AI Agent 是什麼？香港企業應用完整指南：定義、RPA 分別、成本與風險

過去一年，香港企業管理層幾乎每次開會都會聽到「AI Agent」這個詞。但多數人講的其實是聊天機械人、是自動化流程，甚至只是把 ChatGPT 接上 Slack。真正的 AI Agent 是什麼、它跟現有工具差在哪、香港企業導入要考慮什麼，本文用可查證的官方定義與公開案例逐一講清楚。

以下內容由 ADWire Agency 團隊整理，結合香港本地實戰經驗與最新行業數據。

一、為何 2026 年突然人人都講 AI Agent

2023 年企業談生成式 AI，場景幾乎都是「開一個對話框，員工自己打問題」。2024 年開始，模型支援工具呼叫（tool use）與結構化輸出，AI 由「答問題」變成「做動作」。到 2025 至 2026 年，重點轉向讓模型自行拆解任務、決定用哪個工具、出錯時自己修正，這就是 AI Agent 的雛形。

推動這股熱潮的，一部分是預測數字。Gartner 於 2025 年 8 月 26 日的新聞稿預測，到 2026 年底將有 40% 的企業應用整合任務專用的 AI agents，而 2025 年這個比例不足 5%（Gartner，2025）。同一年，PwC 於 2025 年 5 月發表、涵蓋 300 名美國高管的調查指出，88% 受訪者因 agentic AI 打算增加 AI 預算，79% 稱已在採用 agents（PwC，2025）。

但熱度與落地程度是兩回事。McKinsey 的《State of AI》調查顯示，企業層面的實驗遠多於規模化部署（McKinsey，2025-11）。換句話說，你現在聽到的大量「AI Agent 成功案例」，多數仍在試點階段。理解這一點，對判斷供應商報價與承諾非常重要。

二、AI Agent 的準確技術定義

「AI Agent」目前沒有單一權威定義，不同機構的側重點不同。要判斷一個方案是否真的是 Agent，最實際的方法是同時看三份定義。

來源：IBM、Anthropic、UiPath

Anthropic 的分界線最值得香港技術決策者記住：如果流程路徑是你預先寫好的，那是 workflow；如果路徑由模型即時決定，那才是 agent。這條線同時決定了成本可預測性與測試難度——預先定義的路徑可以逐段測試，動態路徑則要靠評估集與護欄來控制。

三、與普通 Chatbot 的分別：Gartner 的 agentwashing 警告

市面上大量標榜「AI Agent」的產品，實際上只是 AI 助理：需要人手逐句輸入、不能獨立運作、不會自己決定下一步。Gartner 把這種現象稱為 agentwashing，並指出最常見的誤解，正是把這類 AI assistants 稱為 agents（Gartner，2025-08-26）。

對採購方而言，這不是名詞之爭，而是報價與期望管理的問題。一個只會按提示回覆的聊天機械人，與一個能自行讀取 CRM（客戶關係管理系統，Customer Relationship Management）、比對條款、發出電郵、遇異常時停下來問人的系統，開發工時、維護責任與風險等級完全不是同一個量級。辨別方法很簡單：問供應商「這個系統在沒有人打字的情況下，會自己啟動下一步嗎？」如果答案是不會，那它就不是 Agent。

四、與 RPA 的分別：不是取代，是互補

RPA（機械人流程自動化）依預先定義的規則運作：畫面在哪個位置、按哪個按鈕、填哪一欄，全部寫死在流程裡。它的優點是穩定、可預測、易審計；缺點是遇到規則外的情況就卡住，介面一改就要重寫。

AI Agent 補上的正是這一段。UiPath 的說明指出，agent 負責推理、解讀與規劃，而 robots 與 API 負責執行，兩者是互補關係（UiPath）。在實務上，這意味著成熟的企業架構會是：Agent 讀懂一封格式混亂的供應商電郵、判斷屬於哪類採購、抽出關鍵欄位，然後交由既有的 RPA 流程把資料準確寫入 ERP。

