教了一年生成式 AI，我發現最珍貴的是「陪著組織長出自己的大腦」

在同一家法人機構連續講授生成式 AI 課程，對我來說是一段很特別的經歷。一方面，我看著同一批同仁從一開始的陌生、觀望與試探，到現在他們必須將 AI 融入日常工作並展現成效。另一方面，我自己也經歷了身分轉變，從單純介紹工具的講師，慢慢變成設計流程、拆解知識，甚至跟著思考組織導入條件的引導者。

那時候，我還不敢直接碰觸組織工作流程的 AI 導入。我只帶著研究者的心態，分享自己整理知識的過程，以及與 AI 輔助共創的經驗。我也想避開單純的技巧展示跟零碎應用，盡量把焦點放在方法論、知識庫跟流程上。當時我在課堂上不斷強調，每個組織都有專屬的運作方式，各單位也該有自己的大腦。不過，那時我的能力也就停留在「呼籲」階段，到底組織能力要怎麼透過 AI 來強化，我自己也還在摸索。

到了 2025 年 9 月中旬，這家機構提出了更具體的要求，課程主軸從個人工具應用，轉向組織導入能力。他們總經理在開場時強調要全員導入 AI，那段話我至今印象深刻。總經理對所有人說，他們要透過種子培訓、跨單位擴散、黑客松、專題研究跟能力分級等方式，把 AI 從少數人的技術嘗鮮，變成全體的共同語言與行動基礎。

在這階段的課程裡，我還是從自己熟悉的工具切入，試著讓大家練習用市面上的工具，去解決日常工作中重複性高的任務。礙於當時個人的技術能力跟對工作流程自動化的了解有限，我還是用 ChatGPT 的 Project、NotebookLM 來引導大家設計知識整理、會議紀錄與研究產出的半自動化流程。在資料結構方面，我也只能談怎麼把書籍、報告、手冊、會議內容跟方法論，整理成 AI 容易讀取的格式，像是運用 Markdown、標題階層、標籤與模組化概念。至於 RAG，我當時能力還不到，沒辦法排進課程裡。

進入 2025 年 11 月，出現了一個有趣的轉折。這家機構的某個單位舉辦了員工旅遊家庭日，安排了一小段 AI 體驗課程。當時的要求是不能教太難、氣氛要輕鬆，但又要讓大家學到東西。於是，我帶著大家大量運用 Google AI Studio 與各種建置功能，動手實作網頁、遊戲、繪本、互動頁面與小應用程式。

如果說去年的重點是工具使用與知識整理，到了 2026 年 3 月，我的教學重心已經明確轉向 RAG、Skill、CLI、Codex 與自動化。這時的課程核心，已經從探討 AI 有什麼功能，轉變成如何清楚界定工作規則並交由 AI 執行。課程內容涵蓋了本機知識庫、RAG 的語意檢索、Skill 的設計與封裝，以及運用 CLI 與 Codex 直接在本機操作檔案。我們實作了產生腳本、排程執行、音檔轉逐字稿，還有批次生成報表與簡報。這個階段的重點在於建立可以複製的工作流程，層次已經超越了單次對話。這時候的我，總算稍微觸碰到了組織的工作流程，把 AI 帶進了自動化領域。

回顧起來，一切其實是被工具帶著往前走的。Claude Code、Codex CLI、Codex Windows 這些能在本機運作的強大工具，讓我終於能規畫出工作流程自動化的教學內容。這全是因為工具進步神速，幾乎即學即會，我的領悟與課程突破其實都是源自於此。

整體來看，這也是我個人的成長歷程。去年我的定位比較像工具策展人，熟悉各個模型的應用面向，了解 NotebookLM、Gemini、ChatGPT、AI Studio、深度研究功能與 Power BI 這些工具該怎麼搭配。今年，我變得更像是一名流程設計者。我的關注點從評估工具的強弱，轉移到評估哪些工作區段應該獨立拆分。我開始思考哪些評斷標準可以標準化、哪組資料必須整理成知識庫、哪條流程有封裝成 Skill 的價值，以及哪個任務適合用 Agent 的模式來跑。這兩種視角完全不同，前者是單兵作戰思維，後者則邁入了流程思維的層次。

正因如此，我深刻體會到一家機構要長期推動同仁投入高強度的 AI 學習，還要持續實驗把它導入工作流程，真的很不容易。現在的環境根本不缺工具，真正的挑戰在於維持學習動能、建立容錯文化，還有確保好的方法能夠在內部共享。組織必須讓成熟度不同的成員都能跟上腳步，主管也要願意投資時間跟資源。更重要的是，在制度上必須把 AI 能力當作核心的組織資本，重要性要高過一般的額外加分項目。這段歷程之所以珍貴，在於這個組織願意面對一個事實：AI 牽涉到個人、組織與服務能力的全面重塑，它絕對不只是用來提升個人效率的輔助工具。

不過，如果把這段歷程拿來跟當前國際主流的企業級 Agent 架構對照，我必須坦言，雖然我們累積了相當的深度，但距離真正的企業級 Agent 營運模式還有不小的差距。點出這件事是為了更精準地評估我們現在的位置，完全沒有貶低這段努力的意思。

