新創用AI超車，傳統企業如何求生？

新創產業正在經歷網路革命以來最重大的轉型，背後有著多重力量的匯聚。大型語言模型（LLMs）目前已經足夠成熟，能用於推理與規畫各項任務。只要提供大型語言模型相關資料，並允許它代替使用者採取行動，它就能扮演代理（agents）的角色，成為使用者的數位助理，甚至是數位員工。而目前新的架構也讓眾多AI代理能夠自主協調，打造出代理式AI系統（agentic AI systems），也就是所謂的數位同事團隊。還有低成本的應用程式介面（APIs），也大幅降低連結不同IT系統的成本，讓這些系統能夠共享資料、協同作業。此外，雖然運算能力不斷提升，雲端成本卻仍在持續下降。這些趨勢都在催生創業領域的第二次「大壓縮」：打造產品原型、進行測試、然後開發改良版本所需的成本、時間與人力，全都大幅縮減。這樣的壓縮改變了競爭的基準線。小型新創公司進軍、擴張或破壞市場的步調與成本結構，可能會迫使既有企業必須重新構思營運模式。

本文的論述依據，來自我們對數十家AI原生新創公司的研究，以及對創辦人、投資人與企業高層的訪談。文中描繪推動這種新型創業營運模式的5道力量，並探討這些力量對AI原生新創公司及其競爭對手（既有企業）的意義。

在深入探討這些力量之前，我們要先談談代理式AI為何與前幾代技術有著根本上的不同。

從工具到隊友：理解代理式AI

從大型語言模型演進到代理式AI系統，代表過去的聊天機器人工具已經轉變為能夠自主追求複雜成果的系統，也就是能夠在過程中進行規畫、行動與調整。

「大型語言模型」（如ChatGPT與Claude）能夠做為強大的導師與助手，協助使用者快速擴大對新產業、競爭態勢與法規架構之類的認知。就新創公司的創業過程而言，這些AI導師能夠全程為創辦人提供建議，協助打造商業計畫、設計募資簡報，並就募資、人才招募等事項給予指引。至於既有企業，也能在追求擴展業務範疇時使用這些功能。只要採用最近開發出來的AI研究與推理工具，無論是新創公司或既有企業，都能將數個月的學習時間壓縮到數天，甚至是數小時。

至於「AI代理」，則比大型語言模型更進一步，只要有適當的脈絡資訊、並連結正確的工具，就能執行更複雜的任務。舉例來說，只要提供商業計畫、市場研究等資料輸入，再連結試算表工具以產生結果輸出，AI財務分析代理就能製作出5年財務預測。

再到所謂「代理式AI系統」，指的是將各自具有特定用途的AI代理連結成網絡，並由一名數位經理加以協調。這套系統能夠規畫、推理、調整，並追求組織設定的目標。多國籍IT服務公司恩悌悌數據（NTT Data），將代理式AI系統導入客服，除了能用來解決個別工單，還能從幾千次對話中找出共同模式、抓出軟體錯誤等系統性問題、提出變更請求、編寫及測試修補程式，以及根據相關資訊寫出文章以便日後參考。這套系統追求的目標不只是解決個別查詢，而是要提升服務品質。（恩悌悌數據是企業級代理式AI平台Ema的客戶；本文作者李淑清與曼堤亞為Ema提供顧問服務。）

企業可以根據目標成果來打造AI代理，跳脫部門藩籬的限制。舉例來說，Ema開發了一款員工入職助理，能夠為新員工訂製員工證、分配辦公桌、預先設定筆記型電腦、啟用薪資系統、辦理福利登記，甚至是安排與關鍵團隊成員的見面會。而大多數既有企業可能都需要人資部門、IT部門及3位不同經理人，才能處理這一切工作。

破壞式變革的5道力量

目前有5道環環相扣的力量，在打造一種全新的創業營運模式。這些力量相輔相成，會隨著時間呈現複利成長。結合這些力量，就能重塑新創公司打造產品或商業模式原型、系統化測試原型、驗證原型是否真有需求、以及擴大原型規模的方式。

1. 零延遲迭代

所謂零延遲迭代，談的是開發數位產品時的回饋循環。這代表數位產品的每個版本都能在收到顧客回饋意見後立即調整，於是大幅縮短新產品設計、推出與擴大規模所需的時間。傳統上，一家軟體即服務（SaaS）的新創公司通常需要12到18個月，才能從一開始的構想，發展到最後確認產品能滿足某項強勁的市場需求（產品與市場相契合）；而根據我們的經驗，這個過程以往要耗費100萬美元以上。然而AI原生新創公司正大幅降低這些時間與成本。

前特斯拉（Tesla）員工麥可．羅西特（Michael Rossiter）與尼爾．蘇伊丹（Neal Suidan），共同創辦專為供應鏈設計的AI庫存管理平台Atomic，過程就親自體驗到了這種時程的壓縮。透過簡單的「氛圍編碼」工具（vibe-coding，透過AI協助，以自然語言輸入提示來開發軟體），他們只花短短幾天，就打造出一套可實際操作的前端使用者介面原型，足以吸引到一批付費用戶。

