目錄
週二下午的會議室裡，老闆問：「這筆客戶折扣是誰核准的？」業務說不是他，客服說是系統自己跳出來的，IT說那是AI代理自動執行的。六個人面面相覷，沒人能回答「誰負責」。這正是多數中小企業導入AI代理時真正卡住的地方，不是工具不好用，而是AI代理的授權與責任沒有先設計好，老闆自然不敢放手。
AI代理是什麼？從「問答」走向「代辦」的關鍵轉變
生成式AI只給草稿，代理式AI會自己動手
生成式AI像一位坐在旁邊的助理，你問它答，草稿交到你手上，最後按下送出的人是你。代理式AI（Agentic AI）則像一位被授權的員工，它會自己查資料、呼叫工具、寄信、下單、改設定，過程中好幾步不需要你點頭。
差別不只在效率，而在決策權跑到哪裡去了。當決定權從人手上移動到系統裡，責任的座標也跟著移動。
AI代理在中小企業最常被派去做的五件事
- 客服回覆與退換貨初判
- 會議紀錄與待辦事項整理
- 報價單、合約與信件草稿產出
- 客戶資料比對與標籤更新
- 帳務對帳與異常清單彙整
為什麼「能做事」反而讓老闆更不敢用
草稿寫錯，重寫一次就好。代理做錯，可能已經寄給客戶、已經扣了款、已經改掉客戶等級。這種「不可逆」的特性，讓老闆在授權時格外猶豫。根據微軟《Work Trend Index》（2024），已有75%的知識工作者在工作中使用AI，但企業規範的制定速度明顯落後。
| 比較項目 | 生成式AI（Copilot模式） | 代理式AI（Agentic AI） | 對老闆的意義 |
|---|---|---|---|
| 決策權歸屬 | 人做最後決定後才產出 | 代理可自行判斷並執行 | 簽核鏈要掛在誰身上 |
| 工具呼叫能力 | 多半只輸出文字與草稿 | 可呼叫API、寄信、下單、改資料 | 出錯會直接動到真實資料 |
| 行動範圍 | 一次一個對話框 | 跨系統完成多步驟任務 | 需要範圍與次數的邊界 |
| 出錯影響半徑 | 一份文件重做即可 | 可能已對外發送、已扣款 | 可逆性必須先想清楚 |
| 責任清楚度 | 人按下採用，責任明確 | 自動執行，責任容易蒸發 | 必須事先指定問責官 |
| 導入門檻 | 低，員工練功即可 | 高，需權限與日誌配套 | 中小企業適合漸進式導入 |
想知道更多企業在AI管理上的共通難題，可延伸閱讀中小企業AI管理痛點的整理，先釐清自己卡在哪一關。
老闆怕的不是AI，是出事時責任憑空消失
責任缺口：當員工說「是系統決定的」
哲學家Andreas Matthias在《Ethics and Information Technology》（2004）提出「責任缺口」概念：學習型自動化系統的行為無法被完全預測，傳統「行為、意圖、責任」的歸責鏈會斷裂。代理自行決定退款、寄出報價、修改客戶資料時，員工說「是系統決定的」，供應商說「是你設定的參數」，責任就在組織內部蒸發。
自動化偏誤：覆核三秒按下同意，等於沒人看
Parasuraman與Riley在《Human Factors》（1997）指出，人對自動化系統會出現誤用與濫用行為。當系統多數時候正確，人會逐漸降低警覺。企業若把覆核設計成按鈕式簽核，覆核者平均幾秒就按下同意，反而製造「已經有人看過」的虛假安全感。
影子AI：老闆往往是最後一個知道的人
微軟《Work Trend Index》（2024）顯示，78%在工作中使用AI的員工，會自行帶入未經公司核准的工具。員工用個人帳號處理客戶名單與報價，公司既無稽核軌跡，也無從得知資料流向。思科《AI Readiness Index》（2024）也指出，僅約14%的組織在治理與人才等面向具備完整AI就緒度。
| 風險類型 | 典型情境 | 可能後果 | 初步對策 |
|---|---|---|---|
| 責任缺口 | 代理自行退款，員工說「是系統決定的」 | 客戶求償時找不到負責人 | 每條流程指定具名問責官 |
