目錄
「這套工具給它 API 金鑰就能跑了，出問題重開就好。」這句話你最近是不是也在會議上聽過？但當 AI 代理開始回覆客戶、寄送名單、動用公司資料的那一刻，它就不再只是「工具」了。它更像一位坐在電腦前、握有內部權限、卻沒人簽核的約聘同仁。這正是 AI代理員工化管理實務 這幾年在台灣企業裡突然變成必修課的原因——不是因為大家愛管流程，而是沒管，真的會出事。
根據 Gartner（2025）的預估，超過 40% 的代理式 AI 專案會在 2027 年底前被取消，主因是成本失控、價值不明與風險控管不足。也就是說，現在導入代理不難，難的是讓它活得久、被信任、能交接。這篇文章不談模型參數，而是把「人力資源生命週期」搬進 AI 治理：入職、權限、試用、考核、退場，五個步驟，加上一張清冊、一份離職清單，你今天就開始盤點。
為什麼 AI 代理是員工，不是系統？
傳統資訊系統是「照規則做」，你給它條件、它給你答案，出錯通常是程式錯誤。AI 代理不一樣：它會自己判斷要不要呼叫工具、要不要檢索資料、要不要往下執行。這種「有限但真實的自主性」，讓它介於軟體與員工之間。這也是為什麼國際標準開始用「治理」與「人為監督」來描述，而不是單純的「上線測試」。
「工具」與「數位勞動力」的差異在哪裡
工具出錯，你可以重啟；員工出錯，你要問責。當代理能動用金流、寄信、改資料庫，出錯的爆炸半徑就跟一位真人同仁一樣大。Gartner（2024）預估，2028 年將有 33% 的企業軟體內建代理式 AI 能力，2024 年這個比例還不到 1%。這代表未來三年，你公司裡的「數位同仁」數量會暴增。
治理語言的轉向
金管會 2024 年發布的金融業 AI 指引，明訂治理與問責、人為監督、透明與可解釋等核心原則，語言從「系統上線」推向「員工入職」。你聽到的不是科技詞，而是人力資源詞——職責、監督、退場。這也呼應國際標準的走向：AI 不是只有準確率，還要有可問責的管理架構。
把人力資源生命週期搬進 AI 治理
既然要當員工管，那就套人資流程：入職要有清冊、上工要有權限、試用要有門檻、定期要考核、離職要交接。這五件事搬到 AI 代理身上，就是本文要談的 AI 代理如何重劃企業職務邊界 的核心精神。
| 比較項目 | 傳統資訊系統 | AI 代理（數位員工） |
|---|---|---|
| 決策自主性 | 低，依固定規則執行 | 高，會自行選擇工具與步驟 |
| 權限型態 | 服務帳號、固定權限 | 任務導向、短效憑證 |
| 出錯歸屬 | 開發與維運團隊 | 人類直屬主管負最終責任 |
| 考核方式 | 系統可用率、錯誤率 | 任務完成率、覆核率、升級率 |
| 退場處理 | 關機、下架、歸還授權 | 撤權、清記憶、交接流程、封存稽核 |
| 稽核重點 | 系統日誌 | 提示、工具呼叫、檢索來源與輸出留痕 |
【傳統做法】
資訊部：「這就是一套軟體，裝好、給 API 金鑰就能跑，出問題重開就好。」
人資部：「那誰負責它回錯話造成的客訴？」
資訊部：「……看日誌吧。」【新做法】
資訊部：「我們把它當新進同仁：先登記進代理清冊，指定客服主管當直屬主管，權限只給唯讀加建議。」
人資部：「那考核就比照試用期，30 天看錯誤率，60 天看人工覆核率。」
誰來管？AI 員工治理的角色分工
代理導入最怕的不是技術不到位，而是「沒有人負責」。中小企業常見的情況是：資訊部管帳號、業務部管需求、人資部根本不知道有這個代理存在。等到客訴出現，才發現沒人握有最終決定權。
