當你撥打銀行客服電話，聽著語音選單唸出「信用卡業務請按 1、貸款服務請按 2…」的時候，心裡有沒有飄過一個念頭：都已經 2026 年了，為什麼我還得像在操作一台 90 年代的傳真機一樣，對著電話按鍵玩迷宮遊戲？

這個問題，過去二十年來幾乎沒有改變。直到一位在印度土生土長的工程師，決定親手拆掉這道牆。

現象觀察：從「聽懂指令」到「代理行動」的跨度

Dipkumar Mehta 的職涯軌跡，某種程度上反映了 AI 領域本身的演化路徑。2002 年從蘇拉特 C.K. Pithawalla 工程技術學院取得電機學士後，他從電信工程師出發，陸續服務於 HCL Infosystems、Wipro Infotech、美國運通，甚至在華沙協助花旗銀行升級客服中心平台。這一段扎實的「前 AI 時期」經歷，其實埋下了他日後創新的關鍵視角。

話說回來，真正讓 Mehta 走入業界視野的轉捩點，是 2016 年他加入舊金山 LendingClub 擔任首席工程師之後。他設計並推出了美國金融服務業最早的對話式 AI 系統之一，這套系統解決了一個很實際的痛點：傳統電話網路是同步且嚴謹的，但雲端 AI 服務是非同步且相對較慢的——兩者之間的技術鴻溝，過去被認為幾乎無法在即時通話中克服。

Mehta 的做法是建立即時音訊串流層，讓系統能在人類可接受的毫秒級時間內完成語音辨識與意圖判斷。結果呢？錯誤轉接的電話大幅減少，大量符合條件的請求無需人工介入即可解決，每年為公司省下數十萬美元的營運成本。他開創的這種將語言推論直接嵌入即時通話路徑的模式，如今已成為全球企業對話式 AI 的主流設計。

「過去的選單樹狀圖，其實是在承認機器無法理解我們。客戶應該能夠用自己的話語和語言，表達他們的需求，並在第一次就被正確引導。」—— Dipkumar Mehta，這句話點破了客服產業二十年來不願面對的真相：我們不是沒有技術，是缺乏想像力。

原因剖析：為什麼「選單式對話」終將被淘汰？

首先，傳統 IVR（互動式語音應答）系統的設計邏輯，本質上是「機器為中心的思維」——系統預設了所有可能的路徑，然後要求使用者自行對號入座。這種設計的前提是：使用者的需求可以被窮舉。但現實中，客戶打電話進來的問題千奇百怪，從「我忘記網路銀行密碼」到「這筆交易我沒看過」，每一種情境都需要數層選單才能觸及。

其次，這種模式的失敗成本極高。根據業界內部估算，客服中心每次錯誤轉接的平均成本約為 5 到 15 美元，若再加上客戶流失的隱性損失，數字更為可觀。Mehta 在 LendingClub 的實踐證明了，一旦將自然語言理解導入即時通話路徑，企業每年可以省下數十萬美元的營運成本——這還只是金融服務單一領域的數據。

再者，Mehta 在 2020 年加入 AWS 後的轉向更具指標意義。他將重心從「對話式 AI」進一步推進到「代理式 AI（agentic AI）」——這類系統不再只是被動回答問題，而是能自主規劃並執行多步驟任務。他開發的平台能將過去耗時多年、耗資數百萬美元的客服中心遷移專案，壓縮至數週內自動執行，並已被 AWS Professional Services 採用為醫療、保險、金融服務及公共部門客戶的標準加速器。

換句話說，AI 的價值已經從「理解你在說什麼」進化到「幫你把事情做好」。這兩個層次之間的差距，就像導航軟體從「告訴你前方路口左轉」進化到「幫你避開所有塞車路段並自動預約停車位」——前者解決的是「知道」，後者解決的是「做到」。

從產業面來看，Mehta 的職涯路徑其實揭示了一個殘酷的現實：過去十年，多數企業導入的 AI 解決方案仍停留在「自然語言理解」的初階應用，但真正的競爭壁壘已經轉移到「代理式 AI」的實作能力。台灣的金融業、電信業者如果還在檢視自己的語音辨識準確率，可能已經落後了至少一個世代。說句不中聽的，當你的競爭對手已經用 AI 代理人在十分鐘內完成過去需要三個人花一整天處理的申訴案件時，你確定還要繼續優化你的 IVR 選單嗎？

影響評估：代理式 AI 將如何重塑企業營運？

首先，人力資源配置將出現結構性轉變。當 AI 代理人能自主處理多步驟任務後，客服人員的角色將從「問題解答者」轉變為「例外處理者」與「AI 訓練師」。這不是取代，而是職能升級——但前提是企業願意投入資源進行員工再訓練。

