AI代理人與代理式AI有著技術領域上的差異，AI代理人比較偏向單一可執行的任務，而代理式AI則是可以串連多個不同的任務，而且會再加上ReAct（Reasoning and Acting）的過程，亦即代理式AI會依據其推理來執行它認為該執行的任務。」
面對瞬息萬變的技術演進與激烈競爭，尋找新的方法來滿足客戶需求、提高效率與獲利能力，已成為企業突破重圍的重要關鍵。隨著AI代理人（AI Agent）以及代理式AI（Agentic AI）掀起熱潮，不少企業也開始思考應用落地的可能性。根據Gartner預測，到了2028年，有33%的企業軟體應用程式將包含代理式AI，而2024年僅僅不到1%；此外，至少有15%的日常工作也將在2028年透過自主的代理式AI來做出決策。
儘管看好AI代理人與代理式AI的應用潛力，近期Gartner研究副總裁孫鑫卻提醒企業要小心「Agent Washing」現象，這指的是有些供應商可能會誇大其產品的功能，將現有技術重新品牌化為AI Agent，然而實際上卻未能驗證這些聲稱的Agent真實的能力，從而導致市場混淆並且產生誤導性的投資。他強調，AI代理人並不是大型語言模型，也不是一組指令，更並非自動化軟體中的功能，當然，來自於機器人流程自動化（RPA）的工作流任務也不是AI Agent。
代理式AI才具備多工多推理能力
叡揚資訊系統發展與運帷事業群副總經理符文藻指出，大多數的人對AI代理人或代理式AI的界定並不是很清楚，以為就像科幻電影所描述的一樣，只要說出一個需求，Agent就會利用理解語言的能力去完成這件任務或工作，同時又可以再利用其所具備的大型語言模型（LLM）的推理或創意能力去建議或協助做更多的事情。但實際上AI代理人與代理式AI有著技術領域上的差異，AI代理人比較偏向單一可執行的任務，而代理式AI則是可以串連多個不同的任務，而且會再加上ReAct（Reasoning and Acting）的過程，亦即代理式AI會依據其推理來執行他認為要執行的任務。」
舉例而言，某位使用者打算南下高雄請AI Agent幫忙訂從台北到高雄的高鐵票，但是除了呼叫高鐵定位的API完成訂票動作外，這個Agent還主動查詢高雄的天氣預報，並發現預報指出當天會下雨，於是Agent貼心地提醒使用者要記得帶雨傘，「本來的任務只是訂高鐵票，到最後卻多想一步提醒使用者帶傘，這就應用到了代理式AI的推理與創意能力。」
兩大風險影響AI Agent落地
然而他也提到，以目前的現況而言，不管是訂高鐡票或是提醒帶雨傘的情境，都還是偏理想化的結果，實務上，AI代理人能夠執行多少任務，背後還是需要仰賴工程師賦予該Agent足夠多的能力才有辧法做到。換句話說，工程師們要先把工具的接口都先開發好，以便讓Agent呼叫，然而也因為如此，風險也隨之攀升。
其中一個風險就是資料外洩的疑慮。開發工具的過程中，免不了需要對外串接API，例如想要有查詢天氣預報的能力，就需要呼叫氣象署的API，同樣地想要訂高鐵票，就要呼叫高鐡公司的API。雖然在開發過程中，工程師都會告訴Agent應該要從使用者的話語裡擷取哪些關鍵字，例如城市名、日期等等，但是萬一LLM不小心擷取錯誤的內容，一樣會把這些內容傳送出去並呼叫外部的API。然而，企業原本就是擔心核心任務的資料會外洩，才選擇在地端自建大型語言模型，結果串接外部工具後，反而提高了資料向外傳輸的風險。
叡揚資訊系統發展與運帷事業群副總經理符文藻認為，以目前的技術發展現況來看，企業不該為了AI Agent而AI Agent，在既有的方案中打造類似AI Agent的服務更為可行。
另一個風險則來自於大型語言模型產生幻覺所導致的錯誤。代理式AI依靠的是LLM的理解能力與推理創造的能力。但只要是LLM就會有幻覺的問題，就算是只呼叫企業內部的現有系統，例如原本是要進入某個業務系統查閱客戶的購買記錄，因為呼叫錯誤反而查閱了客戶的退貨記錄，這將導致流程出現混亂，對企業來說也是不樂見的。
「實際上我們的經驗是，當設定的工具越多，Agent的判斷力也會隨之下降。因為Agent在呼叫工具之前，必須要先理解這項工具的用處，當工具太多，Agent就不知道該如何選擇，特別是有些API的定義有點相似的時候，難免會理解錯誤，如同上述的案例，原本是要查閱客戶的購買記錄，卻呼叫了查閱客戶退貨記錄的API。」符文藻提到，不少大型企業或是政府機構其實都很難接受AI代理人可能會發生錯誤狀況，特別是核心任務的應用場景，只要有一次錯誤，造成的負面影響可能難以估計，因此目前優先還是會先應用在客服機器人的場景中，萬一推薦錯誤或是沒有提醒帶傘，也不會有太大的影響。「如果是核心應用，確實還不到時候。」
在助理平台架設類AI代理人服務
「企業不該為了AI Agent而AI Agent，」他建議，如果使用者的需求只是希望能達成某個任務，或把特定事情做好，那麼背後的技術到底是完全依靠大型語言模型的理解、創造能力，還是在其中加入某些規則來實現，在感受上並不會有太大的差異。特別是當企業無法接受機器人出錯時，原先的解決方案可能會是較好的解方。
如果企業真的無法接受AI代理人有出錯的可能性，但又希望能做到類似AI Agent的服務，其實可以考慮運用低程式碼或無程式碼（Low-Code/No-Code）的方式，在原先的助理（Assistant）平台上，例如C.ai對話服務平台，設多種服務，讓每一個服務都具有一個類似於Agent的能力，如以自然語言查找資料、填單／簽核、詢問規章問題等，這種方式反而更為可行。一方面這些能力都是企業IT自主依其SOP及習慣量身訂作，無需逐案外包客製或大量寫程式，可減少導入成本，二方面，員工也只要面對單一智慧助理，就能快速處理各種流程服務。