人類直屬主管不能缺席
每個代理都要有一位「人類直屬主管」，這位主管不一定要懂模型，但要能回答三個問題：這個代理做什麼、能動什麼資料、出錯誰收拾。主管是問責的落點，也是退場的簽核人。
人資與資訊部門的雙軌分工
可以把治理角色拆成兩條軌：資訊軌管技術邊界（憑證、日誌、監控），人資軌管角色生命週期（入職清冊、試用門檻、考核與退場）。兩軌在「代理清冊」上交會，這也是為什麼清冊會是整份治理的地基。
中小企業一人多角色的實務配置
中小企業通常沒有專職 AI 治理人力，實務上可以讓資訊窗口兼任資安、人資窗口兼任治理秘書、部門主管兼任直屬主管。重點不是分工多細，而是每個代理都有人認領、有人簽核。
| 角色 | 主要職責 | 對應文件 | 常見誤區 |
|---|---|---|---|
| 人類直屬主管 | 負最終責任、簽核續用與退場 | 職務說明書、覆核紀錄 | 掛名不做事，出錯找不到人 |
| 資訊／資安窗口 | 管理憑證、日誌、監控與撤權 | 權限分級表、稽核軌跡 | 只顧系統可用率，忽略行為留痕 |
| 人資窗口 | 維護代理清冊、試用與考核節奏 | 代理清冊、考核表 | 把代理當採購案，不當人力 |
| 採購與法務 | 合約審閱、資料處理條款、法遵 | 合約、個資同意書 | 只看價格，不看資料使用範圍 |
| 內部稽核 | 將代理納入稽核範圍、抽查貫穿 | 稽核計畫、異常事件報告 | 認為 AI 是技術問題，不是內控議題 |
為什麼非管不可？四個治理缺口與實務資料
這不是一個「要不要管」的選擇題，而是「什麼時候會出事」的風險題。根據 McKinsey（2025）調查，78% 受訪組織已在至少一個業務職能使用 AI，但多數仍停留在試點與概念驗證。也就是說，大家都在衝，但治理沒跟上。
缺口一：過度代理權讓代理變成被冒用的內部員工
OWASP（2025）在大型語言模型應用的風險清單中，把「過度代理權」列為核心風險。企業為了讓代理做事方便，常一次給萬用 API 金鑰、跨系統讀寫權與長期憑證。一旦遇到提示注入或工具鏈被汙染，代理就等於一位擁有內部權限的同仁被冒用。
缺口二：沒有職務說明書就無法考核
NIST AI 風險管理框架 1.0（2023）把「治理」列為第一功能，正是要求先定義角色與責任。沒有職務說明書，你就無法判斷代理做得好不好，也無法在出錯時分辨是資料、提示、模型還是流程的問題。
缺口三：影子代理與資產失聯
各部門自己申請外部代理工具、自己串資料、自己帶進公司，這些「影子代理」不在資訊資產清冊裡。ISO/IEC 42001（2023）要求組織盤點 AI 系統與相關資產，正是針對這個盲區。台灣有 98.9% 的企業是中小企業（經濟部中小及新創企業署，2024），這是治理落差最大的族群。
缺口四：退場機制真空
多數企業沒有「AI 離職清單」，導致資料殘留、幽靈帳號與合規風險。在歐盟 AI 法案（2024）要求紀錄保存、以及國內個資法要求的雙重壓力下，沒有退場設計等於把風險長期放在公司裡。
| 缺口 | 實務樣貌 | 風險後果 | 對應標準或來源 |
|---|---|---|---|
| 過度代理權 | 一次給到底的萬用金鑰、跨系統讀寫 | 提示注入時爆炸半徑擴大 | OWASP LLM Top 10（2025） |
| 缺職務說明書 | 只寫技術規格，沒寫職責邊界 | 上線後無法考核與問責 | NIST AI RMF 1.0（2023） |
