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。
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 Cloud | AI 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 |
| IBM | Agentic 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 |
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:
- 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。
- 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。
- 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。
- 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。
- 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:
- 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。
- 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。
- 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。