模式六：AI 優先能力

以客服為核心建構單位設計新能力，而非對現有工作流程的改造。 這些能力在人工智慧出現之前是不可能的。 他們會透過回饋、學習和持續優化來持續進步。

在此模式中，代理人處於感性-決定-行動循環中：持續監控訊號、在邊界內自主決策、執行行動並從結果中學習。 這些系統不是助理。 它們是創造新商業價值的智慧系統。

Note

這種模式與其他五種模式的不同，在於性質上的差異，而不只是程度上的差異。 沒有既有流程可供對照，沒有可據以改進的基準，也沒有可為設計提供指引的現行工作流程。 你必須打造一切，包括如何衡量成功。

這個模式是什麼

以 AI 為先的業務能力，始於一個其他模式從未提出過的問題：有哪些事是我們以前根本做不到的？ 答案不是把現今的工作做得更快。 這是一種新能力，通常是自主迴圈，能感知情境、決策並行動，且隨時間自我提升。 代理是這項能力的基本構成要素，而不是硬加在既有流程上的附加功能。

此模式是「從協助到執行的轉變」中，執行面向最深層的體現。 因為沒有先例，你必須自己發明設計、護欄和措施。

代理人的工作內容

此模式中的代理超越執行定義的工作流程，而是自主運作：

  • 持續優化引擎：定價、庫存、排程。
  • AI 原生決策迴圈：詐欺偵測、異常回應、自適應路由。
  • 市場感知平台：競爭監控、趨勢分析、機會識別。
  • 預測性規劃系統：需求預測、容量規劃、風險建模。
  • 自主工作流程產生：代理設計並優化自己的流程。
  • 多代理協調：由專業代理協調的團隊共同解決複雜問題。

這些能力創造了沒有 AI 無法存在的價值。 它們不是現有流程的更快版本。 它們確實是全新的。

人類的行為

人類扮演產品擁有者的角色。 他們定義目標、設定邊界、監控成果，並做出能力演進的策略決策。 他們不做這項工作。 相反地，他們管理的是實際執行該工作的系統。

這種角色轉變是所有模式中最重要的。 負責任的人即使不親自執行工作，也要對結果負責。 它們：

  • 定義自主系統的成功標準與成果指標。
  • 設定代理人運作的界線（並隨著信任建立而調整）。
  • 監控學習迴圈，確保能力朝正確方向提升。
  • 就何時擴大代理人自主權做出策略性決策。
  • 隨著能力日趨成熟，持續治理負責任 AI 實務。

操作模型的運作方式

成功部署此模式需要在四個面向進行調整：

Dimension 之前 之後
人員 執行任務的操作員 產品負責人管理能力
代理程式 執行預先定義的步驟 感性-決定-行動自主迴圈
治理 合規檢查 生命週期內嵌控制，具備持續監控
Metrics 吞吐量與效率 策略性選擇性 + 學習速率 + 適應速度

目標成熟度輪廓

此模式要求五項能力驅動程式達到最大成熟度。 沒有捷徑。

成熟度概況

能力驅動因素 目標層級 原因為何
科技與數據 500（效率） 打破規模限制者。 多代理協調、即時遙測與學習基礎設施。
AI策略與經驗 500（效率） 能力就是策略，並以持續迭代的方式運行。
商務策略 500（效率） 一項具備自適應、自主流程的新商業能力。
治理和安全性 500（效率） 預測性風險管理與自動系統的持續合規。
組織與文化 500（效率） 一個自我維持的社群，以及能夠發明並運用新事物的學習文化。

關鍵洞察：此模式要求所有能力達到最高成熟度。 沒有既有流程可供對照，沒有基準可用來衡量改善幅度，也沒有既有的工作流程可作為設計指引。 一切都必須被建立起來，包括如何衡量成功。

突破規模的關鍵：技術與數據，特別是多代理協調、即時遙測與學習基礎建設。 缺乏堅實的技術基礎，自主能力將變得不可預測且難以治理。

AI 優先能力以產品形式擁有，跨越多個領域，且需要分散式產品團隊在共享標準下運作。 CoE提供架構模式、負責任的AI框架及協調標準。 它沒有集中提供服務。

Tip

此模式成敗的關鍵角色，是 Agent 產品擁有者。 這是一個產品，不是專案。 它需要產品管理的紀律：路線圖、待辦清單、成功的定義，以及致力於長期演進的團隊。 沒有這個角色，能力只能建立一次，且無法再提升。