五、運作架構：三套主流框架

IBM：目標、推理、反思三階段

IBM 把 Agent 的運作拆成三階段：先做目標初始化與規劃，再以工具進行推理執行，最後進入學習與反思，並在其中保留 human-in-the-loop 的人工介入點（IBM）。第三階段最常被忽略，但對企業最關鍵：它決定了系統能否從失敗中累積經驗，以及人能否在關鍵節點叫停。

UiPath：感知、推理、行動、回饋四步迴圈

UiPath 用一個迴圈描述 Agent：Perception（感知環境）→ Reasoning（朝目標推理）→ Action（執行動作）→ Feedback Loop（回饋修正），然後再回到感知（UiPath）。迴圈的意思是同一個任務可能要來回數次，這也直接解釋了為何 Agent 的 token 消耗會遠高於單次問答。

Anthropic：積木與五種編排模式

Anthropic 的切入點是工程組件：基本積木是 augmented LLM，即在模型之上加上檢索（retrieval）、工具（tools）與記憶（memory）。在此之上有五種常見模式：prompt chaining（提示鏈）、routing（路由分流）、parallelization（並行處理）、orchestrator-workers（主導者與工作者）、evaluator-optimizer（評估者與優化者）（Anthropic）。

這五種模式對香港團隊的實際意義是：你不一定要由最複雜的 orchestrator-workers 開始。多數企業的第一個可用方案，其實是 prompt chaining 加 routing——把一個流程拆成幾段固定步驟，再按輸入類型分流。這類方案的開發與測試成本，遠低於讓模型完全自由規劃。

六、企業實際應用場景與真實案例

目前公開且可查證的案例，集中在客服、文件處理、資料查詢與審批四類。

來源：Klarna、Salesforce、IBM、香港特區政府施政報告、政府新聞公報

七、市場數據：數字差距極大，因為定義不同

來源：MarketsandMarkets、Gartner、Deloitte、PwC、McKinsey

這張表最重要的一行不是數字，而是「定義範圍」一欄。各機構對「AI agent 市場」的定義不同：有的計軟件與服務市場規模，有的計企業應用內的功能滲透率，有的計已用 GenAI 企業中的部署比例，有的只是高管問卷的自我申報。把 526.2 億美元與「40% 企業應用」放在同一句話裡比較，是沒有意義的。

八、導入成本結構：為何報價難以預先確定

Agent 的成本由三部分組成：模型 API 用量、平台或授權費，以及開發與維護工時。其中模型用量是最難預估的一塊。

以 Anthropic 的 API 定價為例，每百萬 token 計：Sonnet 輸入 2 美元、輸出 10 美元；Opus 輸入 5 美元、輸出 25 美元；Haiku 輸入 1 美元、輸出 5 美元（Anthropic 定價頁）。Anthropic 的成本文件則給出企業部署的參考水平：平均每名開發者每活躍日約 13 美元、每月 150 至 250 美元，90% 用戶每活躍日低於 30 美元（Anthropic 成本文件）。

但把單價乘以用量並不準確。Stanford Digital Economy Lab 於 2026 年 5 月發表的研究指出，agentic 任務的 token 消耗可比一般程式對話多達 1,000 倍，同一個任務的成本可以相差 30 倍，而且 agents 無法準確預測自身成本（Stanford Digital Economy Lab，2026-05）。Gartner 於 2026 年 8 月 17 日的新聞稿亦預測，每個 agentic workflow 的推理成本在 2028 年前將增加逾五倍（Gartner，2026-08-17）。

平台收費方面，Salesforce Agentforce 採用 Flex Credits，定價為 500 美元 100,000 credits，附加元件為每用戶每月 125 美元（Salesforce 定價頁）。

九、風險與治理：先設計叫停機制

Agent 的風險與一般生成式 AI 不同之處，在於它會「動手做」。回覆錯了可以改，動作發出了未必收回得到。國際上已有多套框架可直接借用。

NIST 的 AI 600-1（2024 年 7 月）列出生成式 AI 的 12 個風險類別，包括 Confabulation（幻覺）、Data Privacy（資料私隱）與 Harmful Bias（有害偏見）（NIST AI 600-1，2024-07）。NIST AI RMF 1.0 則提供四個核心功能：Govern、Map、Measure、Manage（NIST AI RMF 1.0）。

