本次 SIC Agentic AI 領域組聚，召集人吳育瑞 Ray 以人脈 Agent 的產品實作出發，說明 Context 與 Eval 為何是 Agent 創造價值的關鍵；黃紹麟 Max 則以企業導入案例，拆解 Agent 如何進入組織與工作流程。
▍Agent 的價值在於理解 Context、做出正確判斷
AI 要開始執行工作，光靠更強的模型並不足夠。Ray 以正在開發的人脈 Agent 切入，過去管理人脈多半依靠通訊錄、LinkedIn 或 CRM，但當問題變成「我的人脈中，誰最適合協助這件事？」，姓名、職稱與關鍵字搜尋就給不出有價值的答案。
人與人的關係包含大量 Context：彼此如何認識、合作過什麼、對方真正熟悉哪些領域、這段關係是否符合當下需求。Agent 困難的地方因此不在於能否產生答案，而在於能否理解足夠情境、做出正確判斷。
這也帶出 Ray 強調的另一個關鍵字：Eval（Evaluation）。系統推薦了一個人，我們怎麼知道推薦得好不好？唯有透過使用者持續回饋結果是否正確，才能建立評估標準，讓 Agent 知道什麼樣的答案真正有價值。當模型能力愈來愈容易取得，產品差異可能逐漸從「用了哪一個模型」，轉向掌握了什麼 Context、以及有沒有持續改善結果的 Eval 機制。
▍做 AI Agent，其實是在重新設計一份工作
Max 把問題帶進企業組織，以正在協助的大型線上學習平台為例：上千門課程、數千小時影片、數百位老師，素材蒐集、課程設計、內容生產、出題、練習、批改到數據回流，本身就是一條複雜的工作流程。
團隊雖規劃約 13 個 Agent，第一階段只先導入「課程助教」與「陪練教練」，再依實際使用結果逐步擴展。原因在於 Agent 與傳統軟體有根本差異：傳統軟體按預設規則執行，Agent 把部分判斷交給模型，因此同一個問題可能得到不同結果，也可能記錯、產生錯誤資訊，甚至受到不當指令影響。
企業真正要建立的因此不是一段 Prompt，而是一份完整的職務設計：它負責什麼工作？使用哪些資料？按什麼步驟執行？有哪些權限？什麼事情不能做？最後由誰驗收？
▍AI 愈會做事，人的價值愈集中在判斷
Max 在開發過程中觀察到一個變化：當 AI 執行速度大幅提高，人反而成為新的瓶頸。過去工程師兩週交付一次，人也兩週做一次決策；現在 AI 幾小時就能完成一輪工作，人一天可能需要連續判斷多次。瓶頸因此從執行速度轉移到決策品質。
舉例來說，AI 遇到一個 bug，可以快速提出 A、B、C 三種修法；人的價值則在於退一步問：「這個功能真的需要存在嗎？」
AI 擅長快速展開選項，人負責收斂與取捨。Max 最後將 Agent 導入整理成幾項基本功：職務說明、工作資料、工作與驗收方式、模型成本、護欄與人設。這些看似都是 AI 問題，本質上卻回到企業原本就在做的事：定義工作、提供資訊、設定權限、控制成本、驗收成果。做 AI Agent，其實是在組一支新的團隊。
▍加入 SIC Agentic AI 領域小組
當 Agent 真正進入企業，接下來的問題不只是模型怎麼選，而是哪些工作適合交給 AI？需要什麼 Context 才能做對判斷？如何建立 Eval 與驗收標準？哪些決策仍必須留在人手上？ 都將持續在小組裡透過案例與實作交流。
歡迎關注 Agentic AI、企業 AI 導入與 AI 應用的投資人加入。SIC 各領域小組定期舉行實體聚會，從產業趨勢、實際應用到新創案例，共同評估全球早期優質標的。
📩 與我們聯繫：service@sicglobal.net