| 影子代理 | 部門自購、自行串接、未列冊 | 資產失聯、稽核盲區 | ISO/IEC 42001（2023） |
| 退場真空 | 只關服務，未撤權、未清記憶 | 資料殘留、幽靈帳號、合規風險 | 歐盟 AI 法案（2024）、ISO 42001 |
如果你們公司已經出現「部門各自買、工具各自裝」的現象，可以先看 AI 工具過剩與流程重設 這篇，理解為什麼工具多不等於用得好。另外，代理的計價與授權模式也在改變，可以一併參考 AI 代理改寫企業軟體採購邏輯 的討論。
步驟一：入職登記——建立 AI 代理清冊
治理的第一步不是寫政策，而是「先知道你有幾個代理」。這一步不需要任何新軟體，一張 Google Sheet 或 Excel 就能開始，這對沒有人資科技團隊的中小企業尤其重要。
代理清冊該記錄哪些欄位
清冊的目的不是好看，而是讓每個代理都有名字、有主管、有資料範圍。欄位不用多，但要務實可用，讓新人接手時五分鐘就能看懂。
指定一位人類直屬主管負最終責任
沒有直屬主管的代理，就是影子代理。指定主管時要想清楚：這個人是否有權撤銷代理、是否能調閱日誌、是否願意在客訴時出面。做不到這三件事，就代表這個代理其實沒人管。
從一張試算表起步，不需要新軟體
很多企業卡在「等買到治理平台再說」，結果半年過去什麼都沒動。實務上，清冊用試算表就夠，等清冊有 20 筆以上，再考慮工具化。如果代理會讀取企業內部資料，建議同步參考 用語意層解決代理資料脈絡斷裂，理解資料來源標記對治理的重要性。
| 欄位名稱 | 填寫說明 | 範例 | 是否必填 |
|---|---|---|---|
| 代理名稱 | 可辨識的內部代號 | 客服回覆代理-A | 必填 |
| 用途 | 一句話說明它做什麼 | 回覆線上諮詢、草擬信件 | 必填 |
| 負責人 | 實際維護的人 | 客服部王小明 | 必填 |
| 直屬主管 | 負最終責任的人 | 客服部主管 | 必填 |
| 資料範圍 | 可讀取的資料類別 | 產品 FAQ、訂單狀態 | 必填 |
| 模型版本 | 使用的模型與版本 | 模型名稱與版本編號 | 建議 |
| 串接系統 | 可呼叫的外部系統 | CRM、Email 服務 | 必填 |
| 上線日期 | 正式提供服務日 | 2026-10-01 | 必填 |
| 權限等級 | 唯讀／建議／執行／自主 | 建議 | 必填 |
| 除役日期 | 預計或實際退場日 | 2027-10-01 | 建議 |
步驟二：權限分級與最小授權
權限給太多，是代理事故最常見的起點。NIST SP 800-53 的存取控制家族強調「最小權限原則」：主體只擁有完成任務所需的最低權限，且時間越短越好。套用到 AI 代理，就是「任務導向授權」——做這件事時才拿這把鑰匙，做完就失效。
唯讀、建議、執行、自主四級怎麼分
四級分級提供溝通的共同語言。多數代理從唯讀或建議起步，經過驗收且風險可控者才升到執行；涉及金流、個資或對外發文一律要求人工覆核。分級不是永久狀態，而是可升可降的動態設定。
任務導向的短效憑證與即時授權
讓代理為每個任務申請短效憑證，任務結束自動失效。這能縮小提示注入的爆炸半徑，也讓權限稽核變成可追溯的事件流，而不是一堆不知何時給出的長期授權。
高風險動作一律人工覆核
什麼算高風險？金額超過門檻、對外發文、傳送個資、修改財務紀錄，這些請一律設計「紅燈人審」。這跟智菩科技在品牌治理上主張的「AI 前期溝通、可追溯、紅燈需人審」是同一套邏輯。
