從生成到代理：分析下一波人工智慧及其在企業工作流程自動化中的體現

1.0 執行摘要

人工智慧領域正在經歷重大的典範轉移，從主要生成內容的系統演變為能夠執行自主行動的系統。本報告對這一轉變進行了全面分析，探討了生成式AI的既定能力、代理式AI的新興力量以及對企業運營的戰略影響。核心發現是，雖然生成式AI徹底改變了內容創作和資訊綜合，但代理式AI代表了下一個合乎邏輯的步驟，將AI的潛力轉化為具體的、目標導向的行動，並重新定義了業務流程自動化的格局。

生成式AI由基礎模型和大型語言模型（LLMs）提供動力，擅長根據特定用戶提示創建新穎的文本、圖像、程式碼和其他媒體。其價值在於通過自動化離散的、以內容為中心的任務來增強人類的創造力和生產力。這些工具的廣泛採用正在使基礎內容創造商品化，從而提升了提示工程和人類監督的戰略重要性。

相比之下，代理式AI引入了更高層次的自主性。這些系統的特點是主動性、適應性和目標導向性。AI代理不是對提示做出反應，而是旨在以最少的人類干預追求高層次目標。它們在感知、推理、規劃、執行和學習的持續循環中運作，能夠跨各種數位平台管理複雜的多步驟工作流程。這些系統的架構通常涉及多個專業代理的協調，它們協作以實現總體業務目標。這標誌著從AI作為工具向AI作為數位勞動力的轉變。

批判性分析表明，代理式AI不是生成式AI的替代品，而是在其基礎上發展起來的進化，將LLMs用作核心推理引擎。然而，隨著商業產品越來越多地融合兩種範式的能力，這種區別正在變得模糊。Seasalt.ai的SeaMeet被宣稱為“代理式會議副駕駛”，其詳細案例研究闡明了這一趨勢。雖然其核心功能是生成式的（轉錄、摘要），但其基於電子郵件的後續文件創作工作流程代表了一種“原型代理式”能力——一種複雜的、人類觸發的自動化，標誌著市場向產品注入代理式功能的更廣泛趨勢。

對於企業領導者而言，戰略要務有兩個方面：利用生成式AI獲得即時生產力提升，同時啟動代理式AI的戰略實驗，以為新的自動化時代重新設計核心業務流程。成功採用取決於建立數據準備度、強大的安全和治理框架，以及對部署自主系統所固有的倫理考慮的敏銳認識。這項技術的發展軌跡指向一個未來，即人類和AI代理的協作生態系統推動企業效率、創新和價值創造。

2.0 生成式革命：作為內容創造者的AI

人工智慧最近迅速滲透到主流商業和消費者應用中，這在很大程度上要歸功於生成式AI的興起。這個AI子領域俘獲了公眾的想象力，並通過賦予機器創造原創內容的能力釋放了顯著的生產力提升。了解這一範式的機制、能力和局限性，對於將隨後向自主代理式系統的飛躍置於背景中至關重要。

2.1 定義典範：創造的機制

生成式人工智慧是一類利用機器學習模型生成新穎內容（如文本、圖像、音頻、視頻或其他形式的數據）以響應用戶輸入的AI。1 不同於旨在進行預測或分類的傳統AI系統，或定位和整理現有資訊的搜索引擎，生成式模型創造全新的輸出。2 它們通過在大規模的人類創作內容數據集上進行訓練來實現這一點。通過這種訓練過程，模型學習數據中的潛在模式、結構和關係。它們的核心功能是概率性的；它們預測序列中下一個最可能的元素——無論是句子中的一個單詞、圖像中的一個像素還是樂曲中的一個音符——以構建一個連貫且上下文相關的結果。2

現代生成式 AI 的技術基礎建立在稱為基礎模型（FMs）的架構上，更具體地說，是大型語言模型（LLMs）。4 FMs 是龐大的機器學習模型，在廣泛的通用和未標註數據上進行預訓練，使其能夠現成執行多種任務。4 LLMs，例如 OpenAI 的生成式預訓練變換器（GPT）系列，是一類專注於基於語言任務的 FMs，如摘要、文本生成、分類和開放式對話。4

這些模型的規模和複雜性代表了與其前身相比的巨大飛躍。早期的生成式 AI 形式，例如一個世紀前開發的馬可夫鏈，也可以執行下一個單詞預測，但受限於無法考慮幾個前面單詞之外的更廣泛上下文。5 相比之下，像 ChatGPT 這樣的現代 LLMs 擁有數十億個參數，並在公開可用的互聯網的很大一部分上進行訓練，使其能夠掌握語言中的複雜依賴關係、細微差別和統計模式。這種龐大的規模使它們能夠生成合理、複雜且類似人類的文本，遠遠超越了簡單的自動完成功能。5 基本的交互模型仍然是反應式的：系統等待用戶的特定提示，然後生成內容作為回應。6