| 自動化偏誤 | 覆核者三秒按下同意 | 監督形同虛設，錯誤無人察覺 | 要求寫判斷理由並隨機抽樣 |
| 權限過度授予 | 給代理財務與客戶資料完整存取權 | 提示注入導致大範圍損害 | 最小權限，限額限時限範圍 |
| 影子AI | 員工用個人帳號處理客戶名單 | 無稽核軌跡，資料流向不明 | 工具白名單與使用規範 |
傳統做法
老闆：「這筆客戶等級是誰改的？」
員工：「是系統自己改的，我只有看到通知按了同意。」
老闆：「那到底是誰設定的？」
全場沉默。新做法
老闆：「這筆客戶等級是誰改的？」
員工：「日誌顯示是週二14:23由我覆核通過，這條流程的問責官是我。我先聯絡客戶補救，下午提出授權層級檢討。」
當員工習慣先問AI再問主管，管理容易被架空。相關情境與因應方式可參考員工問AI不問主管一文。
AI代理出錯誰負責？台灣法制與國際規範的責任歸屬
民法第188條與公司法第23條：責任回到人與公司身上
台灣法制下，AI不具法人格，責任回到自然人與法人。員工執行職務不法侵害他人權利，依民法第188條，僱用人須與行為人連帶負賠償責任。公司負責人若未盡善良管理人注意義務，也可能依公司法第23條負責。
從授權範圍、覆核紀錄與教育訓練看歸責關鍵
實務上判斷責任落點，會看三件事：授權範圍是否明確、有無覆核紀錄、是否完成教育訓練。這三項都不是事後補得出來的東西，必須在制度設計階段就留下。
歐盟AI Act與人工智慧基本法草案的分級監督方向
歐盟AI Act已於2024年8月1日生效，要求高風險AI系統具備有效的人為監督機制，並分階段於2025至2027年適用。行政院則於2025年8月28日通過「人工智慧基本法」草案，明定風險分級管理、問責與人為監督原則。金管會（2024）發布的金融業運用AI指引，同樣要求建立治理架構與人為監督。方向一致：不是禁止，而是要求分級與留痕。
| 情境 | 可能責任人 | 法源依據 | 需要事先留存的證據 |
|---|---|---|---|
| 員工擅自使用未核准代理 | 員工與公司（僱用人連帶） | 民法第188條 | 工具白名單、教育訓練紀錄、宣導簽收 |
| 代理依授權自動執行造成損害 | 公司與該流程問責官 | 公司法第23條、民法第188條 | 授權矩陣、參數設定紀錄、稽核日誌 |
| 覆核者未實質審查 | 覆核者與其直屬主管 | 民法第188條、公司內規 | 覆核時間、判斷理由、抽樣紀錄 |
| 負責人未盡監督義務 | 公司負責人 | 公司法第23條 | 制度文件、問責官名冊、複審紀錄 |
調查與留痕的做法，和處理員工申訴案件的邏輯相通，可參考依法調查與留痕的實務流程，把紀錄習慣一次建立起來。
導入第一步：用三軸風險分級盤點你的任務
可逆性、影響範圍、法遵敏感度三軸怎麼打分
可逆性看的是「能不能回復」。影響範圍看的是「單一客戶還是全體」。法遵敏感度看的是「是否涉及個資、財務、醫療、契約」。每一軸給1到3分，分數越高代表風險越大。
綠燈、黃燈、紅燈的判定規則與例外處理
總分3到4分列為綠燈，可走低度授權。5到6分為黃燈，需人工覆核後才執行。7到9分為紅燈，原則上不交給代理自動執行，或僅限唯讀建議。任一軸出現3分時，即使總分不高，也建議直接升級為黃燈以上。
一張A4表格就能完成的盤點實作
不需要大型系統，把公司現有流程列出來，逐條打分即可。重點是每一條代理流程後面，都要寫上一個人的名字。
| 任務範例 | 可逆性（1-3分） | 影響範圍（1-3分） | 法遵敏感度（1-3分） | 總分與燈號 |
|---|---|---|---|---|
| 客服回覆草稿 | 1 | 1 | 1 | 3分，綠燈 |
| 會議紀錄整理 | 1 | 1 | 1 | 3分，綠燈 |
| 報價單產出 | 1 | 2 | 2 | 5分，黃燈 |
| 退款執行 | 2 | 2 | 3 | 7分，紅燈 |
| 客戶資料修改 | 2 | 3 | 3 | 8分，紅燈 |