| 等級 | 代理可做什麼 | 風險星級 | 適用場景 | 升級條件 |
|---|---|---|---|---|
| 唯讀 | 讀取資料、產出摘要，不能對外行動 | ★☆☆☆☆ | 知識查詢、內部搜尋 | 完成試用第 1 段門檻 |
| 建議 | 提出建議與草稿，需人工確認才送出 | ★★☆☆☆ | 客服草稿、行銷文案 | 覆核率穩定、錯誤率低於門檻 |
| 執行 | 可呼叫特定工具完成低風險動作 | ★★★☆☆ | 更新工單、寄送通知信 | 通過 90 天驗收並經主管簽核 |
| 自主 | 可在核准範圍內自動決策、連續執行 | ★★★★★ | 內部流程自動化、例行調度 | 例外事件為零且設有紅燈人審 |
當代理會與外部消費者互動，資料邊界要更小心。可以參考 對外代理與消費者互動的資料邊界，先釐清什麼資料可以進代理、什麼資料只能留在內部。
步驟三：試用期驗收——30／60／90 天觀察期
代理上線第一天不出錯，不代表它能穩定工作。人資的試用期概念在這裡很好用：分三段觀察，每段都有明確門檻與回退條件，不讓試用期無限延長變成事實上的正式上線。
三段式觀察期的設計邏輯
第 1 段看穩定性，第 2 段看人工依賴程度，第 3 段看經濟性。這三段的順序不能顛倒——穩定性沒過，談成本太早；成本再漂亮，錯誤率高一樣不能用。
驗收門檻與回退條件怎麼訂
門檻要有數字，回退要有動作。例如「錯誤率連續兩週高於 8%，權限降一級並進入人工全覆核模式」。回退不是懲罰，而是保護機制，讓代理在可修復的狀態下繼續被觀察。
不讓試用期無限延長變成事實上的正式上線
很多專案失敗不是因為代理表現差，而是因為「再觀察一季」變成永無止境的試用。試用期要有明確結束日，到期就必須做出三個決策：升級、維持、下線。
| 階段 | 觀察重點 | 建議門檻 | 未達標處理 |
|---|---|---|---|
| 第 1 段（0-30 天） | 穩定性與錯誤率 | 錯誤率低於 5%、無重大事故 | 降權至唯讀，修正提示與資料 |
| 第 2 段（31-60 天） | 人工覆核率與升級率 | 覆核率低於 30%、升級率低於 10% | 維持建議級，加強情境測試 |
| 第 3 段（61-90 天） | 單位成本與使用者滿意度 | 單位成本下降、滿意度達 4 分以上（5 分制） | 停止升級、評估下線或縮減用途 |
驗收門檻的設計與場景高度相關。如果你導入的是語音代理，可以參考 AI Agent 導入場景的驗收關鍵，把通話結束率、轉人工率這些指標一起納入。
步驟四：績效考核與人為監督
績效考核不是為了打分數，而是為了讓「續用、調整、終止」三個決策有依據。沒有 KPI 的代理，就像沒有目標的員工——表現好壞全憑感覺。
AI 員工 KPI 該怎麼訂才量得出來
指標要能從日誌與追蹤資料裡算出來，不能靠人工統計。任務完成率、人工覆核率、升級率、單位成本、異常事件數、使用者滿意度，這六項已經能覆蓋多數場景。
定期覆核會議與決策留痕
建議每月一次覆核會議，由直屬主管主持，資訊窗口提供資料、人資窗口記錄結論。會議要做三件事：確認指標、決定是否調權、留下書面結論。這份紀錄在稽核時就是最有力的證據。
異常事件納入內部稽核範圍
代理造成的異常事件（回錯話、外洩資料、越權存取）應比照資安事件流程，通報、調查、改善、追蹤。ISO/IEC 42001 與 NIST AI RMF 都強調這一點，內部稽核也要將代理納入年度查核項目。
