除了生成式AI之外，另一種更強大的人工智慧正逐漸興起：代理AI。它可以不經提示，自動完成人類設定的目標，例如提高顧客滿意度和供應鏈效率。本文除了介紹代理AI的優勢之外，也說明它可能的應用場景和必要條件。

Jonathan Kitchen/Getty Images

代理AI（agentic AI）的出現，讓人類與AI互動與協作的方式往前邁出巨大的一步。想像一下：AI驅動的代理可以為你規畫下一次海外旅程，打點所有相關事宜；像人類一樣的機器人，可以為年長者提供虛擬的照護；或是AI驅動的供應鏈專家，可以因應即時需求波動，將庫存最佳化。面對即將來臨的代理AI時代，這些可能性都還只是一小部分。

過去的AI助手只能按規則做事，獨立行動的能力有限，而代理AI將有能力代替我們做到更多的事。但說到底，代理AI究竟「是」什麼？我曾經採訪一家全球體驗工程公司Ciklum的AI專家恩維爾．傑廷（Enver Cetin），他表示：「可以用一個詞來定義代理AI：主動性。它所指涉的AI系統與模型無需人類持續引導，就能自主行動，實現目標。代理AI系統能夠了解使用者的目標、願景，以及要解決的問題背後有何脈絡。」

為了達到這種程度的自主決策與行動，代理AI必須仰賴龐雜多元的機器學習、自然語言處理與自動化科技。雖然代理AI系統也會運用ChatGPT這類生成式AI模型的創造力，但兩者有幾個不同之處。第一，代理AI的重點在於下決策而非創作內容。第二，代理AI並不需要依賴人類的提示，而是用來最佳化特定的目標，例如盡可能提升銷售、客戶滿意度分數或供應鏈流程效率。第三，不同於生成式AI，代理AI也能夠執行複雜的活動序列，獨立搜尋資料庫或啟動工作流程來完成活動。

ParamePrizma／shutterstock

使用代理AI的好處

代理AI系統擁有超強大的推理與執行能力，可望大幅改變許多人機協作的面向，特別是一些過去還無法交給AI自動執行的作業領域，像是積極管理複雜的IT系統，預防運作中斷；動態調整供應鏈，因應地緣政治或天氣干擾；或者與患者或顧客進行逼真的互動，解決各種問題。這裡的3大好處就包括提升人力專業化、改善創新，以及增加資訊可信度。

提升專業化。自從亞當．斯密（Adam Smith）在《國富論》（The Wealth of Nations）開頭段落舉出著名的別針工廠例子之後，就讓眾人了解人力專業化、也就是「分工」的概念。他當時觀察到工廠裡有一個工人「抽出鐵線，另一人拉直，第三人切截，第四人削尖……」，這樣一來，「製作別針這項重要工作就分成大約18種不同的操作。」專業化能夠提升效率、改善從做中學與創新——但現在企業面臨勞力短缺、角色與現有技能不合等問題，也就可能很難真正做到專業化。而由於代理模型就是明確設計來執行極為精細的任務，比起過去較為粗略的自動化系統，也就能擔任遠遠更專業化的角色。更重要的是，現在可以迅速打造多種代理AI角色。以知識型工作為例，可以打造代理AI來負責資訊檢索、分析、產生工作流程、協助員工，而且一切都是同時進行。一些AI代理也能在「幕後」負責協調其他代理的工作，就像人類主管協調團隊成員的工作一樣。

改善創新。代理AI系統擁有強化的判斷力與執行力，很適合用來推動實驗與創新。例如ChemCrow這套AI驅動的化學代理，已經用來設計與合成新的驅蟲劑、創造新的有機化合物。多代理AI模型也能掃描、分析廣闊的研究領域（例如科學文獻與資料庫），所需的時間遠遠少於人類科學家和研究人員團隊。像是麻省理工學院（MIT）研究人員開發的多代理模型SciAgents，不但有機器人科學家負責寫出研究計畫，還有評論AI（Critic AI）負責審查計畫、提出改進建議。靠著許多不同AI代理共同合作，就能找出一種新型生物材料，結合蠶絲與蒲公英色素，在力學與光學上的表現都比類似材料更佳，耗能也更少。

