Agentic AI 是什麼?和 AI agent 差在哪,企業該怎麼看自主程度

廠商簡報都寫 Agentic AI,這個詞和 AI agent 是同一件事嗎?這篇整理各家定義、五個自主程度,用同一個退貨流程對照,並列出評估廠商時該問的五個問題。

先說結論

Agentic AI 指的是 AI 系統能自己規劃步驟、使用工具、朝目標行動的程度,重點在「自主」;AI agent 則是具備這種能力的系統本身。各家定義不完全一致,與其爭論名詞,不如直接問:哪幾步由 AI 自己決定、它能動哪些系統、在哪裡停下來讓人確認、出錯怎麼追。自主程度是設計出來的,第一次上線建議只讓 AI 自己處理可以復原的步驟。

淺色木桌上,打開的小紙箱裡裝著幾個金屬支架,一封申請信靠在箱邊;旁邊三張畫著資料夾、放大鏡和信封圖示的小卡用螢光綠細線串成一排,最右邊是一枚木柄印章和螢光綠印台
Agentic AI 是什麼?和 AI agent 差在哪,企業該怎麼看自主程度 封面視覺

你是一家金屬零件公司的客服主管,老闆要你改善客服,你請了三家廠商來簡報,三份投影片上都寫著「Agentic AI 平台」。聽完才發現,三家做的是三種不同的東西:第一家是接上常見問答的聊天機器人;第二家是原本的 RPA(照固定規則操作電腦的自動化軟體),只是多了一個用 AI 摘要信件的步驟;第三家的系統則會自己查訂單、判斷要不要補寄、擬好回信,再交給客服確認。

會後老闆問了你一句:「所以我們要的是 Agentic AI 嗎?」

這個問題很難直接回答,因為這個詞本身沒有統一的定義。我覺得比較有用的做法,是把它拆成幾個可以檢查的問題:AI 自己決定了哪幾步、它能動到哪些系統、在哪裡會停下來讓人確認。所以我這篇會先整理各家怎麼定義 Agentic AI、它和 AI agent 是什麼關係,再用一個退貨流程,帶你看不同的自主程度實際上長什麼樣子。

Agentic AI 是什麼:AI 能自己決定下一步的程度

Agentic AI 在中文常被翻成「代理式 AI」。幾家大廠的用詞不太一樣,但講的核心都是「自主」。

IBM 說它是能在有限監督下完成特定目標的 AI 系統;Google Cloud 說它著重自主決策與行動,能設定目標、規劃並執行任務,只需要很少的人為介入;AWS 則說它能獨立行動,去達成事先設定好的目標。IBM、Google Cloud、AWS

拿生成式 AI 來對照會比較清楚。你請 ChatGPT 寫一封回覆客訴的信,它會把信寫出來,但要不要寄、寄給誰,還是由你決定。而 Agentic 的系統會繼續往下做:它會去查這位客戶的訂單、看出貨紀錄、判斷該補寄還是退款,然後在系統裡建單。Google Cloud 的說法是,它不只產生內容,還會在底層的系統裡實際執行動作。

Google Cloud 也把這類系統的運作拆成一個循環:先收集資料,再用大型語言模型分析,接著拆出要做的步驟,然後呼叫工具或系統去執行,最後看結果決定要不要調整。這個循環要跑幾輪、中間讓不讓人插手,決定了 AI 自己做主的事情有多少。

可以把 Agentic AI 想成一個剛到職的客服助理,你決定要放多少權限給他。

你交代「這位客戶要退貨,處理一下」,一個能幹的助理不會回來問你每一步怎麼做,他會自己排:先查訂單、看有沒有符合退貨條件、再擬回信。

  • 自己排步驟:你給的是目標(處理這筆退貨),不是逐步操作說明。
  • 有帳號可以用工具:他登得進訂單系統、倉庫系統,所以能查、能建單,不只是講講而已。
  • 權限是你給的:同一個助理,可以只給建議、可以備好單據等你簽核、也可以小額退款自己簽,差別不在他多聰明,而在你放多少權限給他。

