企業 AI agent 要自建、用現成平台還是委外?按流程複雜度與維護能力選

第一個 AI agent 由誰來做?這篇比較用 SDK 自建、用 Copilot Studio 這類平台、找外部團隊三條路,用流程複雜度、資料位置和維護人力三個條件幫你選。

先說結論

流程單純、資料都在 Microsoft 365 或 Google Workspace 裡,先試現成平台;要串 ERP 和舊系統、公司內有兩位以上工程師,就用 SDK 自建;只有一位工程師,就委外做第一版、讓他一起寫再接手;完全沒有工程人力才整包委外,並把程式碼、設定、提示詞和測試案例寫進合約。真正的差別在上線後由誰維護。

淺灰會議桌中間是一塊夾著空白報告的夾板,前面放著鑽孔鋁件和塞規;左邊一盤木頭零件和螺絲起子,後面一排整齊的模組方塊,右邊一個牛皮紙箱上放著活頁夾和一把黃銅鑰匙;兩條螢光綠細繩從夾板分別連到木頭零件和紙箱
企業 AI agent 要自建、用現成平台還是委外?按流程複雜度與維護能力選 封面視覺

週三下午,一家五十人的精密加工廠開會討論公司的第一個 AI agent。起因是上個月的一張客訴:客戶回報一批零件「孔徑超差」,客服花了兩天才從訂單系統、檢驗紀錄和出貨單裡,查出是哪一台機台、哪一批料,品保主管看到品質異常單時,客戶已經又來電催了三次。所以他們希望下次客服收到這類回報時,由 agent 自動去讀訂單和檢驗紀錄、核對批次和機台,先建立一張品質異常單的草稿,再交給品保主管確認。

會議上出現了三個提案。IT 同事說他可以用 SDK(模型供應商提供給工程師的開發套件)自己寫;業務主管說公司本來就在用 Microsoft 365,用 Copilot Studio 拖拉幾下就好;還有一家顧問公司來報價,說可以派人來駐點做。這三個提案都做得出第一版,而真正的差別會出現在三個月後:訂單系統改了欄位、模型換了版本、品保主管想多加一個檢查項目,那時候到底由誰來改?

選自建、平台還是委外,先看流程要串幾個系統、例外有多少,以及上線後由誰來維護。

我這篇會一直拿這家加工廠和那張品質異常單當例子。先講三條路各是什麼,再把上線之後的維護成本算進來,接著用三個條件判斷該由誰來做、談廠商時要問的六個問題,最後看這家工廠選了哪一條。

選路線之前,先確認這段工作需要 agent

選路線之前,有兩件事要先想清楚。第一件是這一段工作真的需要 agent,還是固定流程就夠了。例如品質異常單的「建立表單、通知品保主管」是固定步驟,用一般的自動化流程就做得到。但客戶的回報有時是 Outlook 來信,有時是業務轉過來的 LINE 截圖,每次寫法都不一樣,要先從裡面找出批號、再判斷該查哪一批和哪一台機台,這一段才需要 agent。這部分怎麼分,可以先看 AI agent 和聊天機器人、RPA、自動化流程差在哪。

第二件是要先挑哪個流程來做。這家工廠先挑客訴開單,是因為這類客訴常常要客服花上一兩天查,品保主管又常常最後才知道;挑選的條件可以看哪些企業流程適合先交給 AI agent。而資料要準備到什麼程度,在企業知識庫要整理到什麼程度裡有說明。

三條路各是什麼

自建:用 SDK 或框架寫程式

主要的模型供應商都有提供開發工具,OpenAI 的 Agents SDK、Anthropic 的 Claude Agent SDK 和 Google 的開源框架 ADK 都是。它們做的事大致相同:讓工程師用程式告訴 agent 可以用哪些工具、在哪一步要停下來等人確認,並把每一次執行的過程記下來,方便事後追查。差別在支援哪些模型、怎麼部署這類細節,對第一個 agent 來說影響不大,通常跟著公司已經在用的模型供應商選就好。

不想自己管主機的話,OpenAI 的 Agents API 和 Anthropic 的 Claude Managed Agents(目前還是測試版)可以讓 agent 跑在供應商的主機上,程式還是要自己寫。