在 《建立代理型卓越中心》中，了解更多關於結構、角色與風險分級治理的資訊。

你需要什麼、不需要什麼

您需要：

  • 產品擁有權與專責團隊：每個能力都需要一位產品負責人及具備使命、技能與持續性以持續發展的團隊。 這個開發計畫不會結束。
  • 自主界限與持續監控：定義明確的界限，隨著信任建立而調整。 先保守一點，然後根據證據擴展。
  • 持續學習迴圈：能力透過每次互動不斷提升。 在設計之初就要將學習納入考量，因為事後再加入會困難得多。
  • 嵌入式負責任的 AI 實踐：倫理與安全必須內建於架構中，而非部署後才強行加裝。 此方法包括偏見測試、公平性評估及可解釋性設計。
  • 具備失效保護機制的實驗文化：團隊需要有嘗試新方法的授權，並在事情出錯時有明確的安全防護機制。 懲罰失敗的文化無法建立學習系統。
  • 多代理架構：若你的能力涉及協調代理，從一開始就設計代理間協調。 多代理架構的後期調整成本很高。

你不需要：

  • 增量自動化：這種模式不是要讓現有流程快 10%。
  • 中央 IT 交付：這些能力需要具備領域專業知識的專屬產品團隊。
  • 改造現有工作流程：從零開始設計以實現 AI 原生執行。 舊有的工作流程限制了可能性。
  • 一次性建置：這些能力必須持續學習與改進。 不學習的能力會隨時間退化。
  • 傳統專案管理：使用產品管理並進行實驗週期。 里程碑與交付成果並不是適用於學習系統的正確治理模型。

大規模負責任的人工智慧

AI 優先功能代表自主式 AI 運作的最前線。 負責任的 AI 實踐在這裡尤其關鍵，因為：

  • 代理人在即時運作中具有高度自主性，且僅有有限的人為監督。
  • 錯誤可能在人類介入前以機器速度傳播。
  • 學習系統在優化過程中可能會發展出意想不到的行為。
  • 這種影響的規模，無論是正面還是負面，都比其他任何模式都大。

從第一天起就將負責任的 AI 內建於你的架構中：

  • 可解釋性：你能理解系統為何做出特定決定嗎？ 否則，你就無法偵測或修正漂移。
  • 偏見監控：持續評估學習是否強化偏見或造成不公平結果。
  • 回滾功能：如果學習更新出錯，能否回復到先前的狀態？
  • 人為覆蓋：即使在完全自主的系統中，也要定義人類可以介入的條件，以及該介入如何執行。

想了解更多，請參閱 「應用負責任的人工智慧原則」。

價值與成功指標

這裡的價值在於存在一項先前不存在的能力，以及它所帶來的新成果。 以價值創造與存在指標為首，而非效率百分比，因為沒有先前的基準可供改進。

價值是什麼樣子

  • 這些在 AI 出現之前不可能的新能力。
  • 新的收入、服務或商業模式。
  • 以任何人工流程皆無法企及的速度與規模自主回應。
  • 隨著能力持續學習並不斷提升而累積擴大的優勢。

需追蹤的成功指標

Category 範例指標 它告訴你的
價值創造（標題） 創造新的營收或商業模式、能力存在（「我們現在能做到X了嗎」）、解鎖新的觸及範圍 這項能力是否能創造出以前不存在的價值。
自治與循環 從訊號到行動的決策延遲、自主任務完成率、迴路吞吐量與規模、每個自主任務的單位成本 感官-決定-行動迴圈是否能以機器速度和規模運作。
品質與安全 評估、根據性和安全性分數，以及升級率與後援率 自動系統在運作過程中是否保持正確與安全。
創新吞吐量 新能力推出的時間、生產中的能力數量、跨場景重複使用的時間 你是否能反覆抵達邊境，而不只是一次。
Governance 受管理身份代理的份額、政策合規率、影子代理數量 隨著成長，自治區是否仍受治理。

如何測量

  • Microsoft Foundry 的評估與可觀察性追蹤代理行為，並評分品質與安全性，這在沒有基準的情況下尤為重要。
  • 一開始就定義成功的衡量標準，因為這項能力是前所未有的。 在上線前，先定義「良好」的樣貌。
  • Microsoft Agent 365 可治理並測量自主生態系，包括身分識別與影子代理探索。

Tip

不要用舊有的效率指標來評斷全新能力。 「我們節省了多少時間」假設了一個根本不存在的過程。 衡量該能力是否已存在、它創造了哪些新價值，以及自主迴路的安全性。 在建立能力的同時，也要設計對應的衡量方式。

