shot）。你給它一個提示，它會立即生成建議。」而下一階段的AI，將走向多次互動（multi-shot），成為以推理為基礎的系統。

「就像我們人類在複雜情境下制定計畫一樣，它將自行規劃……擁有多步推理的人工智慧即將到來，這些AI將愈來愈多地用於代理應用（agentic use）。」

黃仁勳也指出，能夠調用工具、存取個人化資訊的AI已初見雛形，且能力仍在持續躍升。他以員工作比喻：「AI像我們公司的員工一樣在其中一起工作……我們將擁有顧問人工智慧、專業人工智慧，和通才人工智慧。」

從one-shot到multi-shot，從單一回覆到自主規劃，從工具到夥伴，AI Agent與人類協作、彼此之間相互串連的那個未來，正在來臨。