目錄
「去年買了 500 個席次，實際只有 200 人常用，但合約就是這樣算，今年供應商還說要漲價。」這是許多台灣企業資訊主管與採購決策者共同的痛。當生成式 AI 與代理式 AI 快速進入企業軟體市場，「AI代理人 企業軟體 採購」的邏輯正被徹底改寫。過去我們買的是功能清單與使用人數，現在要買的卻是一套能規劃、呼叫工具、執行多步驟任務的數位勞動力。這篇文章要陪你把新的採購判斷點、系統架構調整、驗收指標與合約風險一次拆解清楚。
AI代理人為何改寫企業軟體採購邏輯？
過去二十年，企業軟體採購的邏輯相對單純：盤點需求、比較功能、談席次與授權數量、簽年度合約。這套流程圍繞著一個假設——軟體是被動工具，使用者要自己操作它、自己產出價值。但代理式AI的出現，讓這個假設開始鬆動。
從被動工具到數位勞動力：代理式AI的本質轉變
代理式AI（Agentic AI）跟傳統生成式AI最大的差別，在於它會「自己去做事」。它結合推理、行動、記憶與反思，能拆解任務、選擇工具、讀取結果、修正下一步。學術上 ReAct 架構說明了推理與行動交錯能提升任務表現（Yao et al., 2022），Toolformer 研究也顯示模型能自學使用外部工具（Schick et al., 2023）。
白話一點說：傳統SaaS是「你告訴它做什麼，它幫你做好那一步」；AI代理人是「你告訴它目標，它自己想辦法完成整個流程」。這代表企業買的不再只是功能，而是一份可以被驗收的勞動成果。
SaaS訂閱制的價值錯位：席次與成果脫鉤
傳統SaaS以席次、模組與年度授權計價，收入與使用人數連動，卻不保證任務完成。當代理人開始替代人力執行任務，「買了多少席次」跟「產生多少價值」就開始脫鉤。企業可能買了500個席次，實際只有200人常用；也可能導入了代理人，卻無法把省下的工時換算成採購績效。
2028年33%企業軟體內含代理式AI的產業訊號
根據 Gartner（2024）預估，到2028年將有33%企業軟體內含代理式AI，而2024年這個比例還不到1%。同一份研究也指出，到2028年約有15%的日常工作決策將由AI代理人自主完成，2024年則為0%。但熱潮背後也有落差：Gartner（2025）警告，超過40%的代理式AI專案可能在2027年底前取消，風險控制不足是主因之一。
| 比較構面 | 傳統SaaS工具 | AI代理人 |
|---|---|---|
| 運作模式 | 被動等待使用者操作 | 主動規劃並執行多步驟任務 |
| 價值來源 | 功能覆蓋率與使用人數 | 任務完成率與成果產出 |
| 計價基礎 | 席次、模組、年度授權 | 平台費、使用量、成果獎金 |
| 驗收方式 | 功能清單與UAT測試 | 量化指標與對照組比較 |
| 風險類型 | 閒置席次、採用率低 | 幻覺、權限越界、錯誤行動 |
| 人力替代程度 | 輔助人力，不替代 | 可替代部分規則明確的任務 |
誰該關注這場採購變革？企業資訊主管與採購決策者的新課題
這場變革不只是資訊部門的事。當AI代理人開始執行跨部門任務，採購決策會牽動資訊、財務、法務與業務單位，每一方的關注焦點都不一樣，卻必須在同一張合約上簽名。
資訊主管的三大痛點：整合、治理、成果歸因
資訊主管最常遇到的第一個問題是整合：代理人要發揮價值，必須串接身分權限、API、事件匯流與資料目錄，但企業內部往往是孤島式系統。第二個問題是治理：日誌、追蹤、提示版本、工具白名單與異常回滾，這些在傳統軟體採購中很少被要求，現在卻是標配。第三個問題是成果歸因：一筆訂單成交可能來自代理人、業務、行銷與定價策略共同作用，很難單獨把功勞歸給AI。
