Show Notes
模型越來越便宜、AI Agent 越來越聰明，照理來說，企業導入 AI 的 ROI 應該只會越來越漂亮。但真的是這樣嗎？ McKinsey 近期分析銀行客服 Agent 的案例時發現：模型 Token 成本只占整體運行成本的一部分，真正容易被低估的，反而是背後的「人工監督成本」。 這也帶出一個 AI 專案很容易忽略的「人力節省悖論」：原本以為導入 Agent 是為了省人，但只要每一次高風險案件、低信心回答、例外狀況都需要真人確認、審核放行，甚至修改重送，人力其實沒有消失，只是換了一種形式重新回到成本結構裡。 如果你正在推動 AI Agent、自動化工作流，或負責評估 AI 專案是否值得投入，真正該算的可能不只是「一次 Agent Run 要多少 Token」，而是： 為了讓一件工作可靠地完成，AI＋人總共要付出多少成本？ ⏱️【本集章節】 00:00｜開場：AI 越便宜，Agent 的 ROI 就一定越高嗎？ 03:38｜McKinsey 案例：Agent 真正昂貴的成本在哪裡？ 06:16｜Human-in-the-Loop 到底是什麼？ 11:27｜算一筆帳：90% 自動化，為什麼每月仍多出 50 小時人工？ 15:17｜立項階段，就該把人工監督放進 ROI 16:38｜AI 的鋸齒狀智能：Automation 與 Augmentation 怎麼切？ 17:54｜結論：模型會變便宜，但不代表整個 Workflow 一定變便宜 📊———⚙️🤖【 活 動 快 訊 】🤖⚙️———📊 10/06（二）社群專屬直播｜FDE 崛起背後，企業真正需要的 3 種判斷力 三年前還少有人聽過的 FDE，如今正受到全球企業關注。這場從 FDE 的崛起出發，聊聊 AI 時代企業真正需要的 3 種判斷力，適合想拓展 AI 職能、或正在推動 AI 專案的你。 🎟 社群限定｜輸入 ME1006 免費入場 🔗 http://go.datainnolab.ai/9mz6mv 10/17（六）起｜《AI Agent 決策實戰營》 連續 4 個週六、兩位資深講師，帶你走過 5 大 AI 專案決策流程。不只完成可 Demo 的 Agent，更帶走下一個專案也能複用的判斷框架。
🔥 本梯僅剩 6 席｜雙人報名享優惠 🔗 http://go.datainnolab.ai/9p6dqp 10/20（二）｜10 月數創國際講堂：Synthetic Consumer AI 合成消費者真的能取代部分傳統市調嗎？Tamir 與 Jason 將從 Preferences AI 的產品與客戶經驗出發，拆解 Synthetic Consumer 怎麼建立、結果是否可信，以及適用與不適用的情境。 💻 純線上｜英語分享＋即時 AI 中文翻譯｜提供回放 🔗 http://go.datainnolab.ai/9p6e4b ⚛️ 數創實驗室 DataInnoLab 活動資訊｜https://p.accu.ps/8s5utf 電子報｜https://datainnolab.pse.is/8edx6k LINE 社群｜https://datainnolab.pse.is/8s5uy5
More from 數創實驗室 - AI時代的學習指南
訂閱數創電子報，成為公司裡談 AI 最有見解的人｜https://datainnolab.pse.is/8edx6k
去年談到 Intelligence Explosion 這個概念時，我自己心裡覺得這還是個比較遙遠的假設。 但最近幾週，一連串看似獨立、實則環環相扣的事件，讓我重新意識到『這件事情，可能比我們想像的更近。』 這一集，來跟大家聊聊更宏觀的市場瞭望：AI 是否真的會威脅人類文明？ 📍 一位以安全對齊為志業的研究員 Jacob Coxon，從 OpenAI 轉職到 Anthropic，到近期離職後連發 7 條推文，直言 AI 很可能在短期內變成「能夠入侵一切系統的超人類系統」。他更點出一個更難解的問題：不是沒有人意識到風險，而是整個產業陷入「軍備競賽下沒有人敢先停」的結構性困境。