以那家加工廠來說,自建就是由 IT 同事寫三個工具,也就是 agent 能呼叫的小程式:查 ERP(訂單、庫存、出貨的管理系統)裡的訂單、查檢驗紀錄、建立品質異常單草稿,並在開單前停下來等品保主管確認。自建的好處是每一步你都看得到、改得動。代價是工程師要了解模型在什麼情況下容易出錯、換版後回答會怎麼變,也要有人寫測試、看執行紀錄;如果只靠一個人兼著做,我覺得很難應付第一次大改版。

平台:低程式碼或無程式碼

低程式碼或無程式碼,指的是用拖拉和填表的方式設定,不需要或很少需要寫程式。Microsoft 的 Copilot Studio 就是這類平台,你可以用一般的文字描述來建立 agent 和工作流程,接上公司的資料與系統,再發布到同事平常在用的地方,例如 Teams;它也有分析、測試評估和集中管理的功能。

Google 的 Gemini Enterprise 則有一個不寫程式也能用的 Workflow Builder,可以建立對話型的 agent 和多步驟的工作流程,資料來源能接 Google Drive、SharePoint、HubSpot、Jira 等;而 agent 能碰到哪些應用程式和資料,是由管理者開放的範圍決定。

如果團隊原本就在用自動化工具,也可以直接在既有的流程裡加一個 agent 步驟。n8n 流程裡可以放一個 AI Agent 步驟,接上聊天模型和工具之後,它會自己決定要呼叫哪個工具;Zapier Agents 則是以能連接數千個應用程式當主要賣點(業者自述)。

還有一種更輕的做法,是直接訂閱 Manus 這類現成的 agent,用一段文字交代工作,它就在自己的雲端電腦上查資料、整理表格、起草文件。這種做法適合不用碰內部系統的工作;要接 ERP 或品質異常單這類公司系統,還是要回到這三條路來選。它能做到哪裡、怎麼交代,可以看 Manus 是什麼。

平台的好處是快,代價是你只能用它現有的功能拼出流程,它沒有的功能,就得另外請工程師寫自訂連接器或程式補上,平台快的優勢也跟著變小。所以試用的時候,我會建議先拿流程裡最難處理的那個例外去測,看平台做不做得到,這會比看示範影片準確很多。以加工廠來說,最難的例外可能是同一張訂單分好幾批出貨,批號和機台要一筆一筆對。決定走平台之後,Dify、n8n、Copilot Studio 要怎麼選,可以看 AI agent 平台怎麼選。

委外:找外部團隊從需求做到上線

外部團隊會負責需求盤點、系統串接、測試和上線,有時也包含之後的維護。你買到的是一組人的時間和經驗,而最後交到你手上的,可能是程式碼、平台上的設定,或兩者都有。

以那家加工廠為例,如果選委外,我覺得合理的第一個交付物是一份流程盤點:客服收到回報之後實際查了哪些系統、每一步怎麼判斷、哪些情況會直接找品保主管。這份文件不管最後由誰來做,都用得到。

委外很方便,但有三種情況我會建議先別找外部團隊:

  • 平台就做得到的簡單流程:例如讓員工在 Teams 裡查請假規定、找表單下載位置,用平台設定通常花不了太久,為這種需求付一整個專案的費用並不划算。
  • 公司想長期擁有這個能力:內部已經有工程師、也打算培養的話,外部團隊只協助第一版或當顧問就好,不然每次要改,都得回頭找外部團隊。
  • 需求還沒定:邊做邊想的專案如果委外,很容易變成沒完沒了的需求變更和追加報價。

三條路放在一起看,差別是這樣:

路線代表選項適合你要自己負責常見風險
自建OpenAI Agents SDK、Claude Agent SDK、Google ADK要串內部系統、有工程師長期維護程式、放到主機上執行、每天看有沒有出錯、模型改版後跟著調整只有一個人看得懂,他離職就停擺
平台Copilot Studio、Gemini Enterprise、n8n、Zapier Agents資料多在既有辦公套件、流程較單純設定、權限、授權費用被平台功能限制,平台調整時要跟著改
委外外部開發團隊要串多個系統、內部沒有工程人力需求確認、驗收、合約範圍交付後改不動,每次調整都要重新報價