採購決策者的新判斷點：從比功能到比風險
過去採購比的是功能清單與價格，現在要問的是：資料使用範圍怎麼約定？模型更新會不會通知？服務水準怎麼定義？資安通報時限多長？終止合約後資料能不能帶走？這些問題在傳統SaaS合約中經常被忽略，但在代理式AI場景裡，任何一項沒寫清楚，都可能變成後續的維運與法遵成本。
財務與法務角色的提前介入
財務要關注的是成本結構：算力、工具呼叫、維運治理與成果獎金怎麼拆帳。法務要關注的是責任歸屬與合規：當代理人自行決策或執行交易，出錯時誰負責？台灣金融、醫療與公部門受AI治理原則影響，要求問責、透明、資料治理與人類監督，採購合約需納入稽核與風險分類。
| 角色 | 核心關注 | 常見盲點 | 建議參與階段 |
|---|---|---|---|
| 資訊主管 | 系統整合、權限治理、成果歸因 | 只看模型能力，忽略可觀測性 | 需求盤點與架構設計 |
| 採購主管 | 計價模式、合約條款、供應商風險 | 沿用席次思維，忽略成果定義 | 計價設計與合約談判 |
| 財務主管 | 成本結構、預算可預測性、投資回收 | 只算授權費，忽略算力與工具呼叫 | 成本模型與試辦期規劃 |
| 法務合規 | 責任歸屬、資料使用、退出條款 | 等到簽約才介入，條款來不及調整 | 合約架構與風險分類 |
| 業務單位主管 | 任務成功率、使用者體驗、人力調配 | 期待過高，忽略人工接手需求 | 場景選擇與驗收指標 |
為什麼SaaS訂閱制不再夠用？三個結構性問題
這不是說SaaS訂閱制一無是處，而是當軟體從工具變成勞動力，原本的計價邏輯就開始出現結構性裂縫。以下三個問題，是企業在續約或新採購時最常遇到的。
問題一：席次計價與實際價值脫鉤
席次訂閱制的核心假設是「使用人數等於價值」。但AI代理人的價值不在「多少人登入」，而在「完成多少任務、省下多少工時、降低多少錯誤」。當代理人可以自動執行任務，席次數量的意義就大幅降低，企業卻仍被合約綁住，難以反映真實使用狀況。
問題二：非確定性驗收的困難
AI代理人每次輸出可能不同，且會呼叫外部工具、讀取資料、產生行動。傳統軟體用功能清單與UAT驗收，難以涵蓋幻覺、延遲、權限越界與錯誤行動。企業需改用量化指標，例如任務成功率、人工接手率、平均週期時間與風險事件數（NIST AI RMF, 2023）。
問題三：系統架構與資料串接碎片化
代理人要發揮價值，必須串接身分權限、API、事件匯流、資料目錄與稽核日誌。若企業仍是孤島式系統，代理人只能做表面自動化。架構需走向API優先、事件驅動、可觀測性與最小權限，並保留人類核准節點。
| 構面 | 優勢 | 限制 |
|---|---|---|
| 預算可預測性 | 年度授權費用固定，方便編列預算 | 無法反映任務量波動與實際使用狀況 |
| 採購流程熟悉度 | 與既有SaaS採購流程一致，行政成本低 | 難以套用於非確定性驗收的AI代理人 |
| 使用者管理 | 席次增減單純，帳號管理容易 | 代理人非人類使用者，席次邏輯不適用 |
| 價值連結 | 使用人數可作為初步採用指標 | 席次數與任務完成率、節省金額脫鉤 |
| 代理人執行量成本 | 成本固定，供應商承擔用量風險 | 執行量增加時，供應商可能調漲或限制 |
| 閒置席次問題 | 未使用席次仍可保留，彈性高 | 企業為閒置席次付費，形成資源浪費 |
【傳統做法】