這些強大且易於使用的工具的普及正在從根本上改變內容相關工作的性質。隨著生成式 AI 能夠按需生成高質量的基礎內容，經濟價值正在從手動創作行為本身轉移。相反，價值越來越多地體現在提供給 AI 的戰略指導中。編寫精確、富含上下文的提示以引發所需輸出的能力——一種通常稱為「提示工程」的技能——正在成為一項關鍵能力。這種動態將人類角色從純粹的創作者重新定義為創意總監、策略師和編輯，他們利用 AI 作為強大的力量倍增器。該技術不僅僅是取代人類的努力，而是創造了一個新的協作層，其中人類戰略輸入的質量直接決定了 AI 輸出的質量。

2.2 核心能力與應用：生成式工具包調查

生成式 AI 的應用跨越廣泛的領域，反映了基礎模型的多功能性。這些工具正在融入各行各業的工作流程，以提高生產力、支持創意任務並自動化通信。4 對其核心能力的調查揭示了現代知識工作的綜合工具包。

一個主要且被廣泛採用的應用是文本生成。生成模型可以生成各種書面內容，從起草專業電子郵件、行銷文案和技術報告到生成詩歌和故事等創作作品。2 這種能力延伸到內容摘要與綜合，AI 可以將冗長的文件、研究論文或對話提煉成簡潔易懂的摘要，使用戶能夠快速從大量非結構化數據中掌握關鍵信息。2

除了文本之外，生成式 AI 在多媒體創作方面取得了重大進展。DALL-E 3、Midjourney 和 Stable Diffusion 等工具可以根據簡單的文字描述生成高品質的原創圖像和藝術作品。8 這延伸到視頻和音頻領域，新興模型可以創建動畫或合成自然語調的語音，用於虛擬助理和有聲書旁白等應用。8

在軟體開發領域，生成式 AI 正在作為程式設計師的強大助手。GitHub Copilot 等平台直接集成到開發環境中，以建議程式碼片段、完成函數、在程式語言之間進行翻譯並幫助調試現有程式碼。2 這加速了開發生命週期，並使工程師能夠專注於更高層次的架構問題。10

另一個複雜的應用是合成數據生成。生成模型可以創建新的人工數據，模仿真實世界數據集的統計特性。這種合成數據對於訓練其他機器學習模型非常寶貴，尤其是在真實世界數據稀缺、敏感或獲取成本高昂的領域，例如醫療保健或金融。4

商業領域中充斥著眾多知名應用程式，這些應用程式已將這些功能帶給數百萬用戶。其中包括 ChatGPT 和 Gemini 等對話式 AI、Grammarly 等寫作助手，以及 Microsoft Copilot 和 Adobe Firefly 等整合式解決方案，這些解決方案將生成式功能嵌入現有的生產力套件中。9 這些工具的整體商業價值在於它們能夠透過自動化內容創建並簡化特定的、輸入驅動的任務來提升生產力並促進創新。4

3.0 代理式躍升：從內容生成到自主行動

雖然生成式 AI 代表了內容創作領域的一場革命，但人工智慧的下一個前沿領域則是從創作向行動的轉變。代理式 AI（Agentic AI）標誌著這一演進，它引入的系統不僅能做出回應，還能獨立行動以實現複雜目標。這種向自主性的躍升有望釋放全新層次的生產力，並改變業務流程自動化的基本性質。

3.1 自主系統的誕生：代理能力的定義

代理式 AI 是一種先進的人工智慧形式，專注於開發能夠在最少人類干預下做出決策並執行任務的自主系統。13 “代理式”（agentic）一詞源於”代理能力”（agency）的概念——即系統在其環境中獨立且有目的地行動以實現預定目標集的能力。15 這與傳統 AI（包括生成式 AI）形成鮮明對比，後者本質上是反應式的。生成式模型等待提示並遵循預定工作流程來生成輸出；而代理式系統一旦獲得高階目標，就能主動制定並執行計劃以實現該目標。7

核心區別在於從請求-回應模型向目標驅動模型的轉變。代理式系統並非簡單遵循逐步指令，而是能夠將複雜目標分解為一系列更小、可管理的子任務，並獨立執行這些子任務。17 這種主動性使其能夠預測需求、識別潛在問題，並主動採取行動解決問題，防止問題惡化，這一能力遠超出反應式系統的範疇。15