| 帳務對帳 | 1 | 3 | 3 | 7分，紅燈 |
四級授權矩陣：決定AI代理能放手到什麼程度
L0唯讀建議、L1草稿待核、L2限額自動執行、L3全自動
四級授權矩陣的功能，是把風險分級翻譯成「代理可以做什麼、人要負責什麼」。預設從L0與L1起步，只有低風險、高可逆的任務才考慮L3。
| 授權層級 | 名稱 | 代理可以做什麼 | 人的角色 | 適用任務範例 |
|---|---|---|---|---|
| L0 | 唯讀建議 | 只讀資料並提出建議 | 全權決定與執行 | 法規查詢、資料彙整 |
| L1 | 草稿待核 | 產出草稿與建議版本 | 修改後才送出 | 報價單、客服回覆、信件 |
| L2 | 限額自動執行 | 在金額、筆數、範圍內自動完成 | 事後抽查與異常處理 | 小額退款、庫存調整 |
| L3 | 全自動 | 不需人工介入即可完成 | 監控指標與定期複審 | 內部提醒、資料同步 |
限額、限時、限範圍的三限設計原則
給寫入權限時，一律套用三限：單筆上限、每日累計上限、可操作對象範圍。權限與金鑰分開管理，並保留隨時撤銷的機制。權限給得越精準，出事時的影響半徑就越小。
| 流程 | 單筆上限 | 每日上限 | 可操作範圍 | 超限處理 |
|---|---|---|---|---|
| 退款 | 5,000元 | 20,000元 | 指定帳戶與原交易 | 退回人工覆核 |
| 折扣核准 | 5% | 當日累計10筆 | 一般客戶，不含專案價 | 升級業務主管 |
| 報價寄送 | 30萬元 | 50萬元 | 標準品項清單 | 轉L1草稿待核 |
| 庫存調整 | 20件 | 100件 | 單一倉別 | 通知倉管主管 |
| 客戶標籤變更 | 不適用 | 50筆 | 非敏感標籤 | 需二次確認 |
超限退回與升級人工的觸發條件
常見觸發條件包括金額超限、同日筆數異常、對象屬於敏感客戶、指令內容與原授權目的不符。代理遇到這四種情況時，應自動停止並轉為草稿，交由人處理，而不是自行判斷後繼續執行。
傳統做法
業務主管：「客戶很急，直接讓AI發報價就好，出事我扛。」
老闆：「你扛？上個月是誰扛的？」新做法
老闆：「報價屬黃燈任務，走L1草稿待核。AI先產出草稿，你改完再送出，速度一樣快，而且紀錄上寫得出來是誰核准的。」
誰來當那個人？人類問責官與雙人覆核設計
每一條代理流程都要有一個具名的問責官
問責官不是掛名，而是要在日誌上看得到名字的人。他的工作是設定邊界、審視紀錄、處理異常，並在出錯時站得出來說明處理過程。
為什麼覆核者不能是設定該代理的同一個人
自己設計規則、自己按下同意，等於球員兼裁判。高風險流程採雙人覆核，且設定者與覆核者必須分離，才能形成真正的制衡。
有意義的人為控制：看得懂、也停得下來
學者Santoni de Sio與van den Hoven在《Frontiers in Robotics and AI》（2018）提出，人為控制須滿足兩個條件：人能理解系統運作邏輯與當下情境，且具備實際干預的能力與權限。若覆核者看不懂推理、也沒有權限喊停，這種監督只是形式。
| 職責項目 | 具體動作 | 執行頻率 | 產出文件 |
|---|---|---|---|
| 權限設定審核 | 確認代理權限符合授權層級 | 異動時 | 權限異動紀錄 |
| 日誌抽查 | 抽樣檢視代理執行紀錄 | 每週 | 抽查報告 |
| 異常事件處理 | 接獲告警後判斷與補救 | 發生時 | 事件處理單 |
| 授權層級複審 | 依風險變化調整層級 | 每季 | 授權複審表 |
| 教育訓練 | 對使用者說明規範與案例 | 每半年 | 訓練簽到與測驗 |
人力有限時，該先補人還是先立制度，是中小企業常見的兩難。相關思考可參考先補人還是先立制度。
留下證據：可觀測性、稽核軌跡與緊急停止鍵