採購主管：「去年買了500個席次，實際只有200人常用，但合約就是這樣算。今年供應商說要漲價，我們也只能接受。」
資訊主管：「功能清單看起來都有，但客服解決率還是沒提升，問題到底出在哪？」
【新做法】
採購主管：「我們先定義成果基線：客服解決率要從65%拉到80%，工單結案時間要縮短30%。計價改成平台費加成果獎金，達標才付全額。」
資訊主管：「系統要先補身分權限跟API閘道，讓代理人可以安全呼叫工具，日誌要能追蹤每個動作。」
成果計價怎麼設計？混合模式拆解與歸因方法
成果計價聽起來很美，但真正落地時，最難的往往不是談價錢，而是定義「成果」與「歸因」。這一章要拆解混合模式的三層結構，以及企業可以怎麼設計歸因方法。
平台費、使用量費與成果獎金的三層結構
純成果計價的風險在於：供應商不確定能不能收到錢，企業也不確定成果多久才會出現。實務上比較可行的是混合模式，把費用拆成三層：平台費保障基本維運與支援，使用量費反映算力與工具呼叫成本，成果獎金則對接具體指標如客服解決率、工單結案時間或採購節省金額。
成果定義：從工單結案到財報關帳天數
成果定義要符合三個條件：可量化、可歸因、可驗收。常見的成果類型包括客服解決率、工單結案時間、發票處理量、採購節省成本與財報關帳天數。每一項都要有明確的基線與目標值，並約定計算週期與資料來源。
成果歸因的難題：對照組、A/B測試與因果推論
一筆訂單成交可能來自代理人、業務、行銷與定價策略共同作用，若直接把自然成長誤認為代理人貢獻，就會產生爭議。企業需用對照組、A/B測試、因果推論與基線比較來降低歸因風險（NIST AI RMF, 2023；ISO/IEC 42001, 2023）。建議在合約中明定歸因方法與資料來源，避免事後各說各話。
| 計價模式 | 計價基礎 | 優勢 | 限制 | 適用情境 |
|---|---|---|---|---|
| 席次訂閱制 | 使用者人數與模組授權 | 預算可預測，採購流程熟悉 | 與實際價值脫節，閒置席次浪費 | 使用人數穩定、功能導向的工具 |
| 使用量計價 | API呼叫次數、算力或工具使用量 | 用多少付多少，反映成本結構 | 預算不可控，尖峰用量可能超支 | 任務量波動大、可預測性低的場景 |
| 成果計價 | 任務成功率、節省金額或週期縮短 | 價值對齊，供應商分擔風險 | 成果定義與歸因困難，驗收週期長 | 成果明確、可量測的任務場景 |
| 混合模式 | 平台費＋使用量費＋成果獎金 | 兼顧維運保障與價值對齊 | 合約設計複雜，需三方共識 | 多數企業導入AI代理人的實務選擇 |
| 成果類型 | 量化指標 | 歸因方法 | 爭議風險 |
|---|---|---|---|
| 客服解決率 | 首次解決率、客戶滿意度 | A/B測試、對照組比較 | 自然成長誤認為代理人貢獻 |
| 工單結案時間 | 平均處理時間、逾期率 | 基線比較、時間序列分析 | 其他流程改善同時發生 |
| 發票處理量 | 每日處理張數、錯誤率 | 使用量與人工複核比對 | 代理人與人工混合處理難以拆分 |
| 採購節省成本 | 比價節省金額、議價幅度 | 對照組詢價、歷史價格比較 | 市場價格波動影響歸因 |
| 財報關帳天數 | 關帳週期、調整分錄數 | 基線比較、流程節點分析 | 跨部門協作難以單獨歸因 |
系統架構與資料串接的調整重點
AI代理人不是裝了就會動。它需要一個能被追蹤、能被暫停、能被回滾的環境。這一章要談的是導入前的系統架構檢核重點，讓資訊主管在採購前就知道要補哪些洞。
API優先與事件驅動架構