真正的成本在上線之後

你做出第一版之後,真正花時間的是上線後的修改和監控,因為 agent 接觸到的東西一直在變:

  • 模型:會推出新版本,回答的方式可能跟著變。
  • API:也就是系統之間互相溝通的介面,供應商會調整。
  • 內部系統:ERP 會改欄位,例如加工廠的訂單系統改版後,批號的欄位名稱換了。
  • 新的例外:品保主管會想多加一個檢查項目。
  • 權限:人員異動後要重新檢查。

而且要定期有人看執行紀錄,確認 agent 沒有默默做錯,我建議每週一次。

平台本身也會變,任何一家都可能收掉某項工具。例如 OpenAI 在 2026 年 6 月 3 日通知開發者要淘汰 Agent Builder 這個用拖拉方式建 agent 的工具,預定 2026 年 11 月 30 日關閉,官方給的轉移方向有兩個:改用 Agents SDK 寫程式,或是改在 ChatGPT 企業方案裡用 Workspace Agents 建 agent。因為 Agent Builder 原本就可以把流程匯出成 SDK 程式碼,有先匯出的團隊,轉移起來就輕鬆很多。選任何一條路之前,先問清楚設定和程式能不能帶走。

矩陣圖:上線後一年的四項維護工作由誰做。每週看執行紀錄、抽查結果:自建是內部工程師,平台是內部管理者,委外要看合約是否包含;每月調整指令或新增例外:自建是內部工程師,平台是內部管理者,委外通常要另外報價;每季或不定期在模型或 API 更新後重新測試:自建是內部工程師,平台處理大部分但要自己驗收,委外看合約是否包含;每季權限與帳號盤點:三條路都是內部 IT 第一版上線只是開始,之後每週看紀錄、每月改指令、每次模型更新後重新測試,都要有人負責;委外時,這幾項要先看合約有沒有包含。

所以比較三條路的時候,我會把「一年的維護」一起算進去。下面這張表可以拿來問自己,也可以拿去問廠商:

維護項目大約頻率自建平台委外
看執行紀錄、抽查結果每週內部工程師內部管理者看合約是否包含
調整指令或新增例外每月內部工程師內部管理者通常要另外報價
模型或 API 更新後重新測試每季或不定期內部工程師平台處理大部分更新,但重新測試要自己做看合約是否包含
權限與帳號盤點每季內部 IT內部 IT內部 IT

權限與帳號盤點這一項,三條路都一樣。因為帳號和權限是公司自己的,不管 agent 由誰來做,權限盤點都應該由內部 IT 主導。

用三個條件判斷由誰來做

條件一:流程串幾個系統、例外有多少

如果 agent 只讀一兩個資料來源,做的事也以回答和整理為主,平台通常就夠了。而要跨 ERP、客服信箱、檢驗紀錄等好幾個系統,每一步又有不同的例外時,平台上的設定會越堆越複雜,這時候直接寫程式反而比較清楚。品質異常單就是後者:同一張訂單分好幾批出貨時,批號和機台要一筆一筆對,每多一種例外,平台上的流程圖就要多畫一條岔路,設定也越來越難看懂。但寫程式的前提是有人顧得了,這是條件三要談的。

條件二:資料和系統在哪裡

資料如果主要放在 Microsoft 365 或 Google Workspace,對應的平台已經有現成的連接器,也就是預先做好、登入就能串接的介面,可以省下很多工作。而資料如果在內部的 ERP,或是只能用滑鼠點畫面操作的舊系統裡,就需要客製串接。以品質異常單來說,訂單在 ERP、檢驗紀錄在另一套系統、客服信在 Outlook,業務轉來的 LINE 截圖則要另外讀圖片。Outlook 有現成的連接器;ERP 和檢驗系統就要看是哪一套。這家工廠的 ERP 是國內廠商的版本,平台上找不到現成的連接器;檢驗系統則是早年請人寫的,連可以串接的介面都沒有。所以就算選平台,這兩段還是要另外請工程師寫串接程式。