增加可信度。代理AI系統擁有更強的認知推理能力，比較不會出現生成式AI系統常見的所謂幻覺（也就是無中生有的資訊）。此外，代理AI系統篩選與辨別資訊來源品質及可靠性的能力也大幅提升，因此它們的決策可信度也就跟著提高。舉例來說，雖然客戶的資訊常常以不同格式分散在企業各處（像是電子郵件、資料庫、試算表等等），但代理AI系統能夠迅速判斷，最新、最可靠的資訊很有可能是位於公司的顧客關係管理（CRM）系統當中。代理AI系統也從設計上就要求迅速學習公司的人類與品牌價值觀，確保各項決策及行動符合這些價值觀。

“代理AI系統篩選與辨別資訊來源品質及可靠性的能力也大幅提升，因此它們的決策可信度也就跟著提高。

可能的使用案例

雖然代理AI的許多應用仍在實驗或試行階段，但在許多不同產業及職能已經開始看到可能使用案例的大致輪廓。一些例子就包括：

顧客服務。傳統的自動化顧客機器人已經預先用程式寫死，回應和行動的範圍相當有限；相較之下，代理客服能夠迅速了解顧客的意圖與情緒，獨立採取步驟來回覆查詢、解決問題。舉例來說，代理客服能夠預先評估到貨時間是否會延遲，聯絡顧客，並且主動提供折扣做為安撫。例如位於加州的AI新創公司Ema，旗下的代理AI聊天機器人能夠動態搜尋幾千個不同的資料庫與應用程式，解決顧客的查詢與投訴，然後不斷從每次的顧客互動學習，並找出真人客服可以採取的行動。Ema還會審核自己所提的內容是否準確與符合法規，並提出改進顧客知識庫的建議。

生產製造。代理AI可以在智慧製造的過程發揮多種功能，從控制生產線流程、客製化產品、再到建議如何改進產品設計，不一而足。只要在工廠與運送過程的機器、元件與其他實體設備裝上感測器，就能讓代理AI系統分析得到的數據，預測損耗與生產中斷，避免製造商遭遇意外停機而蒙受相關損失。德國AI新創公司Juna.ai就使用AI代理來管理虛擬工廠，除了要盡可能提高生產力與品質，同時還要減少能耗與碳排。而且這裡甚至會針對特定目標量身訂製AI代理，像是有生產代理、品質代理等等。

銷售支援。對銷售人員來說，雖然找出和開發潛在客戶是關鍵目標，但往往會被大量的電子郵件、文書工作以及其他無聊但必要的日常行政事務拖累。靠著代理AI系統，銷售團隊就能大大擺脫這些耗時的活動。以CRM科技龍頭Salesforce為例，最近就推出Agentforce Service Development Rep來協助真人銷售團隊的工作。這套AI代理由大型語言模型（LLM）驅動，能夠詮釋顧客的訊息、建議後續行動、安排會面行程、回答問題，以及產生符合公司品牌形象的回應。這些活動還搭配Agentforce Sales Coach，能為銷售人員提供個人化的回饋意見，並讓他們有機會透過虛擬角色扮演課程來學習。

醫療與社會照護。代理AI系統有能力適應不同環境、詮釋人類情感，以及表現出同理心，因此很適合從事各種流程不固定、需要軟技能的工作，例如醫療與照護。像是總部位於美國加州的代理AI醫療公司Hippocratic AI，就針對不同的醫療與社會支持面向，量身打造一系列AI代理。例如「莎拉」（Sarah）這套AI代理，能夠協助患者的生活起居，並且「散發溫暖與體貼」。莎拉會詢問患者當天狀況如何、安排菜單與交通，以及定期提醒患者服藥。至於另一套AI驅動的代理「茱迪」（Judy），則能協助患者進行術前準備，像是提醒患者該在何時抵達何地，以及提醒術前禁食或停止用藥。