代理人要呼叫工具、讀取資料、觸發流程，前提是系統要有穩定的API介面與事件匯流機制。若企業仍是批次處理與人工匯入，代理人只能做表面自動化。架構需走向API優先、事件驅動，讓資料能即時流動、任務能即時觸發。
身分權限、工具白名單與最小權限原則
代理人不是人類使用者，但它的權限管理必須比人類更嚴格。企業需建立工具白名單，明確規定代理人可以呼叫哪些API、讀取哪些資料、執行哪些動作。最小權限原則要落實在每一個工具呼叫上，避免代理人取得超出任務所需的權限。
可觀測性：日誌、追蹤、提示版本與異常回滾
可觀測性是代理治理的基礎。企業需要能追蹤每一個任務的執行路徑、每一次工具呼叫的輸入輸出、每一個提示的版本，以及異常發生時能不能回滾。這些能力不是事後補救，而是採購前就要納入規格與合約。
| 架構面向 | 現況常見問題 | 調整重點 | 優先順序 |
|---|---|---|---|
| 身分權限 | 代理人共用服務帳號，無法追蹤個人行為 | 建立代理人專屬身分與最小權限 | 高 |
| API閘道 | 系統介面不一致，缺乏統一入口 | 建置API閘道與速率限制 | 高 |
| 事件匯流 | 批次處理延遲高，無法即時觸發 | 導入事件串流與訊息佇列 | 高 |
| 資料目錄 | 資料來源分散，缺乏血緣追蹤 | 建立資料目錄與血緣記錄 | 中 |
| 稽核日誌 | 日誌格式不一，難以關聯查詢 | 統一稽核日誌格式與保存期限 | 高 |
| 工具白名單 | 無明確規範，代理人可呼叫任意工具 | 建立工具白名單與審核流程 | 高 |
| 可觀測性 | 缺乏追蹤與提示版本管理 | 導入追蹤、提示版本與回滾機制 | 中 |
驗收指標與成本結構怎麼訂？
採購AI代理人不能只用「功能有沒有」、「模型強不強」來驗收。企業需要一套量化指標與成本拆解，才能在試辦期結束時判斷該續約、調整還是退場。
量化驗收指標：任務成功率、人工接手率、每任務成本
常見的驗收指標包括任務成功率、人工接手率、每任務成本、平均處理時間、風險事件數與使用者滿意度。每一項都要有明確的量測方式、建議目標值與優先級。任務成功率反映代理人能否獨立完成任務；人工接手率反映需要人類介入的比例；每任務成本則是把算力、工具呼叫與維運成本攤提到單一任務上。
成本結構拆解：算力、工具呼叫、維運與治理
AI代理人的成本不只平台授權費。算力使用費、工具呼叫費、資料串接費、維運治理費與成果獎金，每一項都要在合約中約定計價方式與預估佔比。企業要能控制的是算力上限、工具呼叫頻率與維運治理的人力投入。
試辦期設計與退場門檻
建議先設計為期三到六個月的試辦期，設定明確的階段性付款與退場門檻。若任務成功率未達標、人工接手率過高、每任務成本超出預期，企業應有權終止合約並取回資料。試辦期也是驗證歸因方法與調校系統架構的時機。
| 驗收指標 | 量測方式 | 建議目標值 | 優先級 | 備註 |
|---|---|---|---|---|
| 任務成功率 | 成功完成任務數÷總任務數 | ≥ 85% | 高 | 依任務複雜度調整 |
| 人工接手率 | 需人工介入任務數÷總任務數 | ≤ 20% | 高 | 接手率過高代表流程未成熟 |
| 每任務成本 | 總成本÷任務數 | 低於人工處理成本 | 高 | 需包含算力與工具呼叫費 |
| 平均處理時間 | 任務開始到結束的平均時間 | 縮短 ≥ 30% | 中 | 與基線比較 |
| 風險事件數 | 權限越界、錯誤行動等事件數 | 每季 ≤ 2 件 | 高 | 重大事件需立即通報 |