其次，品質保證的週期將被大幅壓縮。Mehta 開發的另一個配套平台，透過自主代理人驗證 AI 代理行為，將原本需要數週的人工 QA 測試週期縮短至數小時。這意味著 AI 系統的迭代速度可以從「季為單位」推進到「週為單位」，對於需要快速回應法規變遷或市場變動的產業來說，這是決定性的競爭優勢。

再者，跨領域應用的想像空間正在打開。Mehta 在學術界發表的同儕審查論文，主題從強化學習適應性雲端安全政策，到放射學中保護隱私的分散式機器學習，涵蓋範圍相當廣泛。這說明了代理式 AI 的框架並不僅限於客服場景——任何需要多步驟規劃與執行的領域，從醫療診斷輔助到資安威脅回應，都可能成為下一個應用戰場。

有趣的是，Mehta 並沒有把 AI 視為萬靈丹。他對家鄉古吉拉特邦工程系學生的提醒相當務實：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。但我具備的習慣是仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這種習慣適用於任何技術，包括那些尚未發明的技術。」

這句話說得很輕巧，但背後藏著一個很深的道理。與其追逐最新的技術名詞，不如培養拆解系統失效原因的能力。畢竟，所有 AI 系統最終都會在某些邊界條件下失靈，而真正有價值的工程師，是那些能在系統失靈之前就預見問題、並設計出防護機制的人。

趨勢預測：未來十年，人機對話的終局是什麼？

Mehta 自己給了一個相當清楚的答案：「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。這是一個更困難的工程問題，也是未來十年工作的重點。」

這段話的關鍵字是「信任」。技術上，讓 AI 理解一個句子的意圖已經相對成熟；但讓 AI 在沒有明確指令的情況下，自主規劃路徑、執行多步驟任務、並承擔決策後果——這涉及的不只是演算法，還包括可解釋性、錯誤復原機制、以及人為監督的界線設計。這些問題沒有單一解答，需要產業、學術與監管機構共同摸索。

從更宏觀的角度來看，代理式 AI 的普及將重新定義「服務」本身的內涵。過去，企業提供服務的方式是「設計一套流程，然後讓客戶配合走完」；未來，服務將變成「理解客戶的目標，然後幫客戶完成它」。這中間的差異，從「客戶要配合機器」翻轉為「機器要配合客戶」，正是 Mehta 口中「更困難的工程問題」的具體內涵。

對於台灣的企業決策者來說，現在該問的問題不是「我們什麼時候導入 AI 客服」，而是「我們組織內部有哪些流程，值得被重新設計成由 AI 代理人自主完成？」這個問題的答案，將決定未來五年你在產業中的相對位置。

　行動呼籲：現在就盤點你組織內部的客服或業務流程，找出「選單超過三層」或「需要客戶重複輸入資訊超過兩次」的環節。這些都是代理式 AI 最優先的導入候選場景。如果你不知道從何開始，不妨先問問你的團隊：「如果這個流程完全由 AI 自主執行，我們要怎麼設計監督機制？」——這個問題本身，就是最好的起點。

本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。

常見問題 FAQ

什麼是代理式 AI（agentic AI）？它跟 chatbot 有什麼不同？

代理式 AI 不是只回答問題的聊天機器人，而是能自主規劃並執行多步驟任務的 AI 系統。它能根據目標拆解任務、調用工具、決策行動順序，並在過程中自我校正，最後完成一個完整的任務。

代理式 AI 的導入成本大概多少？中小企業負擔得起嗎？

導入成本因規模而異，從雲端按用量付費的模式到企業級客製化方案都有。近年 AWS、微軟等平台已提供相對成熟的模組化服務，中小企業可以用較低的初始成本從單一流程試行，不必一次性投入數百萬美元。

代理式 AI 會不會造成大量客服人員失業？

現階段代理式 AI 主要取代的是重複性、規則明確的工作，但同時會創造 AI 訓練師、流程設計師、例外事件處理專員等新職缺。人員的角色將從「執行者」轉為「監督者與優化者」，職能升級是必然趨勢。

台灣企業導入代理式 AI 需要注意哪些法規問題？

主要需注意《個人資料保護法》對於客戶資料處理與跨境傳輸的限制，以及金融、醫療等特許行業對於自動化決策的合規要求。建議在導入前諮詢法律與資安專業人士，並確保 AI 系統具備完整的稽核日誌功能。

代理式 AI 的技術成熟度現在到什麼階段了？

目前在客服中心遷移、IT 自動化維運、供應鏈異常處理等領域已有成熟的商業化案例。但在醫療診斷、金融交易決策等高風險場景，仍處於試驗與驗證階段，距離全面自動化還需要 3 到 5 年的技術演進。

※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。