3.2 AI 代理的結構：運作迴圈

代理式 AI 的功能建立在一系列關鍵特徵之上，這些特徵使其能夠表現出自主行為。這些系統被設計為：

主動且自主： 它們不會等待每個動作的明確指令。相反，它們在一定程度上獨立運作，無需持續的人類監督即可執行任務，從而能夠管理長期目標和多步驟問題。15
適應性： 一項關鍵特性是能夠從互動中學習並適應不斷變化的環境。它們可以根據新資訊或反饋即時調整策略和行動，使其適用於動態且難以預測的情況。12
目標導向： AI 代理專門設計用於實現特定目標。它們會思考達成目標所需的步驟，並制定相應策略。14
推理與規劃： 代理式系統的核心是一個推理引擎，通常是一個強大的大型語言模型（LLM）。LLM 充當代理的”大腦”，使其能夠分析數據、理解上下文、制定潛在解決方案並規劃行動路徑。14

AI 代理的運作可以理解為一個連續的循環過程。這個迴圈使代理能夠與環境進行智能互動，並隨時間推移優化其性能 16：

感知： 代理首先從其環境中收集數據。這些數據可來自各種來源，包括 API、資料庫、感測器或直接的用戶互動。
推理： 隨後對收集到的數據進行處理，以提取有意義的見解。代理利用自然語言處理等能力解釋資訊、檢測模式並理解更廣泛的上下文。
決策： 基於其推理和預定目標，代理評估多種可能的行動方案。它會根據效率、成功概率和預測結果等因素選擇最佳行動方案。
執行： 代理執行所選擇的行動。這通常涉及透過呼叫 API、操作數據或與用戶溝通來與外部系統互動。
學習與適應： 執行後，代理會評估結果。這些反饋用於優化其內部模型並改進未來的決策，這通常透過強化學習等技術實現。

這個操作框架將基礎模型的原始潛力轉化為實用、以目標為導向的行動。雖然LLM提供了用於推理和理解的核心智能，但正是代理框架——包括規劃、工具使用、記憶和環境互動的組件——使得這種智能能夠應用於真實世界的任務。這種關係類似於電腦的作業系統及其應用軟體。LLM是提供基本功能的強大作业系統，而代理系統則是應用層，利用這些功能為用戶執行特定的、有價值的功能，遠遠超越了簡單的聊天介面。

3.3 協作的力量：協調與多代理系統

真實世界商業問題的複雜性通常需要多樣的技能組合和領域知識。為了應對這一點，先進的代理系統經常被設計為多代理系統，其中多個高度專業化的AI代理協作以實現共同目標。15 例如，在金融服務環境中，一個代理可能專注於法規遵循，另一個專注於詐欺偵測，第三個專注於投資組合最佳化。這些代理協調其活動、分享見解，並根據需要移交任務，以提供單一通用代理無法實現的全面解決方案。15

這種協作模型需要一項稱為協調的關鍵功能。協調是對生態系統中各種AI代理和系統的全面管理和協調。16 協調平台負責自動化工作流程、追蹤目標進度、管理資源分配和處理故障。它確保各個代理協調高效地合作。這闡明了「AI代理」與「代理式AI」之間的區別：AI代理可被視為個別工具或專家，而代理式AI則指管理這些代理以實現更廣泛、更複雜目標的協調系統。14 諸如Amazon Bedrock和Google的Vertex AI Agent Builder等技術平台正在開發中，以提供構建和協調這些複雜多代理系統的基礎設施，標誌著AI開發從單體模型向協作數位勞動力的重大架構轉變。14

4.0 比較框架：生成式與代理式系統

理解生成式AI與代理式AI之間的區別和關係，對於任何試圖制定一致AI策略的組織至關重要。雖然兩者都利用類似的底層技術，但其目的、互動模式和運作範圍存在根本差異。代理式AI不是生成式AI的競爭對手，而是在其功能之上的演進，從內容創作轉向任務執行。

4.1 反應式提示 vs. 主動式目標：核心區別

這兩種範式之間最根本的區別在於其運作姿態：生成式AI是反應式的，而代理式AI是主動式的。7 生成式系統旨在直接響應特定用戶提示創建內容。它是一種被動的工具，等待指令。17 相比之下，代理式系統旨在為追求高層次目標而行動。它是一個主動的參與者，根據其目標和對環境的感知採取主動。15

這一區別可以通過一個實際類比來闡明。生成式AI類似於高技能的專家，如文案編輯或平面設計師。你向這位專家提供詳細的簡報（「以專業口吻撰寫一篇500字的關於主題X的部落格文章」），他們就會執行該特定任務。然而，他們不會獨立決定需要一篇部落格文章、未經請求就研究該主題，或安排其發布。6 另一方面，代理式AI類似於自主的專案經理。你向這位經理給出一個高層次目標（「本季度提高與目標受眾的互動度」）。然後，代理式經理會獨立制定計劃，其中可能包括委託撰寫一系列部落格文章（將該任務委託給生成式模型）、安排社群媒體更新、分析互動數據，並根據表現調整策略，所有這些都不需要對每個動作進行逐步指導。7