| 使用者滿意度 | 問卷或評分機制 | ≥ 4 分（五分制） | 中 | 反映實際使用體驗 |
| 成本項目 | 計價方式 | 預估佔比 | 控制手段 |
|---|---|---|---|
| 平台授權費 | 月費或年費 | 20-30% | 選擇符合規模的方案 |
| 算力使用費 | 依用量計費 | 20-35% | 設定用量上限與警示 |
| 工具呼叫費 | 依API呼叫次數計費 | 10-20% | 建立工具白名單與頻率限制 |
| 資料串接費 | 一次性或維護費 | 10-15% | 優先串接高價值資料源 |
| 維運治理費 | 人力或服務費 | 10-15% | 建立內部治理能力 |
| 成果獎金 | 依成果指標計算 | 5-15% | 設定上限與歸因方法 |
合約風險與治理條款注意事項
AI代理人的合約不是傳統軟體授權合約的延伸。當代理人會自行決策、呼叫工具、執行動作，合約要處理的風險類型完全不同。這一章列出採購合約的風險檢核重點。
責任歸屬、資料使用與智慧財產
當代理人執行錯誤行動造成損失，責任歸屬要事先約定。資料使用範圍要明確界定，包括訓練、推論、日誌保存與刪除。智慧財產部分要確認代理人產出的內容歸屬，以及供應商是否會使用企業資料來改進模型。
模型更新、工具變更與服務水準
模型更新可能改變代理人行為，工具變更可能影響既有流程。合約應約定更新通知期、變更測試期與服務水準指標。服務水準要涵蓋可用性、回應時間、任務成功率與資安通報時限。
審計權、資安通報與退出可攜性
企業應保留審計權，能查核代理人的執行日誌、權限設定與資料使用紀錄。資安通報要有明確時限與通報範圍。終止合約時，資料可攜性與刪除驗證要寫清楚，避免被鎖定。
| 條款類型 | 應約定事項 | 常見缺失 | 風險等級 |
|---|---|---|---|
| 資料使用範圍 | 訓練、推論、日誌保存與刪除 | 未約定訓練資料使用，供應商可自由利用 | 高 |
| 模型更新通知 | 更新前通知期、變更測試與回滾 | 未約定通知期，更新後行為改變無法追溯 | 高 |
| 責任歸屬 | 錯誤行動的責任分擔與賠償上限 | 未約定，出事後各說各話 | 高 |
| 服務水準 | 可用性、回應時間、任務成功率 | 只約定系統可用性，未涵蓋任務成果 | 中 |
| 審計權 | 日誌查核、權限設定與資料使用紀錄 | 未約定審計範圍與頻率 | 高 |
| 資安通報 | 通報時限、通報範圍與補救措施 | 通報時限過長，企業無法及時應變 | 高 |
| 智慧財產 | 產出內容歸屬與授權範圍 | 未約定，產出歸屬不明 | 中 |
| 終止與資料可攜 | 資料格式、移轉方式與刪除驗證 | 未約定可攜格式，退出困難 | 高 |
三種計價模式怎麼選？優缺點與適用情境對照
席次訂閱、使用量計價與成果計價各有優缺點，沒有哪一種絕對最好，只有適不適合企業現階段的場景。這一章用兩張表幫你快速對照。
席次訂閱制：預算可預測但價值脫鉤
適合使用人數穩定、功能導向的工具。若代理人只是輔助角色、不直接替代人力，席次訂閱仍有其管理便利性。但若代理人開始執行任務，席次數與價值就會脫鉤。
使用量計價：用多少付多少但預算不可控
適合任務量波動大、可預測性低的場景。企業能反映算力與工具呼叫成本，但需設定用量上限與警示，避免尖峰用量超支。
成果計價：價值對齊但歸因困難
適合成果明確、可量測的任務場景。供應商分擔風險，企業為成功付費，但成果定義與歸因需要事先約定，驗收週期也較長。
| 計價模式 | 優勢 | 限制 | 適合企業類型 | 不適合情境 |