代理日誌該記錄哪些欄位才算完整
一份能扛責任的日誌，要能回答三個問題：誰下的指令、代理動了什麼、誰按下同意。缺少任何一項，事後就只能靠記憶與人情來釐清。
不可竄改與異地備份的實務做法
日誌寫入後不應可被前端修改，並採異地備份。對於中小企業，最簡單的做法是設定自動匯出到獨立儲存空間，並由問責官每週確認寫入是否正常。
異常告警門檻與一鍵停止的設計
告警門檻可設在金額超限、筆數異常、非授權時段執行、連續失敗等情況。同時必須有一鍵停止的開關，且該開關要由問責官而非設定者掌握。
| 欄位名稱 | 內容說明 | 保存要求 | 用途 |
|---|---|---|---|
| 輸入指令 | 使用者或系統下的原始指令 | 至少保存一年 | 還原當時意圖 |
| 檢索來源 | 代理引用的資料來源 | 與日誌同步保存 | 判斷資訊是否正確 |
| 工具呼叫 | 呼叫了哪些系統與功能 | 不可竄改 | 釐清動了什麼 |
| 參數 | 金額、筆數、對象等設定值 | 不可竄改 | 檢查是否超限 |
| 輸出結果 | 實際產出或執行的內容 | 不可竄改 | 作為損害認定依據 |
| 覆核者 | 按下核准的人員帳號 | 至少保存一年 | 責任歸屬 |
| 時間戳 | 精確到秒的執行時間 | 異地備份 | 時序重建 |
| 異常旗標 | 系統標記的異常事件 | 永久保存 | 趨勢分析與改善 |
把作業留痕變成日常習慣，和補上工作斷層的邏輯相同，可延伸閱讀SOP與作業留痕的建立方式。
沙盒試點與紅隊測試：先在最安全的地方出錯
隔離環境試點的三個階段與通過標準
先在與正式系統隔離的沙盒環境跑試點，使用測試資料而非真實個資。通過後才進入單一流程、單一部門的小範圍上線，最後才是正式導入。
用已知錯誤案例測試覆核者真的抓得到嗎
紅隊測試的做法，是刻意在流程中注入已知錯誤與誘導指令，觀察覆核者是否攔截。若攔截率偏低，代表覆核設計需要調整，而不是責怪個人。
每月檢視、每季重新授權的複審節奏
代理的行為會隨模型更新與流程調整而改變，授權不能設定一次就永久有效。每月看日誌與異常率，每季重新檢視授權層級，是維持制度有效的最低節奏。
| 階段 | 工作項目 | 通過標準 | 負責人 |
|---|---|---|---|
| 沙盒建置 | 建立隔離環境與測試資料 | 不連通正式系統與真實個資 | IT主管 |
| 紅隊測試 | 注入已知錯誤與誘導指令 | 覆核者攔截率達九成以上 | 問責官 |
| 小範圍上線 | 單一流程、單一部門試行 | 兩週內無重大異常 | 流程問責官 |
| 正式上線 | 全面導入並納入複審週期 | 指標穩定且日誌完整 | 營運主管 |
規則式自動化、生成式AI、代理式AI怎麼選？
三種方法在可預測性與責任清楚度的差異
規則式自動化的行為最可預測，出錯時容易定位到哪一條規則。生成式AI輔助彈性較高，但人必須留在決策點上。代理式AI的生產力槓桿最大，行為不確定性也最高，責任設計最複雜。
什麼流程該用RPA、什麼該用Copilot、什麼才輪到代理
情境固定、資料結構化的流程，用規則式自動化最划算。需要理解語意、產出草稿的任務，用生成式AI輔助。只有跨系統、多步驟、需要判斷的端到端流程，才值得導入代理，並且要搭配限額授權與可觀測性。
混合配置：同一條流程也可以分層使用
同一條客服流程裡，規則式自動化可以負責分派與標記，生成式AI負責起草回覆，代理只在低風險的退換貨初判上有限度自動執行。分層配置能同時拿到效率與可控性。
| 方法 | 行為可預測性 | 責任清楚度 | 適用流程類型 | 主要限制 |
|---|---|---|---|---|
| 規則式自動化 | 高 | 高 | 結構化、情境固定 | 例外狀況需人工處理 |
| 生成式AI輔助 | 中 | 中高 | 草稿、整理、摘要 | 效率提升有限 |
| 代理式AI | 低 | 需事先設計 | 跨系統端到端流程 | 權限與監控成本高 |