比喻對不上的地方是:真人助理遇到沒把握的事多半會停下來問你,AI 卻不一定知道自己沒把握,所以「在哪裡一定要停下來問」要由你事先設好,不能指望它自己發現。

牛皮紙橡皮章插畫三段:① 你交代目標,紙袋造型的小助理收到一張只寫著目標的任務單;② 自己排步驟並使用工具,小助理在桌前依序查訂單、翻檢查規則、擬回信;③ 權限由你決定,主管把一枚螢光綠的簽核章交到小助理手上,章的大小代表權限 你給目標、他自己排步驟並用系統工具;同一個助理,權限放多大,是你決定的。

如果你還不太清楚大型語言模型是怎麼運作的,可以先看 LLM 是什麼。

Agentic AI 和 AI agent 差在哪

最常見的疑問,是這兩個詞到底是不是同一件事。各家的說法並不一致:

來源怎麼區分用一句話說
Google CloudAI agent 是 Agentic AI 的積木,Agentic AI 是協調多個 agent 完成更大的工作多個 agent 組起來的系統
IBMAgentic AI 由多個 agent 組成,每個 agent 負責其中一部分工作同上
Anthropic把所有用大型語言模型做的 agent 系統統稱為 agentic systems,裡面再分成固定流程(workflow)和 agent一個大分類,固定流程和 agent 都在裡面
中文媒體與廠商常把 Agentic AI 寫成「比 AI agent 更自主」的新一代程度更高的 agent

同一個詞,有人拿來指多個 agent 組成的系統,有人指一整個類別,也有人指更高的自主程度。所以當廠商說「我們是 Agentic AI」的時候,你還不知道他的系統實際會做哪些事。

拿開頭第三家廠商的系統來看就知道了。它只有一個 agent,所以照 Google Cloud 和 IBM 的說法,嚴格講還稱不上 Agentic AI;照 Anthropic 的分法,它是 agentic systems 裡的 agent;而照中文媒體的寫法,它能自己查訂單、判斷要不要補寄,已經算是比較自主了。同一套系統,三種定義會給出三種答案,但這些答案對你要不要買它都沒有幫助。

所以我的建議是,把 agentic 當成一個形容程度的詞來讀:它描述的是一個系統裡,有多少事情是由 AI 自己決定的;而 AI agent 指的是具備這種能力的系統本身。同一個 agent,可以被設計成大部分步驟都自己決定,也可以只讓它在一兩個地方自己判斷,這主要取決於它是怎麼被設計的。

AI agent 和聊天機器人、RPA、自動化流程要怎麼分,我在 AI agent 和聊天機器人、RPA、自動化流程差在哪有整理完整的比較。那篇的結論是「差別在誰決定下一步」,而這篇要接著回答的,是決定權該放給 AI 多少。

自主程度是設計出來的:五個等級

Feng、McDonald、Zhang 三位研究者在 2025 年發表了一篇論文,依照「使用者在過程中扮演什麼角色」,把 AI agent 的自主程度分成五級:

等級使用者的角色AI 做什麼人做什麼
1操作者你叫它做哪一步,它就做哪一步規劃全部步驟
2協作者和你一起規劃、分工,隨時回報進度可以隨時修改它的成果
3顧問主導規劃和執行,需要專業判斷時來問你透過訊息提供意見
4核准者自己完成大部分工作,只有重大動作或卡住時才找你核准,或處理卡住的地方
5觀察者所有決定都自己做看活動紀錄,必要時按緊急停止

這篇論文裡有一個觀點很值得記住:自主程度可以是開發者刻意做出的設計決定,和 AI 本身的能力是兩件事。Levels of Autonomy for AI Agents 換句話說,一個能力很強的 agent,也可以被設計成每一步都先問過你。

另外,有些中文文章會把「簡單反射型、模型基礎型、目標導向型、效用基礎型、學習型」列為 Agentic AI 的五個等級。這五類其實是人工智慧教科書裡對 agent 架構的經典分類,描述的是 agent 內部怎麼做決定;而上面那張表講的是人要介入多少。你在評估要不要導入時,要問的是後者。