|---|---|---|---|---|
| 席次訂閱制 | 預算可預測，採購流程熟悉 | 與實際價值脫節，閒置席次浪費 | 使用人數穩定、功能導向的企業 | 代理人替代人力、任務量波動大 |
| 使用量計價 | 用多少付多少，反映成本結構 | 預算不可控，尖峰可能超支 | 任務量波動大、可預測性低的企業 | 需要預算可預測性的財務規劃 |
| 成果計價 | 價值對齊，供應商分擔風險 | 成果定義與歸因困難，驗收週期長 | 成果明確、可量測的企業 | 成果難以量化或歸因的場景 |
| 混合模式 | 兼顧維運保障與價值對齊 | 合約設計複雜，需三方共識 | 多數導入AI代理人的企業 | 供應商不願接受成果獎金條款 |
| 評估構面 | 席次訂閱制 | 使用量計價 | 成果計價 | 混合模式 |
|---|---|---|---|---|
| 預算可預測性 | 高 | 低 | 中 | 中高 |
| 價值對齊度 | 低 | 中 | 高 | 高 |
| 歸因容易度 | 高 | 中 | 低 | 中 |
| 爭議風險 | 低 | 中 | 高 | 中 |
| 導入複雜度 | 低 | 中 | 高 | 高 |
| 供應商接受度 | 高 | 中 | 低 | 中 |
【傳統做法】
供應商：「我們的方案就是每個月每席次固定費用，不管用多少都一樣。」
採購主管：「但我們不確定實際會用多少，也不知道用了到底有沒有省到錢。」
【新做法】
採購主管：「我們提混合模式：平台費保障基本維運，使用量費反映算力與工具呼叫，成果獎金對接客服解決率與工單結案時間。達標才付全額。」
供應商：「這樣我們也願意，因為成果好我們收入更高，雙方目標一致。」
哪些企業適合優先導入AI代理人？
不是所有場景都適合優先導入AI代理人。高頻、規則明確、可量測的任務場景，通常最容易看到成效；反之，涉及高度判斷、法規限制或跨部門協作的場景，則需要更謹慎的評估。
高頻、規則明確、可量測的任務場景
客服工單處理、發票與單據處理、IT服務台、人資入職流程，都符合高頻、規則明確、可量測的特性。這些場景容易建立基線，也容易設計成果指標與驗收方式。
產業別適用性：金融、醫療、製造、零售
金融業受AI治理原則影響，需要問責、透明與人類監督，採購合約需納入稽核與風險分類。醫療業要處理病歷與個資，資料串接與權限控管要求更高。製造業可從供應鏈與品管流程切入。零售業則適合客服與訂單處理場景。
不適合優先導入的情境
涉及重大承諾、高風險決策、法規明確禁止自動化的場景，不適合優先導入。跨部門協作複雜、成果難以歸因的任務，也建議先觀望或小規模試辦。
| 場景類型 | 任務頻率 | 規則明確度 | 可量測性 | 建議優先級 |
|---|---|---|---|---|
| 客服工單處理 | 高 | 高 | 高 | 高 |
| 發票與單據處理 | 高 | 高 | 高 | 高 |
| 採購比價 | 中 | 中 | 中 | 中 |
| 財報關帳輔助 | 中 | 中 | 中 | 中 |
| IT服務台 | 高 | 高 | 高 | 高 |
| 人資入職流程 | 中 | 高 | 中 | 中 |
導入行動清單：從成果地圖到治理合約的五步驟
如果你正在評估導入AI代理人，以下五個步驟可以幫你把採購邏輯從「買功能」轉為「買可驗收成果與可控風險」。每一步都有產出文件與負責角色，建議按順序推進。
步驟一：建立成果地圖與基線
盤點高頻、規則明確、可量測的任務，記錄現況週期時間、成本、錯誤率與人工投入，作為成果計價基準。產出文件為成果地圖與基線報告，建議由資訊主管與業務單位共同負責。