你的AI Agent「沒有跳出錯誤訊息」，不代表它沒有壞掉。 一份分析超過1萬筆企業真實AI失敗案例的最新研究《The State of Enterprise AI Failures 2026》發現，跟模型幻覺相關的失敗竟然不到一成，真正佔比31.1%的最大失敗族群，是「解決與升級中斷」——AI以為它解決了問題，其實用戶的事根本沒被處理。 本集Vincent從自身學員的實戰經驗出發，拆解為什麼多數公司的防護機制還停留在「防止AI說錯話」的舊時代，卻擋不住現在AI Agent「把事情做錯」的新型態失敗，並提出3個問題，幫你重新檢視手上AI專案的驗收邏輯：從「內容對不對」，換成「任務有沒有完成」。 如果你正在導入AI Agent、負責AI專案驗收，或正被客戶問到「為什麼同樣的問題AI每次答案都不一樣」，這集會給你一套更貼近現況的診斷框架。 📊———⚙️🤖【 活 動 快 訊 】🤖⚙️——— 來信投稿你的專案：[email protected]
Gartner 預測，超過 40% 的 agentic AI 專案會在 2027 年底前因成本失控、商業價值不明、風控不足而被喊停。這集節目，帶你看一個活生生正在發生的版本：一間金融業的法遵部門，自己用 Microsoft Copilot Studio 搭了一支 AI Agent，Demo 時回答有模有樣，上線後卻因為沒跟上監管函令改版，差點釀成合規疏漏，最後使用量一路下滑到季度檢討會上被老闆質問「當初是誰評估過的」。 問題不是團隊不夠聰明，而是「立案、搭建、問責」三個關鍵時刻都在憑感覺、憑熱度做決定，沒有系統性的判斷框架。這集會拆解 Anthropic 與 OpenAI 官方文章中不約而同的立場「不做 Agent 才是預設值，做 Agent 才是需要被論證的例外」，並帶你重新認識 2026 年最新的技術選型四層架構：Rule-based Workflow、Augmented LLM、Augmented Workflow、AI Agent，讓你手上的專案不再淪為「為 Agent 而 Agent」。
微軟砸下 25 億美元、把 7000 名工程師改編成新事業體；OpenAI 花錢併購一家公司，一口氣補進 150 位實戰派工程師。 這兩家全球最重要的科技巨頭，在幾個月內做出了一模一樣的戰略選擇：瘋狂搶進「FDE」（Forward Deployed Engineer，前線部署工程師）。 這不是巧合，而是 AI 落地卡在最後一哩路的證據。本集節目從 Palantir 的軍規起源講起，拆解 FDE 為什麼突然變成顯學，並且指出一個幾乎所有媒體都忽略的真相：真正決定企業 AI 專案成敗的，不是會寫程式的工程師，而是懂得「定義問題」的角色，我們稱它為 FDPM（前線部署產品經理）。 本集節目用 3 層結構拆解「模型 vs 企業」之間的鴻溝，並引用 Andrew Ng 對 PM／工程師比例的預判，以及 LinkedIn《Skills on the Rise 2026》報告裡一個弔詭的數據：打著 FDE 名號的職缺，最被要求的技能竟然不是 Python，而是 customer discovery 與問題拆解力。如果你正在思考 AI 時代的職涯定位，這集會給你一個清楚的座標。 📊———⚙️🤖【 活 動 快 訊 】🤖⚙️———📊 📊 ８月份數創小聚｜08/20（四）19:00-22:00 模型越換越強，系統卻沒跟著變強？這次邀請到 Taboola Data / ML R&D Team Leader Angus，從 Waymo vs Tesla 的自駕車對照談起，分享如何把「驗證→回饋」的迴圈規模化，讓系統持續變強，而不是停在第一版。 🔗：https://accu.ps/tcV0kq