| 指標 | 定義 | 量測頻率 | 健康值區間 | 異常處理 |
|---|---|---|---|---|
| 任務完成率 | 成功完成任務數／總任務數 | 每週 | 85% 以上 | 低於 70% 檢查提示與資料來源 |
| 人工覆核率 | 需人工確認任務數／總任務數 | 每週 | 20-40% | 高於 60% 檢視是否權限過低 |
| 升級率 | 轉人工處理數／總任務數 | 每週 | 低於 10% | 高於 20% 檢查情境設計 |
| 單位成本 | 代理總成本／完成任務數 | 每月 | 逐月下降或持平 | 上升超過 20% 檢視模型與用量 |
| 異常事件數 | 每月需通報的事件件數 | 每月 | 0-2 件 | 3 件以上啟動根因分析 |
| 使用者滿意度 | 使用者評分（5 分制） | 每月 | 4 分以上 | 低於 3.5 分進行情境重設 |
如果你正面臨「AI 投資到底划不划算」的質疑，可以參考 AI 投資回收的驗證方式，用同樣的資料語言回答董事會的問題。
步驟五：退場交接——AI 離職清單
退場是最容易漏的一段，也是最容易出事的一段。代理離職不是「關掉服務」而已，而是要撤權、清記憶、移轉流程、封存紀錄、通知使用者，最後在清冊上標記除役。
撤銷憑證、金鑰與幽靈帳號
很多代理的憑證是長期有效的，服務關了但憑證還在，就形成幽靈帳號。退場時要逐一確認 API 金鑰、服務帳號、OAuth 授權、雲端角色都被撤銷。
清除對話記憶、向量資料庫與快取
代理的記憶可能散落在對話歷史、向量資料庫、快取與微調資料集中。只刪應用程式，記憶還可能被其他系統取用。建議建立資料地圖，標明每類記憶的儲存位置與刪除方式，並對應個資法與產業紀錄保存規範。
移轉提示範本與工作流程，封存稽核紀錄
提示範本與工作流程是企業資產，不是個人財產。退場時要把它們移轉給接手的人或團隊，同時把稽核紀錄封存，以符合 ISO/IEC 42001 與歐盟 AI 法案的紀錄保存義務。
| 項目 | 執行動作 | 負責角色 | 完成證明 |
|---|---|---|---|
| 撤權 | 撤銷 API 金鑰、服務帳號、OAuth 授權 | 資訊／資安窗口 | 撤權紀錄截圖 |
| 清記憶 | 刪除對話歷史、向量庫、快取與微調資料 | 資訊窗口 | 刪除確認單 |
| 移轉提示與流程 | 交接提示範本與工作流程文件 | 直屬主管 | 交接簽收單 |
| 封存稽核軌跡 | 匯出並保存日誌、追蹤與決策紀錄 | 資訊窗口＋稽核 | 封存報告 |
| 通知使用者 | 告知服務終止與替代方案 | 業務窗口 | 通知紀錄 |
| 清冊標記除役 | 更新清冊狀態與除役日期 | 人資窗口 | 清冊截圖 |
退場設計得好，下一支代理導入會更快。特別是中小企業，資源有限、專案一個接一個，做好交接等於把治理能力留在組織裡，這也呼應 台灣中小企業的 AI 布局 的核心建議：先立邊界，再談效率。
治理模式怎麼選？集中、分散與混合聯邦比較
治理模式沒有標準答案，端看你的產業、規模與風險承受度。三種模式各有強項，關鍵是選一個能落地的，而不是最聽起來厲害的。
三種模式的適用情境
受監理產業（金融、醫療）通常適合集中式；創新導向的數位部門可能偏好分散式；而多數台灣中小企業最實用的，是中央訂最低標準、部門自主執行的混合聯邦式。
混合聯邦式的最低標準該訂什麼