這種功能上的差異直接影響人機互動的性質。對於生成式AI，用戶處於「迴圈中」，在流程的每個階段提供持續的指導並做出決策。對於代理式AI，用戶處於「迴圈上」，設定總體目標並進行監督，但主要在處理異常或當代理遇到超出其程式設計的情況時提供戰略指導。6

4.2 共生關係：是演進，而非革命

必須認清的是，Agentic AI 並非取代生成式 AI，而是以共生關係擴展其功能。16 代理型系統依賴生成式模型（尤其是大型語言模型，LLMs）做為其中央處理單元或「大腦」。14 LLM 提供關鍵的認知功能，包括推理、語言理解和規劃，使代理能夠解讀目標、分析情境並制定策略。

一個明確的例子闡釋了這種協同作用。業務代表可以使用純粹的生成式 AI 工具，提示它：「撰寫一封禮貌的後續追蹤郵件給王瑪麗亞，內容關於我們的提案。」AI 會生成文本，但代表隨後需要手動將其複製到電子郵件用戶端、查找瑪麗亞的聯絡資訊、發送郵件，然後更新其客戶關係管理（CRM）系統。這是一系列由人類推動、並由 AI 輔助的獨立任務。7

代理型系統則會以不同方式處理相同目標。代表會設定一個高階規則或目標，例如：「對於任何標記為『需要後續追蹤』的潛在客戶，在兩個工作日後發送後續郵件。」代理型系統隨後會自主執行多步驟工作流程：監控 CRM 以尋找觸發條件、等待指定時間、從 CRM 擷取瑪麗亞的詳細資訊、使用生成式模型撰寫個人化郵件、透過 API 呼叫發送郵件，最後更新 CRM 以記錄該動作。在這個工作流程中，生成式 AI 是至關重要的組件——是代理用來完成其更廣泛自主計畫中某一步驟的工具。7

這種關係凸顯出，在商業應用中，這兩個概念之間的界線正日益模糊。反應式內容生成與主動式目標達成之間的理論區別很明確，但在實務中，越來越多產品處於中間地帶。像 ChatGPT 這類先進的生成式工具正在整合「函數呼叫」等功能，使其能夠與外部工具互動並執行簡單的連鎖動作，從而展現出初期的代理行為。2 反之，代理型系統的核心智能根本上依賴於生成能力。14 這種融合表明，市場的演進並非在兩種截然不同的技術之間做二元選擇，而是呈現為 AI 能力的光譜。這對企業領導者構成挑戰，他們必須跳脫行銷標籤，才能準確評估特定產品真正的自主性和智能水準。

4.3 表1：生成式AI與Agentic AI的功能對比

下表透過簡明的功能層面對比，總結生成式 AI 與 Agentic AI 範式的主要區別。

方面	生成式AI（內容創造者）	Agentic AI（自主行動者）	支持片段
主要功能	根據學習到的模式創造新內容（文字、圖像、程式碼）	透過執行多步驟任務來行動並達成高階目標	2
互動模式	反應式：對特定、直接的用戶提示做出回應	主動式：根據目標和環境數據採取主動	7
自主性層級	低（人在迴路中）：每個輸出需逐步的人類指導	高（人在迴路外）：獨立運作，例外時需人類監督	6
輸入方式	特定提示：「撰寫一封有關X的郵件」	高階目標：「管理所有新銷售潛在客戶的後續追蹤」	7
工作範圍	狹窄、明確的任務：內容生成、摘要、翻譯	廣泛、複雜的工作流程：流程自動化、問題解決、系統管理	19
核心機制	模式識別與預測：預測序列中的下一個項目	感知-推理-行動迴路：感知、規劃、決策、執行並學習	2
工具整合	有限：可做為功能整合到更大的應用程式中	廣泛：原生設計用於呼叫外部工具、API和其他系統以採取行動	14
商業類比	高技能的專家或助理（例如：文案、程式設計師、研究人員）	自主的專案經理或數位員工	6

5.0 代理型企業：透過自主工作流程轉型產業

Agentic AI 的理論潛力正迅速轉化為實際應用，這些應用即將重新定義多個行業的營運效率和戰略能力。透過不僅自動化簡單任務，還自動化複雜的端到端工作流程，代理系統正在開啟企業生產力的新典範。這代表著與早期自動化技術相比的重大演進，其增強人類潛能，而非單純取代體力勞動。

