AI 代理人從 Demo 到生產:harness、隔離與交接證據清單
模型能力不是代理人上生產的全部。真正決定能否長時間可靠執行的,是工作區、工具權限、狀態、交接與驗收如何被 harness 管住。
謝銘元(艾克斯)整理的企業AI導入研究、數據與實務文章。
index,follow
模型能力不是代理人上生產的全部。真正決定能否長時間可靠執行的,是工作區、工具權限、狀態、交接與驗收如何被 harness 管住。
AI 財務不該只替你解釋過去,而要提前告訴你哪一週會缺錢。第一張經營報表,應先從十三週現金流開始。
AI 工具越多,越要把訂閱、API、人工修改、錯誤成本與商業結果算在一起。真正該比較的是每項成功任務的完整成本。
一人公司最常漏掉的營收,不在第一次接觸,而在會議結束後。AI 最重要的銷售價值,是讓每筆商機永遠有下一步。
真正穩定的一人公司,不是一支什麼都能自己決定的 AI 軍隊,而是一間有規則、權限、驗收、紀錄與煞車的半自動工廠。
一人公司要用燈塔客戶跨過商業化死亡谷:先找到昂貴且重複的問題,用最小流程交付一次付費結果,再產品化。
AI 最有價值的地方之一,是把犯錯時間往前移。先在便宜的數位階段試錯,再到現實世界花錢。
一人公司打造第一支虛擬團隊,重點不是 Agent 數量,而是職責、資料、交接、權限與稽核。
Agent 數量、任務執行與 Token 消耗可以快速成長,但每多一個能採取行動的 Agent,就多一組權限、流程、例外與責任問題。
當模型能力差距縮小,企業客戶比的會是部署速度、安全、產業理解與成果。FDE 正從職缺,變成模型公司的企業市場戰略。
一組人深入現場找出值得解的場景,一組人迅速把場景變成可操作原型。FDE 的速度,不只是寫程式快,而是少在錯問題上浪費時間。
模型 Demo 通常很快,生產上線卻很慢。藏在水面下的資料品質、流程例外、安全合規與組織責任,才是 FDE 真正處理的成本。
FDE 最昂貴的部分是人,最值錢的部分卻是人帶回來的模式。只有把解法抽象、標準化、回到平台,服務才會轉成可規模化收入。
這些角色都會面對客戶,但責任邊界完全不同。關鍵不在是否駐場,而在是否能寫、能整合、能驗證,並把現場學習推回產品。
當超過百萬家企業使用模型,下一個成長問題不再只是賣 API,而是誰能把 AI 變成客戶每天依賴的生產系統。
先選一個高價值流程,組成業務與工程聯合小隊,四週做出真實原型,八週進入受控生產,十二週決定擴張、重做或停止。
企業不是把 AI 工具交給員工就算導入。長安派出 24 名業務與技術骨幹,騰訊派 10 名產品、研發與交付專家,真正的目標是共同養出懂業務也懂 Agent 的人。
模型是原料,Ontology 是企業語境,FDE 是把兩者接進決策與行動的人。真正的收入,不在呼叫模型,而在縮短從問題到成果的距離。
企業買到模型只是取得原料。FDE 直接進入客戶現場,把資料、流程、權限與人接起來,直到 AI 真的在日常營運中產生可衡量的結果。
資料、ERP、權限與流程各不相同;企業需要更深整合,但自動化開發同時壓低了客製成本。
DXC 計畫培訓數萬名 Claude 認證 FDE;執行框架則持續刪除已被更強模型吸收的舊元件。
AgentCore Harness 解決穩定執行,Delivery Harness 則沉澱本體模型、評測、MCP 與營運方法。
單 Agent 約20分鐘、9美元;完整 Harness 約6小時、200美元。更貴可能更好,但每個元件都要證明值得。
企業 AI 已不是採用率問題,而是流程重構、資料治理、員工採用與財務成果能否一起過關。