最低標準至少包含三件事：清冊格式、權限分級原則、退場清單。中央不干預工具選擇，但要求每個代理都登記、每個權限都有依據、每支退場都要簽核。
避免「中央有政策、部門無落實」的形式主義
混合聯邦最容易失敗的地方，是中央發了文件、部門卻照自己玩。解方是定期查核與公開覆蓋率，例如每季公布「代理清冊覆蓋率」，讓各部門看到彼此進度。
| 模式 | 優勢 | 限制 | 適合對象 | 落地難度 |
|---|---|---|---|---|
| 集中式代理治理 | 權責清楚、風險可視度高 | 導入慢、部門易繞道 | 受監理或資料敏感產業 | 中高 |
| 分散式部門自治 | 貼近業務、迭代快速 | 權限易失控、稽核難 | 創新導向的數位部門 | 低 |
| 混合聯邦式 | 兼顧速度與治理 | 需明確分工與定期查核 | 多數台灣中小企業 | 中 |
常見失敗原因與企業導入案例解析
代理導入失敗的原因，多半不脱五種。這五種在客服、行銷、財務場景裡會換不同面貌，但根本問題是一樣的。
五個最常見的踩雷點
權限一次給到底、沒有成功指標、部門各自採購、承辦人離職失聯、退場無人負責——聽起來很基本，但幾乎每個失敗案例都可以對應到其中一項。
客服、行銷、財務三種場景的失敗樣貌
客服最常犯的是「錯誤率沒有監控」，行銷最常犯的是「名單資料被代理帶到外部」，財務最常犯的是「代理讀寫財務紀錄卻無人覆核」。三種場景都需要對應的 KPI 與紅燈人審。
失敗之後的補救順序
補救要按順序：先撤權、再查資料流向、再修流程、最後才重新上線。跳過第一、第二步直接修流程，等於把風險再放回去。
【情境：承辦人離職半年後，沒人知道代理還在跑】
【舊做法】
「那個工具是前同事申請的，帳號密碼在他信箱裡，先放著應該沒事吧？」
「反正沒人用就不會出事。」【新做法】
「清冊上有這一筆，負責人今天改派，權限立刻撤掉，記憶與名單同步清除，稽核紀錄封存。」
「下次新代理進來，先填清冊再開權限。」
| 失敗原因 | 典型症狀 | 根本問題 | 對策 |
|---|---|---|---|
| 權限一次給到底 | 代理可讀寫跨系統資料 | 缺乏最小授權與短效憑證 | 改為四級分級＋任務導向授權 |
| 沒有成功指標 | 上線後無法判斷好壞 | 沒有職務說明書與 KPI | 補齊 KPI 與覆核節奏 |
| 部門各自採購 | 工具重複、資料四散 | 缺中央最低標準 | 建立清冊與採購報備流程 |
| 承辦人離職失聯 | 帳號密碼找不到、無人接手 | 代理無直屬主管 | 每位代理指定人類直屬主管 |
| 退場無人負責 | 服務關了但憑證還在 | 沒有 AI 離職清單 | 建立標準退場清單與簽核人 |
行銷場景的失敗，往往跟內容品質有關。代理產出的文案量大又快，但對品牌信任的傷害往往在事後才浮現，可以延伸閱讀 守住 AI 產出的內容品質，把品質檢查納入代理考核。
法規與標準對照：金管會、NIST、ISO 42001 與歐盟 AI 法案
你可能會想：「這些國際標準跟我有什麼關係？」關係很大，因為客戶的合約、投資人的盡調、金融機構的稽核，都會愈來愈常引用這些文件。先理解它們的要求，再對應到自己公司的治理步驟，才不會被動補文件。
金管會金融業 AI 指引的人為監督與問責要求
金管會 2024 年發布的金融業 AI 指引，明訂六大核心原則，包含治理與問責機制、人為監督、透明與可解釋性。這與本文強調的「人類直屬主管」與「決策留痕」高度一致。
NIST AI RMF 與零信任架構的對應關係