5.1 跨產業影響分析

Agentic AI 的多功能性源於其推理、規劃和與數位系統互動的能力，這使其幾乎可應用於任何依賴複雜資訊處理和決策的領域。

客戶服務： Agentic AI 正在將客戶支援從被動的、基於腳本的聊天機器人轉變為主動的服務代理。這些系統可以自主管理客戶諮詢，存取知識庫以解決複雜問題，處理退款或退貨，並透過多個管道提供個人化支援，僅在遇到最微妙或需要同理心的互動時才轉交給人類代理。14
金融與銀行業： 在資料密集的金融領域，AI 代理被部署用於自動化詐欺偵測，透過即時監控交易並採取行動阻擋可疑活動。它們還可以執行持續的風險評估，根據市場狀況和預定策略管理投資組合，並透過監控法律變更並相應更新內部政策來確保法規遵循。14
醫療保健： 醫療保健領域的潛在影響極為深遠。代理系統可以透過分析醫療記錄、研究論文和臨床試驗數據來協助臨床醫師，以協助診斷和治療規劃。它們還可用於主動的患者監測，利用穿戴式裝置的數據偵測健康問題的早期徵兆並提醒照護團隊，甚至自動安排後續門診。14
供應鏈與物流： Agentic AI 可以建立高度彈性且高效的供應鏈。透過分析來自銷售、庫存、天氣和運輸的數據，這些系統可以預測需求、最佳化物流，並主動重新規劃貨運路線以避免延誤，同時最小化成本和人力監督。14
軟體開發與 IT 營運： 除了簡單的程式碼生成之外，AI 代理可以自動化整個軟體開發生命週期，包括除錯、測試和部署。在 IT 服務管理中，代理不再只是簡單的服務台機器人，而是可以自主解決複雜的 IT 票務、排查網路問題並管理軟體配置。14
人力資源： 人力資源部門可以利用代理工作流程來自動化耗時的流程，例如履歷篩選，代理可以根據職位標準分析並評分候選人。它們還可以透過協調候選人和招聘經理的日曆來處理面試安排，並管理員工入職和薪資流程。25

這些應用的真正長期影響可能不僅限於現有任務的自動化。自主代理的引入使得能夠從根本上重新思考業務流程的設計方式。先前受人類決策速度和能力限制的工作流程可以被重新設計為更具動態性、回應性和數據驅動性。例如，不同於代理僅標記潛在的供應鏈中斷以供人類審查，完全實現的代理系統可以自主建模中斷的財務影響、評估替代運輸路線、透過 API 與承運商協商新條款、使用新計劃更新企業資源規劃 (ERP) 系統，並即時通知所有相關利害關係人。這不僅是任務自動化，而是業務流程本身的徹底轉型，實現了先前無法達到的營運靈活性和韌性水平。

5.2 重新定義生產力：超越機器人流程自動化 (RPA)

代理自動化的興起標誌著相較於諸如機器人流程自動化 (RPA) 等傳統自動化技術的重大進步。RPA 在自動化結構化、重複性和基於規則的任務（例如資料輸入或發票處理）方面非常有效。然而，當面對非結構化資料或底層應用程式或流程的變更時，它經常遇到困難。7

代理式AI克服了這些限制。透過利用LLM的推理能力，AI代理能夠理解上下文、處理模糊性，並適應環境的變化。這使它們能夠自動化更廣泛的工作類型，包括涉及非結構化數據和動態決策的複雜端到端流程。17 這代表著從自動化簡單的「機器人式」任務轉向自動化「認知型」工作流程的轉變。

至關重要的是，這波新的自動化浪潮最好被理解為一種人類增強形式。17 其目標不是取代人類工作者，而是增強他們的能力和生產力。透過將複雜、耗時且重複的任務委託給AI代理，人類員工得以擺脫束縛，專注於需要獨特人類技能的活動：策略思考、創意解決問題、複雜談判以及建立人際關係。17 人類與AI代理之間的這種合作有望擴大組織應對複雜挑戰、推動創新和交付更高品質成果的能力。這一趨勢的重要性得到了市場預測的強調，Gartner預測，到2028年，三分之一的企業軟體將包含代理式AI功能，且至少15%的日常業務決策將由AI代理自主做出。19

6.0 案例研究：拆解「代理式會議副駕駛」——Seasalt.ai的SeaMeet

為了將代理式AI的理論討論建立在真實世界的商業範例之上，本節詳細分析了Seasalt.ai的產品SeaMeet。透過檢視其功能、行銷和策略定位，我們可以拆解當前市場中「代理」概念的詮釋和實施方式，揭示一種介於純粹生成能力與完全自主之間的細緻現實。

6.1 產品概述與核心生成能力

SeaMeet被定位為AI會議助理或「副駕駛」，旨在提升個人與團隊的生產力。31 其基礎功能以處理會議內容為核心。該系統與Google Meet和Microsoft Teams等熱門視訊會議平台整合，還能處理現場會議中上傳的音訊檔案。31