| 評估面向 | 規則式自動化 | 生成式AI輔助 | 代理式AI |
|---|---|---|---|
| 導入門檻（星數越多越容易） | ★★★ | ★★ | ★ |
| 效率槓桿 | ★ | ★★ | ★★★ |
| 風險可控度 | ★★★ | ★★ | ★ |
| 內控成本（星數越多成本越低） | ★★★ | ★★ | ★ |
| 員工接受度 | ★★ | ★★★ | ★★ |
員工使用規範：防堵影子AI的紅線與白名單
哪些工具可以用、哪些資料絕對不能進
採白名單制：只有經過核准的工具可以使用，其餘一律視為未授權。資料則採負面表列，客戶個資、財務資料、合約全文、未公開的營運數字，明確禁止輸入任何未經核准的AI服務。
個人帳號與公司帳號的界線怎麼劃
公司資料一律只能進入公司配發的帳號，個人帳號不得處理任何業務資料。若員工需要更快的工作方式，公司應該提供替代方案，而不是只說不行。
教育訓練、違規處理與通報管道
教育訓練每半年一次，搭配實際案例說明後果。違規處理要有明確層級，從提醒、書面警告到權限停用。同時建立通報管道，讓員工在發現自己誤用時能主動回報，降低損害。
| 行為類型 | 綠燈（可自主） | 黃燈（需申請） | 紅燈（禁止） |
|---|---|---|---|
| 工具選用 | 公司白名單內工具 | 白名單外的新工具試用 | 未經核准的個人帳號工具 |
| 資料輸入 | 公開資訊與內部非敏感資料 | 去識別化後的營運資料 | 客戶個資、財務、合約全文 |
| 對外發送 | 內部通知與提醒 | 客戶信件草稿待核 | 代理直接對外承諾價格或條款 |
| 帳號使用 | 公司配發帳號 | 跨部門共用帳號需登記 | 個人帳號處理公司資料 |
| 權限申請 | 唯讀權限 | 限額寫入權限 | 完整讀寫與金鑰權限 |
傳統做法
員工：「我用自己帳號比較快，公司又沒規定。」
主管：「那你把名單貼上去了嗎？」
員工：「⋯⋯」新做法
主管：「公司AI使用規範採白名單制，客戶名單只能進公司帳號的核准工具。我幫你開權限，十分鐘就好，之後就不用偷偷來。」
規範要能執行，前提是主管願意管。若組織長期存在不敢管的文化，可先參考主管不敢管員工的管理重建。
中小企業30／60／90天導入行動計畫
第1個月：盤點任務、完成三軸分級
把現有流程列出，逐條打三軸分數，標示燈號與負責人。這個月的產出是一份能看懂、能用的任務分級清單。
第2個月：指定問責官、啟動沙盒試點
針對黃燈與紅燈任務指定具名問責官，並在隔離環境啟動試點與紅隊測試，確認覆核者真的抓得到錯誤。
第3個月：制度上線、建立複審節奏
公布授權矩陣與使用規範，正式上線並納入每月檢視、每季重新授權的節奏。制度上線不是終點，而是維運的起點。
| 階段 | 重點任務 | 產出文件 | 檢核指標 |
|---|---|---|---|
| 第1個月（1-30天） | 盤點任務並完成三軸分級 | 任務分級清單 | 高風險任務全數標示 |
| 第2個月（31-60天） | 指定問責官並啟動沙盒試點 | 問責官名冊與試點報告 | 紅隊測試攔截率達標 |
| 第3個月（61-90天） | 制度上線，建立複審節奏 | 授權矩陣與使用規範 | 日誌完整率與異常處理時效 |
| 第4個月起 | 每月檢視、每季重新授權 | 月報與複審表 | 異常率下降、覆核品質提升 |
制度要落地，往往牽動組織與流程的調整，可搭配組織再造與制度調整的觀點一起規劃。
常見問題FAQ：AI代理授權責任實務五問
法律責任、風險分級、權限設定
Q1：AI代理出錯，法律上到底誰要負責？中小企業的責任歸屬怎麼看？
台灣法制下AI不具法人格，責任回到自然人與法人。員工執行職務不法侵害他人權利，依民法第188條，僱用人須連帶負賠償責任。公司負責人若未盡善良管理人注意義務，也可能依公司法第23條負責。實務判斷會看授權範圍是否明確、有無覆核紀錄與教育訓練，制度留痕就是最實際的自保。