NIST AI RMF 1.0（2023）把治理列為第一功能；NIST SP 800-207（2020）的零信任架構則強調每個主體都應有獨立身分、最小權限、可即時撤銷。這兩者合起來，正是 AI 代理治理的技術底座。
ISO/IEC 42001 與歐盟 AI 法案的紀錄保存義務
ISO/IEC 42001（2023）要求組織盤點 AI 系統與相關資產；歐盟 AI 法案（2024）則針對高風險系統，設定 2026 年 8 月起全面適用的主要義務。紀錄保存與人為監督，在這兩份文件裡都是核心。
| 來源 | 年份 | 核心要求 | 對應本文步驟 |
|---|---|---|---|
| 金管會金融業 AI 指引 | 2024 | 治理問責、人為監督、透明可解釋 | 步驟二、四 |
| NIST AI RMF 1.0 | 2023 | 治理優先、風險辨識與管理 | 步驟一、四 |
| NIST SP 800-207 | 2020 | 零信任、最小權限、可即時撤銷 | 步驟二、五 |
| ISO/IEC 42001 | 2023 | AI 系統與資產盤點、紀錄保存 | 步驟一、五 |
| 歐盟 AI 法案 | 2024 | 高風險系統紀錄保存與人為監督 | 步驟三、五 |
| OWASP LLM Top 10 | 2025 | 過度代理權、提示注入等風險 | 步驟二、三 |
中小企業 30 天落地行動清單
把治理講清楚不難，難的是「下週就要動」。這份 30 天清單，讓你不需要新預算、不需要新平台，就能把治理骨架搭起來。
第一週：盤點並建立代理清冊
發一封內部信，請各部門列出目前所有在跑的 AI 代理，包含試用中的。一週內收斂成一份清冊，並逐筆指定人類直屬主管。
第二到三週：定權限分級與試用期驗收標準
依四級分級把清冊上每個代理標上目前等級。針對新導入的代理，明訂 30／60／90 天門檻與回退條件；針對已上線的，補上覆核會議節奏。
第四週：建退場清單並指定簽核人
把本文的退場清單客製成你們公司的版本，並指定每個代理的退場簽核人。這一步做完，你的治理骨架就完成了第一輪。
| 週次 | 行動項目 | 產出文件 | 負責角色 |
|---|---|---|---|
| 第 1 週 | 盤點所有代理並建立清冊 | AI 代理清冊 v1 | 人資窗口＋各部門 |
| 第 2 週 | 標定權限等級與命名規則 | 權限分級表 | 資訊窗口 |
| 第 3 週 | 訂定試用期與驗收門檻 | 驗收門檻表 | 直屬主管＋人資 |
| 第 4 週 | 建立退場清單與簽核流程 | AI 離職清單 | 稽核＋資訊窗口 |
如果導入過程中需要申請政府資源，可以參考 中小微企業 AI 投資抵減實務，把治理文件與投資抵減的佐證資料一起準備。
品牌觀點：智菩科技的觀點
在智菩科技（AIbud.tw）與企業主、領導人對話的經驗裡，我們發現一件事：談 AI 導入，多數人第一句問「它能做什麼」，最後才問「出事誰負責」。但真正讓專案活下來的，往往是後面那一句。
從王道經營學的視角來看，治理不是額外成本，而是「價值如何被創造、被分配、被延續」的具體落地。當你把 AI 代理當成員工，就會問：它的職責是什麼？它的邊界在哪？它離職時怎麼交接？這些問題看起來慢，其實是讓專案走得更遠的關鍵。
智菩主張「智慧引導 AI」，核心不是追求最聰明的模型，而是讓 AI 成為領導人智慧的延伸。所以要先把治理立住、方向定清，AI 才有機會變成組織的長期能力，而不是一次性的煙火。