步驟二：設計混合計價
平台費保障維運，使用量費反映算力與工具呼叫，成果獎金對接成功率、節省金額或週期縮短。產出文件為計價模式建議書，建議由採購主管與財務主管共同負責。
步驟三：補強系統架構
採API優先、事件驅動、身分權限、資料目錄、工具白名單與可觀測性，讓代理人可被追蹤、暫停與回滾。產出文件為架構檢核表與調整計畫，建議由資訊主管負責。
步驟四：定義驗收指標
採用任務成功率、人工接手率、每任務成本、平均處理時間、風險事件數與使用者滿意度，並設定試辦期與退場門檻。產出文件為驗收指標與試辦計畫，建議由業務單位主管與資訊主管共同負責。
步驟五：寫入治理合約
明定資料使用、模型更新、責任歸屬、服務水準、審計權、資安通報、智慧財產與退出可攜性。產出文件為治理合約條款清單，建議由法務合規與採購主管共同負責。
| 步驟 | 主要工作 | 產出文件 | 建議時程 | 負責角色 |
|---|---|---|---|---|
| 步驟一 | 盤點任務、建立基線 | 成果地圖與基線報告 | 第1-2週 | 資訊主管、業務單位主管 |
| 步驟二 | 設計平台費、使用量費與成果獎金 | 計價模式建議書 | 第3-4週 | 採購主管、財務主管 |
| 步驟三 | 補強API、權限、日誌與可觀測性 | 架構檢核表與調整計畫 | 第5-8週 | 資訊主管 |
| 步驟四 | 定義驗收指標與試辦門檻 | 驗收指標與試辦計畫 | 第9-10週 | 業務單位主管、資訊主管 |
| 步驟五 | 撰寫治理合約與風險條款 | 治理合約條款清單 | 第11-12週 | 法務合規、採購主管 |
常見問題FAQ
AI代理人可以用成果計價嗎？企業軟體採購該怎麼設計？
可以，但前提是成果可量化、可歸因、可驗收。建議先從客服解決率、工單結案時間、發票處理量等明確任務試辦，並保留基線與對照組，避免爭議。計價設計建議採混合模式，平台費保障維運，使用量費反映成本，成果獎金對接具體指標。
| 成果指標 | 計價方式 | 驗收週期 | 注意事項 |
|---|---|---|---|
| 客服解決率 | 成果獎金依達成率計算 | 每月或每季 | 需保留對照組與基線 |
| 工單結案時間 | 成果獎金依縮短比例計算 | 每月或每季 | 排除其他流程改善影響 |
| 發票處理量 | 使用量費加成果獎金 | 每月 | 需人工複核錯誤率 |
企業採購AI代理人最常忽略什麼風險？
最常忽略資料串接、權限控管、可觀測性與退出條款。若只看模型能力，忽略日誌、稽核、工具白名單與資料刪除，後續維運與法遵成本會很高。建議在採購前就把這些納入規格與合約。
| 風險類型 | 常見缺失 | 建議做法 |
|---|---|---|
| 資料串接 | 未盤點資料源與血緣 | 建立資料目錄與串接計畫 |
| 權限控管 | 代理人共用服務帳號 | 建立專屬身分與最小權限 |
| 可觀測性 | 缺乏追蹤與提示版本 | 導入日誌、追蹤與回滾機制 |
| 退出條款 | 未約定資料可攜格式 | 明定資料格式與刪除驗證 |
AI代理人導入後，系統架構與資料串接要先改什麼？
優先補強身分權限、API閘道、事件匯流、資料目錄與稽核日誌。代理人需要可追蹤的工具介面與最小權限，才能安全執行多步驟任務。建議按優先順序推進，高優先項目包括身分權限、API閘道、稽核日誌與工具白名單。
| 架構面向 | 調整重點 | 優先順序 |
|---|---|---|
| 身分權限 | 代理人專屬身分與最小權限 | 高 |