Q2：中小企業沒有法遵人力，AI代理的風險分級該怎麼做？
用三軸簡化就夠。可逆性看能否回復，影響範圍看是單一客戶還是全體，法遵敏感度看是否涉及個資、財務、醫療與契約。三軸都低就放行，任一項高就必須人工覆核。一張A4表格即可完成，重點是每一條代理流程都有具名的人負責。
| 軸向 | 低風險（1分） | 中風險（2分） | 高風險（3分） |
|---|---|---|---|
| 可逆性 | 可即時回復 | 需人工補救 | 難以回復 |
| 影響範圍 | 單一內部文件 | 單一客戶或少數人 | 全體客戶或跨部門 |
| 法遵敏感度 | 不涉敏感資料 | 一般營運資料 | 個資、財務、醫療、契約 |
Q3：要給AI代理多少授權權限才安全？
採最小權限原則，預設唯讀，需要寫入時用限額、限時、限範圍三限設計。例如退款代理單筆上限5,000元，每日上限2萬元，只能操作特定帳戶。金鑰與權限分開管理，並保留隨時可撤銷的機制。權限給得越精準，出事時的影響半徑就越小。
人為覆核、稽核留痕
Q4：AI代理的人為覆核常常變成橡皮圖章，怎麼辦？
這是自動化偏誤的典型症狀。做法是把覆核設計成必須做判斷，而非按同意：隨機抽樣、要求覆核者寫下理由、定期注入已知錯誤的測試案例，檢查覆核者是否真的抓到。同時記錄覆核時間，若平均低於數秒，代表監督已形式化，需要重新設計流程。
Q5：AI出錯時怎麼留下可追溯的紀錄？稽核軌跡要記哪些欄位？
每一步都留痕：輸入指令、檢索來源、工具呼叫、參數、輸出結果、覆核者、時間戳與異常旗標。日誌需異地備份且不可竄改，並設定異常告警與一鍵停止。這不只是資安要求，也是未來舉證與責任釐清的關鍵，可參考NIST AI風險管理框架的量測與管理功能。
| 常見誤解 | 實務正解 | 依據 |
|---|---|---|
| AI沒有法人格，所以沒人需要負責 | 責任回到員工與公司，僱用人可能連帶負責 | 民法第188條、公司法第23條 |
| 給滿權限才跑得動 | 採最小權限，預設唯讀，寫入用限額限時限範圍 | OWASP（2025）、NIST（2024） |
| 有按同意就算有人監督 | 需看得懂、停得下、寫得出理由才算實質覆核 | Santoni de Sio與van den Hoven（2018） |
本品牌觀點：制度先於工具，老闆才敢放手
從企業建構角度看AI代理治理
在PersonaGruppe（薈豐頤和）的顧問實務裡，AI代理治理很少是單純的資安專案。它更接近組織設計問題：誰有權、誰負責、誰檢查、出錯時怎麼補救。這些問題在沒有AI的年代就存在，只是代理把它們放大。
授權矩陣其實就是職責分工的延伸
四級授權矩陣本質上是一份寫給AI看的職務說明書。它定義了這個「數位員工」可以做什麼、不能做什麼、超出範圍時該找誰。和職能模型、權限清單、考核機制放在一起看，邏輯完全一致。
把代理當數位員工來管
數位員工也需要到職說明、權限清單、考核與退場機制。當企業用管理人的方式管理代理，制度自然會長出來，老闆也才敢真正放手。
| 企業建構面向 | AI代理治理對應做法 | 可引用方法論 |
|---|---|---|
| 組織架構 | 設置問責官與治理委員會 | EAS九大循環 |
| 流程制度 | 建立授權矩陣與三限設計 | 3-6-9×18項體質診斷 |
| 職能分工 | 覆核者與設定者分離 | 人資九大循環 |
| 績效管理 | 將覆核品質納入考核指標 | 531策略地圖 |
任何制度推動都會遇到阻力，溝通方式可參考制度推動遇到反對勢力的溝通，先處理人，再處理工具。
結語：敢放手，是因為你知道誰在看著
AI代理不是不能放，是要分級放。從今天就能做的第一張表，是把公司現有流程列出來，逐條打上可逆性、影響範圍與法遵敏感度三軸分數，並在每一列後面寫上一個人的名字。當責任有座標，授權才有底氣。
延伸閱讀