Model Context Protocol(MCP)是一套開放標準,規定 AI 應用要怎麼接上外部的資料和工具,Claude、ChatGPT 等產品都已經支援(各方案開放的程度不同);OpenAI 與 Anthropic 的 SDK 和 n8n 的 MCP Client Tool 步驟也都能接 MCP 伺服器。所以如果請工程師替內部系統寫一個 MCP 伺服器(替 AI 統一提供工具的轉接程式),讓各家 AI 都用同一種方式讀取,之後換平台或換模型時,串接的部分就比較不用重做。像加工廠那套沒有介面的檢驗系統,就可以這樣處理。

條件三:公司內有沒有人能維護

這是最常被低估的條件。要有人能讀執行紀錄、改指令、處理 API 變更,自建才維持得下去。如果公司裡沒有這樣的人,自建的 agent 很可能在第一次出問題時就被擱置。以那家加工廠來說,假如 IT 同事請了一週假,剛好 ERP 又改了欄位,agent 查不到訂單,這一週客服就只能退回自己查,等他回來才修得好。有沒有人能維護,會比選哪個工具更早決定這個 agent 能用多久。

情境建議先試理由
單一部門,資料都在 Microsoft 365,流程以問答和簡單動作為主Copilot Studio 這類平台連接器現成,權限管理沿用既有環境(平台授權要另外確認)
已經用 n8n 或 Zapier,想在流程中加一個判斷步驟在既有流程加一個 agent 步驟不用重建整條流程,出錯範圍小
要串 ERP、舊系統,內部有兩位以上工程師SDK 自建串接彈性大,會改的人在公司內
要串 ERP、舊系統,內部只有一位工程師委外做第一版,內部一起寫,程式碼和設定都交給公司一個人要兼顧開發和維護很吃力,但修改這套 agent 的能力要留在公司內
要串多個內部系統,內部沒有工程人力委外,合約寫明程式碼、設定、提示詞(寫給 agent 的工作指令)、測試案例都要交需要有人到現場釐清流程並負責上線
流程還說不清楚先做需求盤點,暫緩選路線需求沒定,任何路線都會一直改

評估時要問的六個問題

不管選哪條路,跟內部團隊、平台業務或外部廠商談的時候,都可以拿這六題去問。對方答不出來的地方,通常就是之後會出問題的地方。

  1. 資料會存在哪裡、保留多久、誰看得到?
  2. 模型或平台更新時,誰負責測試、多久通知?
  3. agent 在哪些步驟會停下來請人確認?權限怎麼分級?
  4. 執行紀錄能不能查、能不能匯出?
  5. 設定、程式和提示詞能不能匯出帶走?
  6. 出錯時誰處理、多久回應?

其中第 5 題最容易被略過。如果設定和提示詞只留在某個平台帳號,或某位工程師的電腦裡,換人或換平台時就得從頭再來一次,連當初為什麼這樣設定都查不到。權限和人工確認要怎麼設計,可以看 AI agent 的權限與人工確認怎麼設。

如果決定委外,第 5、6 題的答案要直接寫進合約,至少包括這幾件事:

  • 交付物:程式碼、平台設定、提示詞、測試案例、權限設計文件。
  • 驗收標準:用哪些案件測、做到什麼程度算通過。
  • 維護範圍與回應時間:哪些調整包含在內、出錯多久內回應。
  • 結束時的交接:交給誰、要附哪些文件。

驗收要怎麼設計,可以看 AI agent 專案怎麼驗收。

回到那家加工廠

拿三個條件對照那張品質異常單,結果是這樣:

  • 串幾個系統:訂單在 ERP、檢驗紀錄在另一套系統、回報在 Outlook,至少 3 個系統,再加上業務轉來的 LINE 截圖;而且同一張訂單分批出貨時,批號要一筆一筆對。
  • 資料在哪裡:只有 Outlook 有現成的連接器,檢驗系統是早年請人寫的,平台幫得上的只有一小段。
  • 誰來維護:IT 同事寫得出程式,但全公司只有他一個人。