該產品的核心功能包括：

即時轉錄： SeaMeet提供高度準確的即時會議對話轉錄，具備發言者識別和時間戳記功能。31
智慧摘要： 會議結束後，系統自動生成智慧摘要，捕捉關鍵主題和討論內容。31
行動項目偵測： AI分析轉錄文本，自動識別並列出討論中提到的可執行任務或「待辦事項」。31

這些主要功能是生成式AI的明確應用。系統使用先進的語音轉文字模型創建轉錄文本（從音訊生成文字），然後利用LLM將轉錄文本合成為新的濃縮形式（摘要），並將特定陳述分類為行動項目。用戶評論一致強調這些生成能力的價值，指出它們消除了手動做筆記的需求，並提供了一種輕鬆追蹤職責的方式，從而解決了許多專業人士的重大痛點。34

6.2 分析「代理式」主張：基於電子郵件的工作流程

SeaMeet透過將自己定位為「代理式會議副駕駛」在市場中脫穎而出。32 這一主張的依據似乎在於一項特定的創新功能：旨在自動化會後任務的基於電子郵件的工作流程。會議結束後，SeaMeet透過電子郵件將生成的摘要傳送給用戶。然後，用戶可以直接回覆此電子郵件，發送自然語言指令，例如「擬定給客戶的後續電子郵件」、「根據我們的討論建立工作說明書(SOW)」或「為利害關係人生成報告」。32 系統隨後處理該請求，並返回可供傳送的專業格式文件。

根據本報告早先建立的代理式AI嚴格定義對此工作流程進行批判性評估，呈現出一幅細緻的景象。雖然此功能代表了一種強大且複雜的工作流程自動化形式，但它並未展現出真正的、目標驅動的自主性。系統的動作完全是被動的；它會等待透過電子郵件發出的特定人類指令後才採取行動。這是一項鏈式任務——將初始摘要與新的用戶提示相結合以生成後續文件——但它並非主動的。

相比之下，一個真正的代理式系統（agentic system）可能會被賦予一個高層次目標，例如「管理這個新客戶專案的入職流程」。根據初始會議的內容，它可以獨立識別出需要工作說明書（SOW），在沒有被明確告知的情況下起草它，甚至可能將其提交內部審批。SeaMeet的工作流程雖然效率很高，但仍然依賴人類「參與其中」，觸發每個主要的會後行動。缺乏詳細說明自主任務委派或完成功能的公開文件，進一步支持了該系統作為先進的、命令驅動的助手而非完全自主代理運作的評估。33

6.3 戰略背景：SeaMeet在Seasalt.ai更廣泛生態系統中的定位

要全面了解SeaMeet的定位，必須將其置於其母公司Seasalt.ai的更大戰略框架中進行考量。Seasalt.ai成立於2020年，定位為一個專注於中小企業（SMBs）的一體化聯絡中心和AI自動化平台。22 該公司更廣泛的產品套件旨在自動化各種業務溝通和運營工作流程。這包括用於24小時客戶支援的AI驅動語音機器人和聊天機器人、自動預約排程、潛在客戶資格鑑定與路由，以及通過統一收件匣管理全通路通訊（例如WhatsApp、SMS、語音）。22

在這個生態系統中，SeaMeet作為專注於內部和面向客戶的會議智慧的關鍵組件。它通過捕獲和結構化會議中產生的有價值數據，補充了公司的外部通訊自動化工具。這與公司的總體使命相一致，即為中小企業市場提供易於獲得的端到端AI自動化解決方案，該市場 segment 可能缺乏構建或整合更複雜企業級系統的資源。38

6.4 市場定位：「原型代理式」差異化因素

將SeaMeet定位為「代理式」的決策是一個經過深思熟慮且戰略上明智的舉措。在競爭激烈的會議轉錄和摘要工具市場中，「代理式」標籤是一個強大的差異化因素。它向潛在客戶表明，該產品提供的功能超越了標準生成式AI，利用了業界對自主系統日益增長的熱情。

對這類工具更精確的分類可能是**「原型代理式」（proto-agentic）或「代理輔助式」**（agent-assisted）。這些系統代表了從純粹生成式工具到完全自主代理之間的中間階段。它們擅長自動化複雜的多步驟任務，但仍需要人類觸發來啟動工作流程。這種定位使Seasalt.ai能夠聲稱自己處於技術先進的地位，而無需開發出具有完全主動性、目標導向能力的系統。

這一案例研究揭示了AI商業化的一個更廣泛趨勢。隨著「代理性」（agency）等新的強大概念獲得關注，行銷用語往往先於技術的完全成熟。企業正策略性地採用這一術語來塑造其產品的感知並吸引市場關注。對於企業領導者和技術評估者而言，這強調了對這些概念建立細緻理解的至關重要性。僅憑表面接受行銷主張已不再足夠；相反，需要對產品的真實運作模式——其主動性、適應性和目標導向性的程度——進行深入分析，才能做出明智的採購和戰略決策。

