企業導入AI代理（AI Agent），很容易走上幾條路，第一條是自己寫應用程式。現在氛圍開發（Vibe Coding）盛行，企業很容易開始想，過去要花錢的企業資源規畫（ERP）、客戶關係管理（CRM）及官網，以後是不是都能叫AI寫？
AI的確降低了開發門檻，但寫完程式，後面還有部署、維運、版本更新與資安。軟體供應商透過規模化經營的成本效益，企業自己打造專屬軟體反而得不到，加上維運和資安問題，不一定省錢，且得到的應用程式仍要人操作，這是數位化，不算AI轉型。
不能無腦自動化，設對「目標」解放潛能
第二條路是自動化。成熟企業通常有成熟的標準作業程序（SOP），以零售業來說，從採購、進貨、調撥、出貨到退貨，各環節都有單據與簽核。流程愈多、參與的人愈多，組織愈跑愈慢，所以企業自然會想用代理做自動化。
但陷阱是：既有的流程，真的都必要嗎？還是該善用代理能力，創造更有效率的流程？為了自動化，有時反而建立了更多應用程式與欄位，結果是創造了更多表格要填，本末倒置。許多流程的設計都有當時的場景，在現在是否還合適？必須重新思考。
第三條更常見的路徑是用AI建立企業知識庫。把產品資料、作業守則、組織規範與教育訓練文件放進知識庫，AI就能回答許多內部問題。新人不用四處問人，門市也能快速查詢商品與客訴處理規則。但知識庫比較像是請了一位很懂公司的顧問，你問它答，但真正的工作還是要靠人去做。
如果代理只負責寫程式、跑流程或回答問題，我們其實還沒使用到它最重要的能力：超強的目標導向。自動化，是告訴系統每一步要怎麼做；目標化，則是告訴代理最後要達成什麼。
以零售業為例，目標可能是提高熟客回流、改善商品周轉率、降低缺貨，或在維持毛利的前提下提升業績。經營者可直接問代理：「我怎麼做，才能讓業績成長？」
代理就會調用你的「企業數據」（訂單、會員、庫存與活動資料），假設它發現問題不是新客減少，是舊會員回購變差，那它會再依據「領域知識」（公司的商業邏輯）提出商品組合、會員分群與活動優化等方向，給你建議。
最後再由你確認提案，代理就透過你給它的「操作工具」，如用ERP挑選有庫存的商品、用CRM設定優惠，完成會員回購提升的任務。
3關鍵練壯AI臂膀，系統整合仍是門檻
要讓上面的場景發生，代理必須充分理解企業，即企業的情境（context）。3個關鍵基礎是上述場景中所描述到的：企業數據、領域知識及操作工具：
一、企業數據： 代理本身就是厲害的數據科學家，如果希望代理真正解決企業問題，就要讓代理取得「幾乎」完整，且可信任的企業數據。在零售業，就包括產品、庫存、通路、門市、線上購物、平台、訂單、交易、會員等數據。要集中數據建立SSOT（Single Source of Truth），本身就是一大工程。
企業須處理完整的資料管道，包括數據匯流、整理、儲存與取用，其中更關鍵的是：數據定義。例如，你希望跟代理討論回購率，但回購率的定義是什麼？是看30天，還是1年？如果數據定義不清楚，代理可能把定義不同的欄位與數字混在一起，就像把金額用美元與台幣加起來一樣荒謬。數據治理其實是數位轉型的老問題，AI轉型無法幫企業跳過這個問題，該做的數據治理，還是得做。
二、領域知識： 有了量化的數據，接下來還要給代理質化的判斷邏輯：你的公司是怎麼賺錢的？企業須把商業模式描述清楚，像是產品與服務的特色是什麼？真正創造的價值在哪裡？並描述你的客戶：他們是誰？為什麼想購買？除了營收，也要理解成本，包括企業上下游、供應商與通路，還有內部組織架構。
三、操作工具： 要代理真正幫你做事，你需要給它「手腳」，即足夠的「操作能力」。像是請它執行會員回購計畫，須設定會員禮、活動，甚至發展與會員溝通的腳本。因此它要能進入CRM、查詢ERP與倉儲管理系統（WMS）。所以企業既有系統能不能提供給代理，將是重要的基礎。這些系統需要有應用程式介面（API）、模型上下文協定（MCP）等。
當代理有了足夠的操作能力，它能做到的就不只是流程自動化。它可從企業的成長目標出發，自己分析問題、提出計畫，再實際操作工具推進任務，甚至走向「成長自動化」。
只是，過去系統整合的挑戰仍存在，企業既有系統是否能讓代理操作，有沒有足夠的API？會是最基本的門檻。而且代理的操作能力愈強，出錯風險也愈高，你希望放手讓代理幫助企業成長的同時，也希望能夠「駕馭」它，不讓它跑錯方向，這是企業導入AI代理的新挑戰。
責任編輯：陳祈安