同一個退貨流程,三種自主程度

客戶寄信來申請退貨時,公司要查訂單、判斷是否符合退貨條件、建立退貨單、通知倉庫,必要時還要退款。同樣這一串工作,可以設計成三種不同的自主程度。

權限的部分,我對照 AI agent 的權限與人工確認怎麼設裡的五個權限等級:唯讀、產出草稿、低風險寫入、需人工確認、禁止。

設計AI 做什麼人做什麼需要的權限等級出錯時最壞的結果
協作者(第 2 級)讀信、查訂單與出貨紀錄,整理成一段摘要,附上「符合/不符合退貨條件」的建議客服看完摘要,自己建退貨單、回信、退款唯讀摘要寫錯,但客服照做前會先核對
核准者(第 4 級)讀信、查訂單、判斷條件、建立退貨單、擬好回信;要退款和寄信前停下來客服看確認頁,按同意之後才寄信、才退款唯讀、產出草稿、低風險寫入;寄信與退款設為需人工確認退貨單建錯了,事後可以刪;錢和信都還沒出去
觀察者(第 5 級)從讀信到退款全部自己完成每天看紀錄,發現異常時停用退款與寄信都開放錢退錯、信寄錯,發現時已經發生了

對照圖:同一個退貨流程的五個步驟,讀信查訂單、判斷退貨條件、建退貨單、寄回信、退款,在三種自主程度下由誰做。協作者(第 2 級):AI 讀信查訂單、給判斷建議,建單、回信、退款都由人做,最壞是摘要寫錯,但客服照做前會先核對;核准者(第 4 級,標示為建議起點):AI 做到建立退貨單,寄回信和退款要人同意才執行,最壞是退貨單建錯可以刪,錢和信都還沒出去;觀察者(第 5 級):五步全部由 AI 做,最壞是錢退錯、信寄錯,發現時已經發生了 綠色越多,AI 自己決定的事就越多;核准者把寄信和退款這兩個對外、動到錢的步驟,留給人按同意。

這三種設計用的可能是同一個 AI 模型、同一個平台,差別全在設計。第三種讓 AI 自己決定的事最多,也最常出現在廠商簡報裡;但它的前提是你已經很清楚這個流程的所有例外狀況,而且承受得起一次錯誤退款的代價。

第一次上線,我建議停在核准者:可以復原的步驟讓 AI 自己做,對外和動到錢的步驟則停下來給人確認。等跑了一段時間,確認紀錄裡被客服退回的情況很少,再考慮把個別動作往上放。

至於要先拿哪個流程來做,可以參考哪些企業流程適合先交給 AI agent。

廠商說「agentic」時,要問的五個問題

Gartner 在 2025 年 6 月發布的預測裡提到一個現象,叫做「agent washing」:廠商把既有的 AI 助理、RPA、聊天機器人換個名字,重新包裝成 agent 產品,但實際上並沒有多少自主決策的能力。它當時估計,在自稱做 Agentic AI 的數千家廠商裡,真正具備這種能力的大約只有 130 家。

開頭那三家廠商就是很好的例子。要分辨的話,與其問對方「你們是不是 Agentic AI」,我會建議直接問這五個問題:

  1. 哪幾步是 AI 自己決定的?請對方拿你的流程逐步說明。如果答不出來,或每一步都是寫死的規則,那它比較像是自動化流程加上一個 AI 步驟。
  2. 它能動到哪些系統?用的是誰的帳號?請對方列出它會讀、會寫的系統,以及用的是個人帳號還是共用的服務帳號。
  3. 它在哪裡停下來給人確認?這些點能不能調整?因為確認點可以調整的系統,你才能從保守的設定開始,再慢慢放手。
  4. 出錯時要怎麼追?請對方實際展示一筆操作紀錄,看它讀了什麼、呼叫了哪個工具、帶了哪些參數,以及為什麼這樣決定。
  5. 自主程度能不能往下調?也就是同一個系統,能不能先只產出草稿,之後再開放寫入。如果產品只有「全自動」一種模式,導入初期的風險會比較高。

真的能讓 AI 自己做決定的系統,這五題通常都答得出具體內容。對方的答案越模糊,就越可能只是換了一個名字。

交給 AI 自己決定的事越多,越要先設計好的三件事

自主程度往上調,AI 能做的事會變多,而出錯的方式也會跟著變多。Anthropic 提醒過,agent 的錯誤可能會一步一步累積:第一步查錯了訂單,後面的判斷、建單、回信就都會跟著錯。Building effective agents IBM 也提到,多個 agent 串在一起時,其中一個出錯,可能會連帶影響整個系統。

所以在決定把哪些步驟交給 AI 自己做之前,我會建議你先把這三件事準備好:

  1. 權限:每個工具都分好級,AI 只拿到這一步真正需要的權限。以退貨流程來說,查訂單給唯讀就夠了,退款則留在人手上。
  2. 確認點:寫清楚 AI 在哪些動作之前要停下來,以及確認頁上要顯示什麼,讓審核的人看得出這次和平常有什麼不一樣。
  3. 紀錄:每一步讀了什麼、呼叫了哪個工具、帶了哪些參數都要記下來,這樣出錯的時候才追得回來。

還有一種風險,是 AI 能自己做的事越多才越明顯的。因為它會去讀客戶來信、網頁和上傳的檔案,而這些內容裡可能藏著寫給 AI 的指令。只會回答問題的 AI 被騙,頂多是答錯一句話;但能建單、能退款的 AI 被騙,就會真的做錯一件事。這類攻擊要怎麼防,可以看 Prompt Injection 是什麼。

以退貨流程來說,哪些動作要停下來讓人確認,是我們的企業 AI 營運方案在上線前會和負責的主管一起訂好的,遇到資料異常或高風險的判斷,系統會先暫停,交由專人確認後再執行。

要不要在意這個詞

Gartner 在同一份預測裡也提到,到 2027 年底,會有超過四成的 Agentic AI 專案被取消,原因是成本上升、商業價值不清楚,或風險控管不足。而它給企業的建議很務實:需要做判斷的地方用 agent,例行的流程用自動化,單純查資料就用助理。

Anthropic 的工程指南也是同一個方向:先找最簡單的解法,真的需要時才增加複雜度。因為 agent 是用更高的延遲和成本去換取更好的表現,而且錯誤還可能一步一步累積。

回到那三家廠商:第一家的聊天機器人只回答、不動系統,連「自主」都談不上;第二家是 RPA 加 AI 摘要,流程是固定的,AI 只多做摘要,稱不上自主;第三家會自己查單、擬好回信再交客服確認,大致落在第 4 級,也是我建議第一次上線的起點。

所以我的看法是,這個詞不必追。回到開頭老闆的問題,我覺得比較好的問法是:「我們這個流程裡,哪一段需要 AI 自己判斷?如果它判斷錯了,我們承受得起嗎?」前半題決定要不要用 agent,後半題則決定要給它多少自主。先確認流程裡哪一段需要判斷,再決定要讓 AI 自己做主多少;如果順序反過來,你通常會買到超出需要的系統。

常見問題

Agentic AI 和生成式 AI 是同一件事嗎?

兩者有關係,但分工不同。生成式 AI 負責產出內容,例如文字、圖片、程式碼,而處理文字的那一類就是大型語言模型(LLM);Agentic AI 則是用生成式 AI 的能力去推理和規劃,再透過工具真的去執行動作,例如查資料、建單、寄信。所以你可以這樣分:寫內容和做判斷是生成式 AI 的工作,而把判斷變成系統裡實際發生的動作,是 Agentic AI 多做的那一段。

自主程度越高,效果就越好嗎?

要看流程。規則清楚、每次結果都要一樣的工作,自主程度太高反而會讓結果比較難預測,費用也比較高;而例外多、需要讀大量信件或文件這類資料的工作,多給 AI 一點決定權才有意義。同一個流程裡,不同步驟也可以設不同的自主程度,例如查詢讓它自己做,退款則一律給人確認。

Agentic AI 一定要用到很多個 agent 嗎?

不一定。Google Cloud 和 IBM 把 Agentic AI 描述成多個 agent 協作的系統,而 Anthropic 則把單一 agent 也算在 agentic systems 裡。對企業來說,多數流程用一個 agent 加上幾個工具就夠了;只有在真的需要不同系統、不同廠商的 agent 互相交辦工作時,才會碰到 agent 之間要怎麼溝通的問題,這部分可以看 A2A 是什麼。

Agentic AI 自己做的決定出錯,責任算誰的?

通常會算在使用它的公司身上。在加拿大的 Moffatt v. Air Canada 案裡,航空公司主張官網聊天機器人說錯的內容不該由公司負責,但仲裁庭沒有接受,判公司要賠償。AI 能自己做的事越多,這個原則的影響就越大,所以對外承諾、動到錢的步驟,我建議還是留在人手上。案例的細節我在 AI 幻覺是什麼有整理。

參考來源

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

名詞弄清楚之後,看 AI agent 怎麼接進既有系統,以及哪些動作要人工確認。

查看相關頁面

常見問題

AI 的 token 是什麼?

用量和費用怎麼算,先看一題直接回答。

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。