針對 Agent 的權限問題，NIST NCCoE 於 2026 年 2 月發表的文件提出三項原則：最小權限、human-in-the-loop 授權、審計與不可否認性（NIST NCCoE，2026-02）。OWASP 亦於 2025 年 2 月發布《Agentic AI – Threats and Mitigations》（OWASP，2025-02）。

人工覆核的設計可以參考 Salesforce 的做法：當客戶要求轉真人，或出現不滿、粗言等軟性訊號時，系統觸發交接，並把完整對話脈絡一併轉交（Salesforce）。這比單純的「轉人工」按鈕更有價值，因為接手的人不必從頭問一次。

Klarna 的 2025 年轉向，是治理設計重要性的最直接證明。同一套系統在 2024 年交出亮眼數字，公司其後仍要重新招聘人手處理客服（Customer Experience Dive）。對香港企業的啟示是：Agent 適合處理量大、重複、判斷空間窄的工作，而涉及情緒、例外與責任的環節，人仍然要留在流程裡。

十、香港及亞太政策環境

香港目前沒有針對 AI Agent 的專門法規，但相關指引與政府內部應用已陸續出台。

在指引層面，數字政策辦公室於 2025 年 4 月 15 日發布《香港生成式人工智能技術及應用指引》（政府新聞公報，2025-04-15）。金融業另有更嚴格的要求：金管局於 2024 年 8 月 19 日發出通函，就認可機構在客戶服務中使用生成式 AI 提出消費者保障原則（HKMA 通函，2024-08-19）。

在政府自身應用層面，2025 年施政報告成立 AI 效能提升組，計劃於 2026 年內推出涵蓋 100 個政務環節的 AI 工具，並在 2027 年底前增至不少於 200 個（施政報告 2025）。2025-26 年度財政預算案預留 10 億元成立香港人工智能研發院（財政預算案 2025-26）。截至 2026 年 1 月 21 日的立法會資料顯示，創新及科技基金累計批出逾 14 億元資助 AI 相關項目（政府新聞公報，2026-01-21）。

企業端的準備程度則有明顯落差。生產力局於 2025 年 9 月發表的調查涵蓋約 800 間企業，結果顯示 88% 員工在日常工作中使用 AI，45% 企業設有正式 AI 平台，但 54% 沒有完善的治理政策，而首要挑戰是缺乏 AI 專才（HKPC，2025-09）。

值得注意的是中小企的風險觀感正在轉變。QBE 訪問 600 名決策者的調查顯示，57% 有使用 AI，但視 AI 為業務威脅的比例由前一年的 31% 升至 47%，另有 69% 擔憂私隱及職位流失（QBE 調查）。要補充的是，香港目前沒有政府統計處的企業 AI 採用率統計，上述數字全部來自機構調查，樣本與方法各有不同。

若你的 AI 方案需要配合系統或手機 App 落地，可參考我們對 香港 App 開發成本結構 的分析；想同時做好搜尋與 AI 曝光，可看 GEO 完整指南。

十一、常見問題

十二、總結

回到最初的問題：AI Agent 是什麼？它是讓大型語言模型由「回答」走向「執行」的一層架構，核心特徵是自行決定流程與工具使用。它與聊天機械人的分界在於是否自主運作，與 RPA 的分界在於規則由誰定——而兩者在實務上是互補的。

市場數據熱鬧，但 McKinsey 的調查提醒我們，真正規模化的企業仍是少數。Klarna 的案例與其後轉向，也說明 Agent 的價值在於處理高重複、判斷空間窄的工作，而不是全面取代人。香港企業若要起步，務實的路徑是：選一個高重複、低風險、有清楚人手覆核點的流程，用 prompt chaining 加 routing 這類相對簡單的模式先跑通，量度實際 token 用量與人手投入，再決定是否擴大。

如果你正考慮把 AI 導入現有工作流程，但不確定從哪個環節開始，可以先了解我們的AI 應用與工作流程自動化服務，我們會按你的實際流程評估可行性與成本結構。

如果你仍處於評估階段，未確定應該找 AI Agency、純技術供應商，抑或只需處理流程自動化，可以先看我們的AI Agency 服務：定位與選擇指南，裡面說明三類供應商的分工、收費模式與判斷標準。