FDE 解讀真實業務,Harness 編碼執行規則,生產環境再產生失敗資料,形成持續學習閉環。
以產業知識、FDE、生產 Runtime、資產複用與單位經濟五項指標,重新檢查企業 AI 廠商。
先選值得解的問題,再做原型、真實試行、正式部署與跨場景複製;Demo 只是風險揭露工具。
把客戶腦中的隱性經驗轉成流程,再把標竿專案的共通模式轉成平台資產,才有非線性成長。
交付週期、人力、準確率、自主交付與轉換率,提供比展示影片更接近財務成果的指標。
AI Factory、AIOS、BootCamp 與專業化 FDE 分工,都是為了讓顧問知識與工程方法不再跟著人走。
首單的價值不只是一筆收入,而是取得流程入口、真實資料、內部信任與後續擴張權。
工程能力、產業顧問與客戶共同治理結合;EY 先當 Client Zero,再把流程成果向外複製。
約150名部署人才、19家合作夥伴與逾40億美元投入,顯示模型公司正在補上企業生產系統的中間層。
Ontology 不只是資料模型,而是包含資料、邏輯、動作與安全的企業作業層,讓一次交付變成平台能力。
固定 Self-Refine 不一定有效;不同任務需要在動作前、回饋後或特定狀態採取不同介入。
多步驟、跨系統、長時間與高權限任務,使狀態漂移、工具誤用與錯誤累積成為系統風險。
中國雲端業者不只提供模型與 API,也開始補上客戶陪跑、權限、連接器、評測與長期執行。
AI Agent 是在目標與限制下能規劃、使用工具並回收結果的系統;Harness 管理其任務脈絡、記憶、狀態、權限、驗證與復原。
FDE 同時定義問題、完成工程交付、驗證業務成果,並把一次專案的經驗帶回產品。
AI 能讓素材效率提高 60% 到 85%,也可能更快放大侵權、廉價感與錯誤內容。治理不是拖慢創新,而是保住產品生命週期。
劇情、角色、立繪、關卡與資產都能被 AI 加速。當內容產能提升,世界觀一致性、數值平衡與品質審核反而成為新瓶頸。
攝影機、電子秤、室內定位、邊緣運算與結帳介面被裝進同一台購物車。Caper 的意義,不只是少排一次隊,而是把線下購物行為變成可即時理解與回應的資料流。
人工巡檢每個品類可能耗時 30 至 45 分鐘,報表還會延遲。AI 圖像辨識把採集壓縮到數分鐘,更關鍵的是能在員工離店前直接派發整改任務。
Amazon、Trigo 與 AiFi 已讓無感購物在小型場景運作,但 SKU 複雜度、密集客流、攝影機成本與辨識錯誤,使大型超市的商業化仍需要時間。
海外案例已證明多條路線可用,但產業仍在早期。投資人與經營者都不該只追發布會,而要追部署規模、使用率、收入增量、庫存改善與現金回收。
海外實體零售的 AI 化,已從單一軟體工具長出五條落地路線:智能購物車、貨架巡檢、圖像辨識、供應鏈決策與 AI 購物助手。真正的變化,是數位決策開始接管物理世界。
Baby Bunting 與 Cora France 的案例顯示,AI 規劃不必在『多備貨』與『少缺貨』之間二選一。真正的成果,是用更準確的配置同時提高現貨率並降低庫存。
需求預測、補貨、庫存分配、促銷與定價被放進同一套 AI 決策平台。RELEX 的案例說明,成熟的零售 AI 不是多一張儀表板,而是讓例外管理取代逐筆人工判斷。
大型企業開始建置自己的生成式 AI 系統,高速網路需求因此從 CSP 向企業端擴散。這是第二層 AI 基礎建設。
這兩年,不少台灣 AI、SaaS 與自動化公司把日本列為海外第一站。原因很明顯:日本企業面臨缺工、高齡化、知識傳承與大量人工流程,對客服自動化、知識管理、文件處理與生成式 AI 有真需求。