| API閘道 | 統一入口與速率限制 | 高 |
| 稽核日誌 | 統一格式與保存期限 | 高 |
| 工具白名單 | 明確規範可呼叫工具 | 高 |
AI代理人驗收指標怎麼設？成本結構如何控制？
可用任務成功率、人工接手率、每任務成本、平均週期時間、風險事件數與滿意度。試辦期設退場門檻與階段性付款。成本控制要從算力上限、工具呼叫頻率與維運治理人力著手，並在合約中約定用量警示與超支處理。
| 驗收指標 | 建議目標值 | 成本控制手段 |
|---|---|---|
| 任務成功率 | ≥ 85% | 改善提示與工具配置 |
| 人工接手率 | ≤ 20% | 改善流程與例外處理 |
| 每任務成本 | 低於人工處理成本 | 設定算力與工具用量上限 |
| 風險事件數 | 每季 ≤ 2 件 | 建立工具白名單與稽核 |
AI代理人採購合約要納入哪些風險條款？
應納入資料使用範圍、模型與工具更新、責任歸屬、服務水準、審計權、資安通報、智慧財產、終止與資料可攜。台灣受監理產業另需符合在地治理要求。建議由法務與資安團隊共同審閱，並在試辦期就開始驗證條款可執行性。
| 條款類型 | 應約定事項 | 風險等級 |
|---|---|---|
| 資料使用範圍 | 訓練、推論、日誌保存與刪除 | 高 |
| 責任歸屬 | 錯誤行動的責任分擔與賠償上限 | 高 |
| 審計權 | 日誌查核與資料使用紀錄 | 高 |
| 終止與資料可攜 | 資料格式、移轉與刪除驗證 | 高 |
品牌觀點：從智能到智慧，採購決策的價值總帳
在智菩科技（AIbud）的觀點裡，企業軟體採購不應只看功能與價格，而應以王道經營學的治理、領導、管理三支柱為骨架，用價值總帳衡量總價值。AI代理人不是工具，而是數位勞動力，採購決策必須從買功能轉向買可驗收成果與可控風險。
智菩科技的觀點：治理先行，AI才能成為智慧的延伸
當AI開始執行任務、做出決策，治理必須先行。企業需要先釐清邊界與權責，再讓AI在可控範圍內運作。這不是限制AI，而是讓AI成為人類智慧的延伸，而不是取代人類判斷。領導人要做的，是把價值排序、決策底線與做事順序沉澱下來，讓組織在AI時代仍能保持一致。
價值總帳三維六面向在採購決策的應用
價值總帳涵蓋顯性與隱性、現在與未來、直接與間接三個維度、六個面向。採購AI代理人時，不能只看直接節省的人力成本（顯性、現在、直接），也要看隱性風險（例如權限越界、資料外洩）、未來能力累積（例如組織AI化能力）與間接效益（例如客戶滿意度提升）。用總價值語言來支撐採購決策，才能避免只看短期數字，做出平衡且永續的選擇。
結論：採購邏輯轉向，現在就開始建立成果基線
AI代理人正在改寫企業軟體採購的邏輯，從席次訂閱走向成果與使用量混合計價。這個轉變不是一時的熱潮，而是軟體從工具變成數位勞動力後，必然發生的結構性調整。企業現在就可以開始準備，而不是等到下一次續約才被迫面對。
三個今天就能做的行動
第一，盤點一個高頻、規則明確、可量測的任務場景，建立現況基線。第二，找採購、財務與法務一起討論混合計價的可行結構。第三，檢查現有系統的身分權限與稽核日誌，看看是否足以支撐代理人安全執行任務。這三件事不需要等預算，今天就能開始。
從下一個採購案開始改變
下一次簽署軟體採購合約時，試著把「成果基線」、「驗收指標」與「治理條款」納入討論。從買功能轉向買可驗收成果與可控風險，讓每一筆採購都能對齊企業的長期價值。
延伸閱讀：
- 企業AI化轉型完整指南
- 成果計價模式解析
- AI治理與合規