以微軟為例，現在焦點早就超越了聊天機器人的開發。市場趨勢是把 Agent 整合進具備治理、部署與監控能力的企業執行環境。Microsoft Foundry Agent Service 的定位就是一個統一的runtime，負責把模型、工具、框架、協作、身分驗證、網路、資訊安全跟可觀測性串接起來，變成能應付正式環境的系統。Copilot Studio 則提供門檻比較低的 Agent 建置服務，涵蓋知識來源、工具、流程、人機協作（human-in-the-loop）、資料政策、分析監控與多代理協作等功能。2025 年的 Build 大會更進一步推進了 Copilot Tuning 與多代理協調。微軟討論的重點已經不再是怎麼做單一 Agent，而是著眼於怎麼把 Agent 整合進 IT、治理與營運團隊能夠承接的組織系統裡。

Google 的發展路徑也很清晰，只是切入點不太一樣。Agentspace 走的是平台路線，主打企業搜尋、權限感知、多重連接器跟無程式碼的 Agent。它強調能依照權限串接 Confluence、Jira、SharePoint 跟 ServiceNow 這些系統，提供單一搜尋介面，並根據企業內部資料給出有根據的回應，同時內建代理服務與 Agent Designer。另一方面，Vertex AI Agent Engine 偏向正式環境的部署與執行基礎設施；ADK 則是開源、偏向工程導向的開發框架，Google 也明確建議把 ADK agent 部署到 Agent Engine 上。這顯示 Google 同樣在致力把 Agent 從展示、原型跟無程式碼應用，推進到具備治理、擴充與部署能力的企業基礎設施層級。

觀察 LangGraph 與 LlamaIndex 這類Agent架構，這中間的落差就更明顯了。LangGraph 展現了 Agent 協調的工程化思維，強調長時間執行跟具備狀態的 Agent 控制能力。它的核心特徵包含持久化執行、串流、人機協作與狀態保存，很適合處理中途需要暫停、審核、回復與接續執行的工作流程。LlamaIndex 則明顯偏向資料與知識導向，它的 Workflows 採用事件驅動與步驟式結構，適合把 RAG、資料抽取、Agent 與多代理工作流組裝成可以觀測跟維護的流程，並提供 AgentWorkflow 這類多代理機制。前者專精流程控制，後者著重資料與知識流，兩者的目標都是要把 Agent 打造成具備工程化與營運能力的系統，早就超越了單純聊天的範疇。

評估我們目前狀況跟 Microsoft、Google 代表的企業級 Agent 架構之間的距離，我的看法是：在問題意識、方法論結構化、知識庫整理、個人工具應用、單點流程自動化與原型設計這些層次，我們確實有進步，成熟度遠勝過只停留在聊天跟摘要應用的組織。可是，在正式環境部署、權限與資料治理、可觀測性與評測、跨系統連接、長時間狀態管理、多代理協作、版本控管以及持續營運等方面，我們正處在從進階使用者過渡到平台化組織的階段。我們跟企業級 Agent 作業系統之間，大約還隔著一層基礎設施的落差，但這不代表我們對 Agent 感到陌生。

不過，我認為這層基礎設施的投資，會把台灣企業卡住很長一段時間，主要原因是大家不知道該怎麼評估效益。那種感覺就像是，眼看著同仁在個人 AI 應用上的能力落差，以及公司內部破碎的工作流程，再抬頭看看那些巨大的企業級 Agent 架構，根本不知道怎麼跨過那道門檻。可是如果不跨過去，未來我們就會面對一批動作靈巧的巨型企業，在效率上直接輾壓中小企業。

當然，我也不是一直這麼悲觀。畢竟跟這家機構合作了這麼長一段時間，至少看到同仁對這些技術不再恐懼或陌生。接下來，只要領導層方向明確，對基礎建設的投資能更明快一點，他們這種把中樞架構跟個人執行串聯起來的力量，絕對會成為非常強大的組織轉型動能。

總結這一年的歷程，我在這家機構教生成式 AI，表面上看是陪同仁學習新工具。但實際上，我是在跟整個組織一起摸索，把原本的專業、流程、規則與判斷邏輯，翻譯成機器可以執行的格式。我很感謝這家組織還有商周的 Alice，讓我能跟著組織的發展腳步，強迫自己學習跟成長。也謝謝他們包容我的不成熟跟各種試驗性質的教學。這個過程很慢、挑戰很多、成本不低，而且常常要反覆修正。但現在回頭看，這似乎就是一條必然會發生、而且幾乎無法迴避的路。

走到 2026 年第一季的尾聲，台灣企業對生成式 AI 的發展目標已經相當明朗。組織現在迫切需要的，是能把 AI 融入工作設計、知識治理與提升組織能力的團隊，光靠幾個熟悉 AI 工具的個人已經不夠了。我們總算理解，AI 確實正在重新定義專業、協作與組織的樣貌，它的影響力遠遠超過一個單純的新生產力工具。

明年這家機構會有什麼樣的躍進？我自己又會有什麼進展？我不知道。我只確定，我們都不可能停下腳步了。