當人們談到工作中的 AI，最熟悉的畫面通常是員工打開聊天視窗，請模型寫一封電子郵件、摘要一份文件，或分析一些資料。Task 變快了，但人仍然要一步一步下指令，再把結果帶進後續 Workflow。
AI Agent 把這條界線往前推了一步。
它不必每次都等一個 Prompt。Agent 可以接收一個目標，判斷需要哪些步驟、使用工具、檢查結果，並在既定限制內持續完成多個動作。這讓經濟問題從「AI 能把一個 Task 加速多少？」轉變成：如果 AI 能跨越整套 Workflow，管理一連串 Tasks，會發生什麼事？
OECD 在 2026 年 9 月發布 Agentic AI in organisations，內容來自不同地區與產業組織的訪談。報告顯示，agentic systems 已經在開發與部署中，但治理、衡量方式與營運實務仍處於早期階段。
我們上一篇文章 AI 真的會搶走工作 – 還是讓某些工作變得更有價值？ 討論過，AI 往往是先改變工作中的 Task，而不是立刻取代整份工作。當多個 Tasks 透過 Agent 串接起來，被重新設計的對象就可能變成 Workflow 本身。
AI Agent 不只是更聰明的 Chatbot
我們熟悉的 Chatbot 通常遵循簡單模式：
使用者提問 → AI 回答 → 使用者決定下一步
Agent 則可以在更長的循環中運作：
目標 → 規劃 → 使用工具 → 執行 → 檢查結果 → 調整 → 繼續或升級處理
Anthropic 將 Agent 描述為能跨應用程式工作、撰寫與執行程式碼、管理檔案，並完成多步驟任務的系統。這讓它們擁有更高的自主性，也就是在人所提供的工具、權限與限制內，有更大的行動空間。
以銷售為例。
Chatbot 可能只負責草擬一封 follow-up email。Agent 則可以收到「追蹤高潛力 leads」這個目標，查看 CRM、確認帳戶狀態、草擬聯絡內容、選擇發送時間、記錄結果、安排會議，並在需要人類判斷時把案件交給業務人員。
其中大部分 Tasks 原本就存在。真正改變的是不再需要一個人介入每一次 handoff，也能把這些步驟串在一起。
當 AI 從 Tasks 走向 Workflows，經濟邏輯也會改變
早期的職場 AI 往往聚焦個人生產力，例如寫得更快、搜尋得更快，或更快摘要會議內容。
但企業並不是由彼此孤立的 Tasks 組成。工作會在人、團隊、軟體系統與審批流程之間流動。
一個採購流程可能包含接收需求、檢查庫存、詢價、比較供應商、取得批准、建立採購單、追蹤交貨，再把資訊交給會計。延誤有時並不是因為某一個步驟太慢，而是等待資訊、重複核對資料，以及不同部門之間協調所造成。
這正是 Agent 與單一員工使用 Copilot 可能產生不同經濟效果的地方。
McKinsey 2026 年 Global Survey on AI 顯示，80% 的受訪者表示 AI 改善了個人生產力，但只有 37% 將至少部分 EBIT 影響歸因於其組織使用 AI。這個差距不能證明 Agent 一定能解決問題，但它說明了一件事：讓一個人做得更快，不代表整個組織自然就會更有利潤。
如果 Workflow 仍然充滿重複審批、檔案轉移與彼此斷裂的系統，效益可能就停在員工個人的桌面上。
真正的價值可能在步驟之間的 handoff
因此，Agent 的商業價值不只是節省多少工時。
它也可能來自縮短等待時間、減少複製貼上、follow-up、資料轉移錯誤，以及降低系統之間所需的人工作業與協調。
例如發票流程可能要接收文件、驗證欄位、比對採購單、標示異常、準備會計分錄，再把案件送去審批。如果 Agent 能把這些結構化部分當成一個連續流程來處理，人可能只需要在資料不一致、超過門檻，或出現異常狀況時介入。
Agent 並不是零成本的數位勞工。
組織仍然要付出模型、軟體整合、資料準備、權限設定、監控、評估、安全，以及人工審查例外情況的成本。有些 Workflows 可能帶來很大的節省，但另一些 Workflows 的自動化成本可能比回報更高。
因此，Agent economics 應該在Workflow 層級衡量，而不是只看表面上節省了多少員工工時。
人的工作可能從執行每一步，轉向監督整個系統
隨著 Agent 承擔更多執行工作，人所在的位置也可能改變。
原本可能是：
執行 → handoff → 檢查 → 繼續 → 申請批准
之後可能變成：
設定目標 → 定義限制 → 審查例外 → 做決定 → 承擔責任
這直接連到 A10 討論的勞動市場問題。如果 AI 在某些 Tasks 上變得更強，人類的價值可能往判斷、脈絡、溝通與責任移動。Agent 讓這個問題更加突出，因為它能接手一整串 Tasks，而不只是單一工作。