如果你手上已經有一份代理清單，不妨先挑其中一筆，替它寫下職責邊界與退場條件，這就是治理的起點。從智能到智慧，往往就差這一步。
常見問答：AI 代理員工化管理實務 FAQ
中小企業沒有人資科技團隊，AI 代理員工化管理實務該從哪裡開始？
先做「代理清冊」。用一張試算表列出所有代理、負責人、串接系統與資料範圍，並指派一位人類直屬主管。這一步不需要新軟體，卻能立刻找出沒人管的影子代理，是後續權限分級與退場機制的基礎。
| 問題類型 | 常見誤解 | 實務建議 |
|---|---|---|
| 清冊 | 要有平台才能開始盤點 | 用試算表就能起步，先收斂名單 |
| 試用期 | 試用就是觀察久一點就好 | 設定明確門檻與回退條件 |
| 權限 | 權限越少代理越沒用 | 用短效憑證與任務授權取代長期大權 |
| 退場 | 關掉服務就結束了 | 撤權、清記憶、交接流程缺一不可 |
| 高層溝通 | 治理是額外成本 | 用專案存活率與風險語言溝通 |
AI 代理的試用期驗收標準怎麼訂？30／60／90 天各看什麼？
建議三段式。第一段 0-30 天看穩定性與錯誤率；第二段 31-60 天看人工覆核率與升級率；第三段 61-90 天看單位成本與使用者滿意度。每段都要有明確門檻與回退條件，未達標就降級或下線，避免試用期無限延長。
AI 代理權限分級怎麼分才實用？最小授權會不會讓代理什麼都做不了？
用四級：唯讀、建議、執行、自主，多數代理從唯讀或建議起步。搭配「任務導向短效憑證」，代理在執行任務時才取得該項資源的權限，任務結束即失效，彈性與安全可以同時兼顧。
| 等級 | 可執行動作 | 風險星級 | 適用場景 |
|---|---|---|---|
| 唯讀 | 讀取、摘要，不對外行動 | ★☆☆☆☆ | 知識查詢 |
| 建議 | 產出草稿需人工確認 | ★★☆☆☆ | 客服草稿、行銷文案 |
| 執行 | 呼叫特定工具完成低風險動作 | ★★★☆☆ | 更新工單、寄送通知 |
| 自主 | 核准範圍內自動決策 | ★★★★★ | 內部流程自動化 |
AI 代理退場交接最容易漏掉什麼？
最常漏掉三件事：一是憑證與金鑰未撤銷，形成幽靈帳號；二是對話記憶與向量資料庫未清除，資料持續殘留；三是提示範本與工作流程未交接，業務中斷。建議建立標準退場清單，逐項簽核並封存稽核紀錄。
| 項目 | 常見漏失 | 補救動作 |
|---|---|---|
| 憑證 | 長期金鑰未撤銷 | 建立撤權檢查表 |
| 記憶 | 向量庫與快取未刪 | 建立資料地圖與刪除確認 |
| 流程 | 提示範本隨人離職消失 | 納入交接文件與知識庫 |
要怎麼向高層說明 AI 代理員工化管理的投資價值？
用風險與成本語言溝通。Gartner（2025）指出逾四成代理專案會在 2027 年底前被取消，主因正是價值不明與風險失控。把治理視為提高專案存活率的投資，並用清冊覆蓋率、權限超授數、異常事件數等指標定期回報，比談技術更能取得支持。
結論與下一步行動
AI 代理不是一陣熱潮，而是真的會改變企業運作方式的「數位勞動力」。與其等標準逼上門，不如現在就把它當員工管：先登記、再授權、接著試用、定期考核、好好退場。
你今天就能做的第一步：打開一份試算表，把目前所有在跑的 AI 代理列出來，包括那些「不知道還算不算在跑」的。接著替每一筆指定一位人類直屬主管。做完這兩件事，你的治理就已經開始運轉。
延伸閱讀：