常見的反模式

這方面的失敗往往來自於將邊境工作當作正常專案來對待。

反模式 外觀 怎麼辦
偽裝生產力 所謂的「全新」功能，其實是既有任務，只是把它加快了。 測試這個想法：在 AI 之前，你能做到這點嗎？ 如果是，那就屬於另一個模式。
新工作上的舊指標 成功是根據節省的時間與不存在的基準來衡量的。 事先定義存在與價值創造的衡量標準。
在地基尚未準備好前就開始建造 這些能力會在技術、數據與治理尚未成熟之前就啟動。 基礎設施無法支援所需的學習迴路、遙測和監控，因此系統無法預測，無法清楚知道其行為原因。 首先要達到科技、數據與治理的成熟度。 在建置能力之前，先建置協調流程、即時遙測和學習迴圈。
無障礙學習 系統從操作數據中學習，無需監督，強化非預期模式、優化錯誤目標，或放大數據中的偏見。 在啟用學習前，先定義系統應該學習什麼、不應該學習什麼，並持續監控。
沒有發明護欄 安全邊界是從不符合的其他模式中假設出來的。 專門為這項功能設計護欄，因為沒有先例。
負責任的 AI 評審預計在發射後進行 團隊計畫待該能力獲得驗證後，再著手處理負責任的 AI 相關議題。 屆時架構已固定，變革成本也高昂。 從一開始就納入負責任的 AI。
應用於產品的專案思維 團隊達成「上線」里程碑，並認為工作已完成。 能力沒有被維護，學習迴路也沒有被監控，系統會隨時間退化。 把它當成一個有無限期管理承諾的產品，而不是一個在上市時就結束的專案。
無政府實驗 邊境特工在沒有身份或監督的情況下大量增加。 從一開始就用管理身份和登錄系統來治理。

客戶案例

這些已發表的 Microsoft 客戶案例說明了如何藉由具備可靠依據且可提供引證的 AI 代理來擴展專業知識，同時仍由人員負責。

客戶 報告結果
Microsoft（Ask Microsoft） 由以特定內容為基礎的專業子代理人組成的多代理人系統，可將延遲最多降低 61%，將轉交人工處理的次數最多減少 70%，且積極互動的訪客更有可能註冊。
富士通 複合人工智慧協調多個專業代理和一個編排代理，這些代理會「作為團隊」回應。這種多代理架構，在傳統生成式人工智慧中並不存在，讓提案的產生效率提升了67%。
量子資本集團 利用 Azure 上的地理空間優化和 Copilot Studio 查詢代理，將現場開發情境規劃從三週縮短到 20 分鐘。
Physics Wallah 支援兩百萬名學生，使用「Gyan Guru」AI 導師於 Azure OpenAI 平台。
勞斯萊斯 利用預測人工智慧在Azure Databricks與Microsoft Cloud for Manufacturing上，機器使用率提升了30%。
雅詩蘭黛公司 透過 Copilot Studio 和 Azure OpenAI 上的「ConsumerIQ」代理，將消費者洞察的出現時間從數週縮短到幾分鐘。

Microsoft 適用於此模式的代理式能力

以下範例突顯了與 AI 優先能力特別相關的能力。 將這些範例作為起點，將能力與您的情境及使用者區隔匹配，然後探索 Microsoft 代理生態系統以了解完整全貌。

建立能力

接地、連接並觀察

出貨前請先評估和測試

在這種自主性與複雜度的層級，持續評估是核心工程學科，而非上市前的檢查清單。

  • Copilot Studio 中的代理評估會進行結構化評估，針對品質面向（如準確性、穩定度及任務完成度）給予回應評分。 利用它在每次變更前後驗證代理在各種輸入情況下的行為，包括邊界情況與對抗性情境。
  • Copilot Agent Kit（前稱 Copilot Studio Kit）透過批量測試、自動回歸執行及評分儀表板擴展測試覆蓋範圍。 對於隨時間進步的 AI 優先系統，可重複且可稽核的評估證據對於隨著能力演進維持信任至關重要。

如何知道自己準備好了

此模式適用於處於最高成熟度的組織。 可在以下情況考慮使用：

  • 你有先進的團隊能夠設計、運行並改進自主系統。
  • 你有技術基礎：多代理協調、即時遙測和學習迴路。
  • 你可以在原本沒有這些機制的情況下，制定防護機制和成功衡量標準。
  • 您可以透過受控識別和持續合規性，治理自主版圖。
  • 你已經能夠很好地執行其他幾種模式。

下一步

參加特務準備度評估

或探索完整的 代理式人工智慧採用成熟度模型。

更詳細地探索其他模式：

  • Last updated on