7.0 戰略要務與未來展望

從生成式AI到代理式AI的演進不僅是一項漸進式的技術進步，更是企業利用人工智慧創造價值方式的根本性轉變。這一轉變需要企業領導者做出主動且經過深思熟慮的戰略回應。應對這一新領域需要清楚了解當下的機遇、制定戰略採用計劃，並對相關風險和倫理考量保持謹慎態度。

7.1 採用建議：應對AI新領域

對於希望利用這一不斷演進的AI格局的組織而言，建議採用務實的雙管齊下策略。

首先，企業應立即採用並擴大生成式AI的使用，以實現可證明的生產力提升。該技術已足夠成熟且易於獲得，可部署於各個職能部門，以自動化內容創作、加速研究和數據合成，並協助軟體開發。4 這不僅能帶來短期投資報酬率（ROI），還有助於在組織內建立基礎性的「AI就緒」文化，讓員工熟悉人機協作。

第二，領導者必須開始策略性地實驗代理式人工智慧（Agentic AI）。這應從識別定義明確、影響力大且適合由自主或半自主代理自動化的業務流程開始。在 IT 服務管理、客戶支援票務解決或供應鏈監控等領域的早期使用案例，可作為寶貴的試點專案，以建立內部專業知識並展示代理式工作流程的潛力。17

無論是哪種範式的成功實施，尤其是代理式人工智慧（Agentic AI），都取決於幾個關鍵的先決條件：

資料準備度： 人工智慧代理的有效性取決於它們能夠存取和處理的資料。組織必須投資建立一個乾淨、管理完善且可存取的企業資料基礎架構。這個「人工智慧就緒」的資料基礎對於使代理能夠做出準確、情境感知的決策至關重要。30
安全性與治理： 代理式人工智慧（Agentic AI）的能力與其與企業系統的深度整合及其對敏感資料的存取直接相關。這帶來了深遠的安全和隱私風險。20 強大的安全協定、存取控制和透明的稽核軌跡不是可選的，而是基本要求。具有明確防護措施和監督的「人在迴路中（human-on-the-loop）」治理模式對於減輕風險並確保代理可靠且安全地運作至關重要。15
倫理考量： 人工智慧代理依據演算法和資料運作；它們並不具備對人類價值觀、倫理或道德的先天理解。這帶來了重大的意外後果風險，尤其是在醫療保健、金融或執法等高風險領域。20 組織必須主動設計並測試其代理式系統的公平性、偏差性以及與人類價值觀的一致性，以確保它們的行為不僅有效，而且負責任。

7.2 人工智慧代理的發展軌跡：未來之路

代理式人工智慧（Agentic AI）的發展仍處於早期階段，但其發展軌跡指向一個日益複雜和整合的自主系統的未來。目前專注於單一或小群體代理處理特定工作流程的情況，可能會演變為大規模、去中心化的多代理系統。在這個未來願景中，具有多樣專長的異質代理——有些由企業擁有，有些由合作夥伴擁有，有些由個人擁有——將在一個共同的數位環境中協作，以解決高度複雜、動態的問題。40

這種技術進步將對工作性質和組織結構產生深遠影響。正如世界經濟論壇所強調的，強調複雜決策、問題解決和戰略監督的角色在全球經濟中變得越來越重要。41 代理式系統的興起將加速這一趨勢，自動化現代企業的大部分認知「管道」，並將人類角色提升到戰略、創造力和治理的層面。

最終，從生成式系統到代理式系統的轉變標誌著人機合作演進中的一個關鍵時刻。它正在將人工智慧從我們指示的工具轉變為我們賦權的合作者。對於成功應對這一轉變的企業而言，回報將是運營靈活性、韌性和創新性的新層次，為一個由人類和機器智慧無縫整合所定義的未來鋪平道路。