Microsoft 2026 年 Thailand Work Trend Index 指出，其樣本中有 32% 的泰國工作者屬於「Frontier Professionals」，全球平均則為 16%。同時，泰國組織仍面臨從個人 AI 使用走向核心組織 Workflows 的挑戰。
這是 Microsoft 平台與調查所提供的證據，不是能代表泰國整體勞動市場的全國性統計。但它凸顯了一個重要差別：個人很會使用 AI，不等於組織已經圍繞 AI 完成重新設計。
更高自主性不等於把人移出系統
Agent 的吸引力在於，它可以在較少逐步監督的情況下持續工作。但同一項特性也會擴大風險。
如果 Chatbot 給出一個錯誤答案，人可能在採取行動前就發現。如果 Agent 誤解目標，又能存取多個系統，錯誤就可能在沒有人察覺之前一路傳到多個步驟。
Anthropic 提到的風險包括誤判使用者意圖，以及利用 Prompt Injection 操控 Agent 執行不應執行的動作。
因此，human-in-the-loop 的設計不能只理解成「每一次點擊都要有人批准」。
組織可以明確規定：
- Agent 可以存取哪些系統
- 交易或支出的上限
- 哪些動作必須取得批准
- 哪些資料不能離開特定邊界
- 哪些例外情況必須升級處理
- 流程在哪些節點必須停下來等待人類決策
目標不一定是把人從 Workflow 中移除，而是要決定人類判斷在哪些地方最有價值。
大企業與 SMEs 可能不會以相同速度受益
Agent 的表現不只取決於 AI 模型，也取決於資料品質、系統整合、權限，以及既有 Workflow 定義得是否清楚。
因此，擁有 CRM、ERP、APIs、資料治理與 IT 團隊的公司，起點會和仍以試算表、聊天應用程式，以及散落在不同系統中的文件運作的小型企業不同。
OECD 2026 年 D4SME Survey 發現，SMEs 使用 AI 的比例正在上升，也有部分企業開始實驗 AI Agents，但要把它策略性且安全地整合進營運，進展仍不平均。時間限制、維護成本與技能缺口都是障礙之一。
這讓競爭問題變得比「誰先拿到 Chatbot」更值得關注。
如果 Agent 真的能降低協調成本，資料與系統更成熟的公司可能先降低每筆交易成本，或在小型競爭者追上之前處理更多工作。如果這種優勢持續累積，公司之間的生產力差距就可能擴大。
相反的路徑也可能發生。如果現成 Agent 變得便宜又容易部署，就可能降低 SMEs 面臨的技術劣勢。現在仍太早，不能假定只有大型企業會受益。
如果這一路走得更遠，接近 AGI 呢？
今天的 AI Agents 並不是 Artificial General Intelligence，也就是 AGI。AGI 指的是能在許多領域展現廣泛能力的 AI 概念。
OECD 與 European Commission 的 AI literacy framework 將 AGI 描述為能達到或超越受過良好教育成人之認知靈活性與熟練程度的系統，並指出目前尚不存在這類系統。
電影裡常見的畫面更廣泛：一個數位心智能自行學習、規劃、決策，並在幾乎任何領域採取行動。那和企業今天正在測試的 Agents 還有很大的距離。
現在的 Agents 仍然依賴人所提供的目標、工具、權限與邊界，而且在看似普通的 Tasks 上仍可能失敗。
如果未來系統真的從管理專門 Workflows，走向與 AGI 相關的廣泛通用能力，那麼對企業與勞動市場的影響將是另一個層級的問題。在那之前，更實際的問題是：當 Agents 承擔更多 Workflow 執行工作時，人應該位於流程中的哪個位置？
接下來要觀察什麼
第一個訊號是Agents 從試點走進正式生產 Workflows 的速度。成功的 Demo 和每天處理真實資料、客戶與金錢，不是同一件事。
第二個訊號是企業是否開始在 Workflow 層級衡量 ROI。如果報告仍只關注採用率或節省了多少員工工時，經濟效果可能依舊不清楚。
第三個訊號是組織願意給 Agents 多大的權限 – 只讀、起草內容、執行交易，或是不經批准就採取行動。這同時反映信任程度與可接受的風險。
第四個訊號是例外發生率與升級給人處理的節點。畫面上看起來高度自主的系統，背後仍可能依賴大量看不見的人工作業。
對泰國而言，另一個訊號是SMEs 能否以可負擔的成本取得可靠的 Agent systems。如果 agentic Workflows 需要昂貴的資料基礎設施與整合，公司之間的生產力差距可能擴大。反之，如果現成系統大幅降低這些成本，小型企業就可能比預期更早受益。
第一波職場 AI 讓我們問：「AI 能不能幫忙做這個 Task？」AI Agents 把問題再往前推一步：「我們還需要用現在這種方式設計 Workflow 嗎？」 企業影響真正變深的地方，可能就在這裡，而不只是得到一個寫作速度更快的助手。