這正好符合上面建議表裡「要串 ERP、舊系統,內部只有一位工程師」的情況。所以他們沒有選業務主管提的平台,也沒有讓 IT 同事一個人自建,而是請外部團隊做流程盤點和第一版,IT 同事從第一天就一起寫、一起看執行紀錄。那套沒有介面的檢驗系統,最後是由外部團隊和 IT 同事寫一支只讀的小程式,直接查它的資料庫,再照 MCP 的方式包成 agent 能呼叫的「查檢驗紀錄」工具,之後換模型時,這段多半能沿用。

簽約前,他們拿那六個問題去問顧問公司。第 5 題對方原本只答應交「能跑的系統和操作手冊」,談過之後才改成程式碼、設定、提示詞和測試案例全部交付;第 2 題則談成模型或 API 大改時,由對方負責重新測試。

試做時,他們沒有用整齊的示範資料,而是拿過去三個月真實的 30 張品質回報來測,包括開場那張孔徑超差的客訴。第一版先處理格式比較固定的信件,LINE 截圖打算之後再做;結果 30 張裡有 7 張的批號只出現在截圖裡,比預期多,所以上線前就補上了讀圖片裡批號的步驟。這 30 張回報後來也成了驗收的測試案例。

開場擔心的第一件事後來也真的發生了:上線後的第二個月,ERP 改版換了批號的欄位名稱,IT 同事自己改了查訂單的那個工具,半天就修好,外部團隊只在旁邊看。到了第三個月,日常維護正式交回給他。為了不讓 agent 只有一個人看得懂,外部團隊留下每個工具的說明文件,合約也保留每季一次的支援,模型或 API 大改時一起處理。後來再有類似的客訴進來,agent 幾分鐘內就把訂單、批次和機台查好、開出異常單草稿,品保主管當天就能確認,不用再等客服查兩天。

EthorX 的企業 AI 營運屬於委外這條路。

常見問題

公司已經有 Microsoft 365,直接用 Copilot Studio 就好嗎?

如果流程單純、資料多半在 Microsoft 365 裡,很適合先從它開始。要注意的是,當流程需要串內部 ERP 或舊系統時,設定可能會變得很複雜,這時候再評估要不要改用程式開發。給員工日常使用的 AI 助理是另一個採購決定,可以看企業版 AI 助理怎麼選。

用 n8n 或 Zapier 做 agent,和用 SDK 自建差在哪?

n8n、Zapier 讓你在既有的自動化流程裡加一個 agent 步驟,上手快、出錯的範圍也小。而 SDK 自建可以自己決定 agent 的每一步、權限和紀錄怎麼做,適合要深度串接內部系統的情況,但需要工程師長期維護。

委外做完之後,公司自己改得動嗎?

要看合約。如果交付物有程式碼、設定、提示詞和測試案例,內部又有人接手,就改得動;如果只交付一個能跑的系統,之後每次調整都得回頭找原廠商。

選路線時要在意 MCP 嗎?

值得一併考慮。內部系統如果已經包成 MCP 伺服器,換平台或換模型時,串接的部分多半能沿用。MCP 的組成和導入前要檢查什麼,可以看 MCP 是什麼。

平台停止服務怎麼辦?

先確認設定和程式能不能匯出。OpenAI 淘汰 Agent Builder 時給了過渡期和轉移指南,而且這個工具原本就能下載 SDK 程式碼,所以有定期匯出的團隊,轉移成本會低很多。

參考來源

以下依官方文件整理,功能、方案與停止服務日期以官方頁面當下為準。

從這篇繼續看相關內容

依文章主題整理同站文章、服務/產品與 FAQ 入口,讓下一步有清楚的閱讀方向。

延伸閱讀

下一步

服務入口

了解企業 AI 營運導入

從需求診斷、系統串接、驗證上線到持續維護,查看 AI agent 導入的分工與人工審核方式。

查看相關頁面

常見問題

AI agent 可以不經人確認直接寄信嗎?

依能不能復原、影響誰、有沒有對外承諾,決定哪些動作要人確認。

查看 FAQ 解答

企業 AI 落地實踐

把文章裡的判斷帶回你的流程

從一個實際工作流開始,與 EthorX 共同釐清 AI agents 的導入起點。