引用文獻

en.wikipedia.org，擷取於 2025年9月6日，https://en.wikipedia.org/wiki/Generative_artificial_intelligence
What is Generative AI? - University Center for Teaching and Learning，擷取於 2025年9月6日，https://teaching.pitt.edu/resources/what-is-generative-ai/
Generative Artificial Intelligence | NNLM，擷取於 2025年9月6日，https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
What is Generative AI? - Gen AI Explained - AWS - Updated 2025，擷取於 2025年9月6日，https://aws.amazon.com/what-is/generative-ai/
Explained: Generative AI | MIT News | Massachusetts Institute of Technology，擷取於 2025年9月6日，https://news.mit.edu/2023/explained-generative-ai-1109
Agentic AI vs. generative AI: The core differences | Thomson Reuters，擷取於 2025年9月6日，https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
Agentic AI vs. generative AI - Red Hat，擷取於 2025年9月6日，https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
What is Generative AI? - IBM，擷取於 2025年9月6日，https://www.ibm.com/think/topics/generative-ai
10 Top Generative AI Tools for 2025: Today’s Creative Powerhouses - eWeek，擷取於 2025年9月6日，https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
What is Generative AI? Examples & Use Cases - Google Cloud，擷取於 2025年9月6日，https://cloud.google.com/use-cases/generative-ai
www.google.com，擷取於 2025年9月6日，https://www.google.com/search?q=generative+ai+applications
Agentic AI vs Generative AI - Which Should You Use? - Atera，擷取於 2025年9月6日，https://www.atera.com/blog/agentic-ai-vs-generative-ai/
en.wikipedia.org，擷取於 2025年9月6日，https://en.wikipedia.org/wiki/Agentic_AI
What is agentic AI? Definition and differentiators - Google Cloud，擷取於 2025年9月6日，https://cloud.google.com/discover/what-is-agentic-ai
What is Agentic AI? - Agentic AI Explained - AWS - Updated 2025，擷取於 2025年9月6日，https://aws.amazon.com/what-is/agentic-ai/
What Is Agentic AI? | IBM，擷取於 2025年9月6日，https://www.ibm.com/think/topics/agentic-ai
What is Agentic AI? | UiPath，擷取於 2025年9月6日，https://www.uipath.com/ai/agentic-ai
What is Agentic AI? | Salesforce US，擷取於 2025年9月6日，https://www.salesforce.com/agentforce/what-is-agentic-ai/
Agentic AI vs Generative AI: Understanding Key Differences - ThoughtSpot，擷取於 2025年9月6日，https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
What you need to know about AI agents - CSAIL Alliances - MIT，擷取於 2025年9月6日，https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
GenAI vs. Agentic AI: What Developers Need to Know - Docker，擷取於 2025年9月6日，https://www.docker.com/blog/genai-vs-agentic-ai/
Stop Juggling Apps. Unify Every Customer Call, Text, WhatsApp, and Chat in One Simple Inbox. - Seasalt.ai，擷取於 2025年9月6日，https://seasalt.ai/en/
What are AI agents? Definition, examples, and types | Google Cloud，擷取於 2025年9月6日，https://cloud.google.com/discover/what-are-ai-agents
10 Agentic AI Use Cases for Contact Centers - CX Today，擷取於 2025年9月6日，https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
6 Agentic AI Examples and Use Cases Transforming Businesses - Moveworks，擷取於 2025年9月6日，https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
AI Agent Use Cases - IBM，擷取於 2025年9月6日，https://www.ibm.com/think/topics/ai-agent-use-cases
21 Agentic AI Use Cases & Examples Shaping the Future of AI - Akka，擷取於 2025年9月6日，https://akka.io/blog/agentic-ai-use-cases
14 real-world agentic AI use cases - Valtech，擷取於 2025年9月6日，https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
40+ Agentic AI Use Cases with Real-life Examples - Research AIMultiple，擷取於 2025年9月6日，https://research.aimultiple.com/agentic-ai/
AI-powered agents in action: How we’re embracing this new ‘agentic’ moment at Microsoft，擷取於 2025年9月6日，https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
SeaMeet: Take ChatGPT Meeting Note Real-Time - Chrome Web Store，擷取於 2025年9月6日，https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
SeaMeet | Agentic Meeting Copilot for Highly Productive Individuals & High Performance Teams，擷取於 2025年9月6日，https://seameet.ai/
FAQ - Seasalt.ai，擷取於 2025年9月6日，https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
Seasalt.ai SeaMeet Reviews, Ratings & Features 2025 | Gartner Peer Insights，擷取於 2025年9月6日，https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
Uncover business opportunities in recordings with SeaMeet，擷取於 2025年9月6日，https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
Seasalt.ai | Omni-Channel Contact Center for Small Businesses - Seasalt.ai，擷取於 2025年9月6日，https://seasalt.ai/
AI Automation Solutions - Seasalt.ai，擷取於 2025年9月6日，https://seasalt.ai/en/solutions/ai-automation
Haptik launches ‘AI for All’ to bring enterprise-grade AI Agents to SMBs，擷取於 2025年9月6日，https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
DIGITIMES Biz Focus - Taiwan Tech Arena，擷取於 2025年9月6日，https://www.digitimes.com/biz/index.asp?topic=617
Business meet Agentic AI: Confidence in autonomous and agentic solutions - Capgemini，擷取於 2025年9月6日，https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
IITM Pravartak and Emeritus Launch Professional Certificate Programme in Agentic AI and Applications，擷取於 2025年9月6日，https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
IITM Pravartak and Emeritus Launch Professional Certificate Programme in Agentic AI and Applications，擷取於 2025年9月6日，https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614

從生成到代理：剖析人工智慧的下一波浪潮及其在企業工作流程自動化中的體現

目錄