昨天與前天，在不同單位帶 AI Agent（人工智慧代理人）的基本概念與簡單實作。這兩天下來，真的能深刻感受到「編排工作流程」對上班族來說是多麼令人心累的事。
學員最大的疑惑往往是：「我自己做明明比較快啊，為什麼要交給 AI Agent 代勞？而且你也說 AI Agent 要持續測試與微調。」
說實話，這觀點真的沒錯。
Reddit 的 AI Agent 討論區有一派觀點就認為：「AI Agent 的不穩定性，本身就是一種軟體設計上的失敗。」（註：此觀點源自傳統軟體工程對確定性 Determinism 的要求，而大語言模型底層的機率性質 Probabilistic Nature 則天然帶來不確定性）。我們的確設計了 AI Agent 流程，卻得像照顧小孩一樣，時刻緊張地盯著它會犯、或可能犯的錯，這未免也太讓人心累了。
其實，結構簡單的 AI Agent 犯錯機率並不高。例如：一天三餐的時間定期幫你掃描 Email 並自動歸檔與撰寫回覆草稿；或是三不五時去你的 Google Drive 抓最新文檔來生成簡報初稿。這些流程在 ChatGPT Work 或是 Gemini Spark 中，都能相當輕易地實現。
然而，學員也會接著說：「對，這樣確實有用，但不如等未來複雜一點的工作流，也能達到像現在簡單任務這麼穩定的水準時，我再來學完整 AI Agent 吧！」
這一點同樣沒有說錯。
本來對於上班族來說，誰會想花過多的心力去跟「不確定性」打交道呢？職場上那個「只要我再努力一點，老闆年底就能多買一輛藍寶堅尼」的酸腐笑話，可一點都不假。
但我通常會告訴學員：嘿，你現在學，是在未雨綢繆啊！現在外面多的是一群時間充裕的「少年仔」，正用 AI 做著那些你沒時間編排的 AI 工作流。他們透過大量的 Trial and Error，加上 AI Agent 底層的大語言模型變得愈來愈聰明，從中累積出了極為紮實的學習歷程。這種「英雄出少年」所帶來的威脅與壓力，會在未來這幾年展現得愈來愈明顯。
當然，我相信職場世代的更替速度不會那麼快。但是，讓少年仔瞧瞧「老灰仔」的經驗實力加上 AI Agent，展現一下什麼叫「前生可畏」，不也是挺痛快的嗎？
好啦，我知道光這樣說，可能還是不夠有說服力。
我認為最核心的價值，在於透過這個過程重新釐清自己所做的工作——到底有哪些任務是可以被梳理、拆解與自動化管理的？這一方面能幫你重新找到這份工作的核心價值（這也是應對 AI 破壞例行性工作價值時的最佳解法）；另一方面，你也等於學會了另一種「帶人」的技巧，只是這次你帶的是數位代理人（Agent）。怎麼算，這投資都是划算的啊！
總之，大家還是多試多學。為自己留一份餘裕，為職場留一份從容。