舉個例子。一家做金屬零件的公司想改善客服，三家廠商來簡報，投影片上都寫著「Agentic AI 平台」。聽完才發現三家做的是三種東西：第一家是接上常見問答的聊天機器人；第二家是原本的 RPA，多了一個用 AI 摘要信件的步驟；第三家的系統會自己查訂單、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。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、能動哪些系統、在哪裡停下來讓人確認。這篇整理各家怎麼定義 Agentic AI、它和 AI agent 的關係，再用一個退貨流程示範不同的自主程度長什麼樣子。
Agentic AI 是什麼：AI 能自己決定下一步的程度
Agentic AI 常被譯為「代理式 AI」。幾家大廠的定義用詞不同，核心都落在「自主」：
- IBM：能在有限監督下完成特定目標的 AI 系統。
- Google Cloud：著重自主決策與行動的進階 AI，會在底層系統裡執行動作，完成更高層次的目標。
- AWS：能獨立行動、達成預先設定目標的自主 AI 系統，不需要人持續下提示。
拿生成式 AI 對照會比較清楚。請 ChatGPT 寫一封回覆客訴的信，它產出內容，寄不寄、寄給誰由你決定。Agentic 的系統則會繼續往下做：查這位客戶的訂單、看出貨紀錄、判斷要補寄還是退款、在系統裡建單。Google Cloud 的說法是，它超越了內容生成，會在底層系統執行動作。
幾家也描述了類似的運作循環：感知（收集資料）、推理（用大型語言模型分析）、規劃（拆出步驟）、行動（呼叫工具或系統）、反思（依結果調整）。這個循環跑幾輪、中間讓不讓人插手，決定了它有多 agentic。
大型語言模型怎麼運作，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是不是同一件事。各家的說法其實不一樣：
| 來源 | 怎麼區分 | 用一句話說 |
|---|---|---|
| Google Cloud | AI agent 是 agentic AI 的積木，agentic AI 協調多個 agent 完成複雜工作 | 多個 agent 組起來的系統 |
| IBM | agentic AI 描述由多個 agent 合作的系統，個別 agent 負責子任務 | 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 workflow 與 agent | 一個大分類，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，有人指多個 agent 組成的系統，有人指一整個類別，有人指更高的自主程度。所以廠商說「我們是 agentic AI」，你還不知道他的系統實際會做什麼。
拿開頭第三家廠商的系統來看就知道。它只有一個 agent，依 Google Cloud 和 IBM 的說法，嚴格講還稱不上 agentic AI；依 Anthropic 的分法，它是 agentic system 裡的 agent；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「比較自主」。同一套系統，三種定義給出三種答案，對你要不要買它卻沒有任何幫助。
我的建議是把 agentic 當成形容詞來讀：它描述的是一個系統有多少事情由 AI 自己決定。AI agent 是具備這種能力的系統本身。一個 agent 可以很 agentic，也可以只有一點點 agentic，取決於它被設計成什麼樣子。
AI agent 和聊天機器人、RPA、自動化流程的差別，在 AI agent 和聊天機器人、RPA、自動化流程差在哪 有完整的比較，這裡不重複。那篇的結論是「差別在誰決定下一步」，這篇接著往下問：決定權放給 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 年發表一篇論文，依「使用者扮演什麼角色」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 | 核准或處理卡關 |
| 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 |
這篇論文有一句話很值得記住：自主程度可以是開發者刻意做的設計決定，和 AI 本身的能力是兩回事。一個能力很強的 agent，也可以被設計成每一步都先問過你。
用澆花來想：手動澆水壺是你決定何時澆、澆多少；定時滴灌是你先設好規則，它照時間跑；帶土壤探針的自動灌溉器會自己判斷土乾了才澆。三種都能把花養活，差在你交出多少決定權，以及出錯時多久才會發現。
順帶一提，有些中文文章把「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。這五類來自人工智慧教科書對 agent 架構的經典分類，描述的是 agent 內部怎麼做決定，和「人要介入多少」是兩個問題。評估導入時，你要問的是後者。
同一個退貨流程，三種自主程度
光看等級表很抽象。下面拿一個常見的流程示範：客戶寄信申請退貨，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，必要時退款。
權限的部分，對照 AI agent 的權限與人工確認怎麼設 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 | 客服看摘要，自己建退貨單、回信、退款 | 唯讀 | 摘要寫錯，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、擬回信；退款與寄信前停下來 | 客服看確認頁，按同意才寄信、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，事後可刪；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，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 |