Omelchenko／shutterstock

未來的挑戰

雖然代理AI系統潛力龐大，可能徹底改變人機協作、提升效率、推動業務成長，但目前仍處於發展的相對早期。此外，雖然這些系統擁有更強大的推理與執行能力，但傳統上的人力管理問題並未因此消失，而是有所改變。與過去都由人類組成的團隊一樣，經理人還是得要注意團隊組成與角色選擇的問題，也必須訂定正確的整體目標，才能確保代理AI或混合團隊取得成功。此外，經理人也必須仔細掌握在何種條件下可以信任由代理AI系統做出決策，在何種條件下又必須由人類決策者介入。

成功的必要條件

想要把握代理AI帶來的契機、並且同時降低風險，經理人必須考慮以下必要條件：

設定SMART目標。如果沒有好好界定或說明目標，人類團隊的績效可能受到阻礙，同樣地，如果沒有清楚設定目標，代理AI系統的表現也可能不如預期。而且事實上，目標設定對代理AI來說更為重要，因為這些系統一開始並不會擁有人類員工往往不待說明就能掌握的脈絡資訊，像是組織與市場的脈絡、公司的價值觀等等。Ciklum的傑廷就強調整體目標設定的重要性：「代理AI要成功，模型必須擁有SMART〔具體、可衡量、可實現、相關、有時限（specific, measurable, achievable, relevant, time-bound）〕的目標與子目標，也必須知道如何加以衡量。模型也必須擁有正確的脈絡資訊——像是為什麼這些目標對公司很重要、它們如何帶來營收等等。最後，經理人也必須打造回饋迴圈，才能隨著我們更了解模型的表現而調整模型。」

“如果沒有清楚設定目標，代理AI系統的表現也可能不如預期。而且事實上，目標設定對代理AI來說更為重要。

注意團隊選擇。生成式AI基本上是用單一問題向大型語言模型下提示；相較之下，代理AI更像是一種團隊合作，運用許多AI代理，為了達成更大的目標而各自扮演特定角色，像是盡可能提升顧客體驗、或是創造成本更低的全新商業流程。而且也像人類團隊一樣，這裡可能出現協調、衝突與資源管理等問題。使用代理AI系統時，經理人必須仔細注意團隊選擇，確保有適當組合不同的代理角色，各自以有效率的方式執行適當任務。此外，經理人也必須仔細思考代理團隊該如何與人類員工互動，讓彼此在活動中取得信任與效率。

為決策空間搭建鷹架。雖然代理AI模型就是明確設計來評估決策選項、執行複雜的行動流程，但就像人類一樣，這些模型並非萬無一失，仍然可能犯錯。學習科學強調「鷹架」在學習中的重要性：讓學習者在擁有安全保障的情況下（有人監督、有明確的限制等等）接觸真正實務，再隨著經驗成長逐漸撤下保障。而要把代理AI系統應用到各種任務與業務領域時，不能缺少這種鷹架；決策者應該為這些模型打造適當的鷹架，考量因素包括：決策的關鍵性、犯錯的後果輕重、訓練模型時的數據可信度、人類監督程度，以及與這些系統合作的人類員工經驗豐富程度等〔關於經驗的作用，可參閱作者先前與馬克．威廉斯（Mark Williams）合著的《哈佛商業評論》文章〈AI可以如何協助領導人在壓力下做出更好決策〉（How AI Can Help Leaders Make Better Decisions Under Pressure）〕。

提早做好準備

從早期的自動機械、到最近的對話機器人，科學家與工程師早就夢想著AI系統有一天能夠聰明又獨立地工作和行動。而代理AI近期的發展，也讓這種自主的未來往現實又邁進了一步。代理AI可能帶來巨大的好處，為人類員工帶來更好的生產力、創新與見解。但這裡也可能有巨大的風險：潛在的偏見、錯誤與不當使用。企業與政府領導人若能及早開始因應，將有助於為代理AI訂出正確的發展路線，讓人類得以安全、公平地取得相關好處。

文章來源：哈佛商業評論 2月號