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。第三種最 agentic，也最常出現在廠商簡報裡，但它要求你已經很清楚這個流程的所有例外，而且能承受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停下來給人確認。跑一段時間、確認紀錄裡很少被退回，再考慮把個別動作往上放。
選哪個流程先做，可以看哪些企業流程適合先交給 AI agent。
越 agentic，越要先設計好的三件事
自主程度往上調，AI 能做的事變多，出錯的方式也跟著變多。Anthropic 提醒 agent 的錯誤可能一步一步累積：第一步查錯訂單，後面的判斷、建單、回信都會跟著錯。IBM 也提到，多個 agent 串在一起時，一個環節失誤可能連鎖影響整個系統。
所以決定把哪些步驟交給 AI 自己做之前，這三件事要先有：
- 權限：每個工具分級，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，退款留在人手上。
- 確認點：寫清楚在哪些動作前停下來，以及確認頁要顯示什麼，讓審核的人看得出差異。
- 紀錄：每一步讀了什麼、呼叫了哪個工具、帶了什麼參數，出錯時才追得回來。
還有一個風險是 AI 越 agentic 才越明顯的：它會讀客戶來信、網頁、上傳的檔案，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，頂多答錯一句話；能建單、能退款的 AI 被騙，就會真的做錯一件事。這類攻擊怎麼防，可以看 Prompt Injection 是什麼。
廠商說「agentic」時，要問的五個問題
Gartner 在 2025 年 6 月的報告裡提到一個現象，叫「agent washing」：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，實際上沒有多少 agentic 的能力。它估計自稱做 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例子。要分辨，與其問「你們是不是 agentic AI」，不如直接問這五個問題：
- 哪幾步是 AI 自己決定的？ 請對方拿你的流程逐步說明。答不出來，或每一步都是寫死的規則，那是自動化流程加上 AI 步驟。
- 它能動哪些系統？用誰的帳號？ 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？ 能調整確認點的系統，才能從保守開始、慢慢放手。
- 出錯時怎麼追？ 請對方展示一筆操作紀錄：讀了什麼、呼叫了哪個工具、帶了什麼參數、為什麼這樣決定。
- 自主程度能不能往下調？ 同一個系統能不能先只產出草稿、之後再開放寫入。只有「全自動」一種模式的產品，導入初期的風險比較高。
真正 agentic 的系統，這五題都答得出具體內容。答案越模糊，越可能只是換了名字。
要不要在意這個詞
Gartner 同一份報告預測，到 2027 年底，超過四成的 agentic AI 專案會被取消，原因是成本上升、商業價值不清楚，或風險控管不足。它給企業的建議很務實：需要判斷的地方用 agent，例行流程用自動化，單純查資料用助理。
Anthropic 的工程指南也是同一個方向：先找最簡單的解法，需要時才增加複雜度。agent 用更高的延遲和成本換取表現，而且錯誤可能一步一步累積。
所以我的看法是，這個詞不必追。回到開頭老闆的問題，比較好的問法是：「我們這個流程裡，哪一段需要 AI 自己判斷？判斷錯了，我們承受得起嗎？」前半題決定要不要用 agent，後半題決定要給它多少自主。先確認流程哪一段需要判斷，再決定要多 agentic，順序反過來，通常會買到超出需要的系統。
我們能協助的部分
我們的企業 AI 營運方案從需求診斷開始，先深入現場梳理作業細節，確認交付與驗收標準，再做系統串接、在真實業務中驗證後上線。例行作業受規則約束；資料異常或高風險的判斷設計成先暫停，交由專人確認後再執行，哪些動作需要確認，會在上線前和負責的主管一起訂好。
常見問題
Agentic AI 和生成式 AI 是同一件事嗎？
不是同一件事，但有關係。生成式 AI 負責產出內容，例如文字、圖片、程式碼，處理文字的那一類就是大型語言模型（LLM）；Agentic AI 用生成式 AI 的能力去推理和規劃，再透過工具真的執行動作，例如查資料、建單、寄信。可以把生成式 AI 想成它的大腦，Agentic AI 則是有了手腳、能照目標做事的整套系統。
自主程度越高，效果就越好嗎？
看流程。規則清楚、每次結果都要一樣的工作，自主程度高反而讓結果比較難預測，也比較貴。例外多、需要讀非結構化資料的工作，給 AI 多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，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；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？
算使用它的公司。加拿大的 Moffatt v. Air Canada 案裡，航空公司主張官網聊天機器人的說法不該由公司負責，審裁處沒有接受，判公司賠償。AI 能自己做的事越多，這個原則的影響越大，所以對外承諾、動到錢的步驟要留在人手上。案例細節在 AI 幻覺是什麼 有整理。