零延遲迭代的概念不僅適用於初期原型。Ema的共同創辦人暨技術長蘇維克．森（Souvik Sen）向我們描述AI代理如何加快軟體開發的速度。這些AI代理除了能把使用者介面（UI）元件最佳化、自動生成線框稿（wireframe，建立網站、應用程式或其他數位產品的基本視覺藍圖或基本架構），還能審視技術架構、提出更簡潔的檔案儲存結構，並針對錯誤、安全漏洞及效能問題進行即時測試。這樣一來，產品經理與工程師不再需要花上幾週，而是能在幾小時內打造出可實際操作的原型。

或許最引人注目的是，傳統的職位界線正逐漸模糊。Anterior是一家使用AI處理健康保險事先授權（prior authorization）業務的平台，現在使用者體驗（UX）設計師要修改UI程式碼時，已經無須再透過工程師，而是運用AI程式設計助理來修改軟體，直接調整介面。效率上的提升，讓該公司現在每兩週都能夠開發、測試並發布新的軟體更新。

新創公司目前只要投入極少的資源，就能探索那些對既有企業來說規模過小或不確定性過高而不值得投資的市場。而一旦發現產品與市場契合度不佳，也幾乎都能即時調整方向，大幅降低押錯市場所造成的風險。

2. 自動化的產品上市能力

AI原生企業靠著現有的各項能力，正以過去只有資金雄厚、擁有大型行銷部門的企業才辦得到的規模與速度，執行產品上市策略。這些能力正在大幅削減獲取新客戶與引導新客戶的成本。

舉例來說，部分新創公司正運用AI代理來生成及改善行銷內容、測試幾千種不同的圖片與文案組合、找出最佳的行銷訊息，以及隨時將行銷預算轉向最有效的管道。這種由資料推動的方式，讓新創公司得以執行過去需要專業團隊才能完成的行銷策略。Atomic與Tactix就是採取這種做法的公司；Tactix是一個專為速食及輕食餐廳業主打造的智慧決策平台，能即時針對顧客優惠、人力安排與庫存管理提出建議。（這兩家公司均由創投公司DVx Ventures推動成立；本文其中一位作者麥克尼爾為DVx Ventures共同創辦人暨執行長。）

代理式AI也在大幅降低成長相關的隱性成本。在傳統的SaaS企業中，每位新客戶都會帶來昂貴的人工處理成本。正如Tactix共同創辦人妮基．蒙特羅梭（Nikki Monterroso）所描述，客戶一旦在平台註冊，平台就必須開放供應商存取資料與工作流程，並定義資料該如何透過各項工具、在不同人員之間傳送，才能達成關鍵的業務目標。這件事情如果採用人工執行，由人類手動規畫每個步驟，可能需要長達數月才能完成；但代理式AI系統現在能夠將大部分的客戶引導任務進行自動化，只要幾小時到幾天就能完成。

Atomic現在只需要幾小時，就能夠用客戶資料進行售前現場demo；至於完整的系統部署，也只要傳統SaaS所需時間的大約四分之一。AI代理能轉錄客戶對話，並透過自然語言互動來設定平台；它們也能夠處理過去需要專業顧問才能完成的複雜技術轉譯。在這裡，AI代理已經能夠扮演前線部署工程師（forward-deployed engineer），負責深入理解客戶需求，進而有效整合軟體解決方案。

3. 自主的企業職能

代理式AI系統正在讓企業幾乎無須人力介入，就能對業務活動進行端到端的規畫、執行與最佳化。這會大幅減少建立與拓展新業務所需的人力，也正是傳統新創模式與採用代理式AI系統的新創模式之間最根本的差異之一。

傳統的科技產品團隊通常包含2到3名工程師、一名產品經理、一名UX研究員、一名UX設計師、再加上一名業務負責人——總共需要6到8人，才能在6到12個月內打造出一款最小可行產品。而如今的AI原生新創公司，最少只需要兩個人：一位真正理解業務問題所在的領域專家，再加上一位能打造代理式AI系統來解決問題的AI工程師。

以Tactix為例，核心產品團隊就只有一位速食餐飲業專家，加上一位AI工程師。透過AI程式設計工具，那一位工程師便完成了過去需要10個人的工作。短短幾個月，該公司就打造出一套代理式AI系統，能夠匯入並驗證餐廳資料、整合這些資料、分析模式（包括天氣與當地活動等外部因素），並針對訂價、促銷及營運，提出可執行的建議。至於裡面各自負責不同職能的AI代理，還會有另一個AI代理「經理」來加以監督。

而這樣高度的自動化，也能應用在新創公司的內部營運。在Ema，多數的人資流程與員工入職相關任務都由AI代理自動處理。而在Anterior，目前也由AI代理先行審閱合約、標出需由外部法律顧問進一步審查的關鍵問題，而將法律相關成本減少將近90％。因此，Anterior創辦人暨執行長阿卜戴．馬哈茂德（Abdel Mahmoud，資工背景的醫師），就有能力將行政人力大幅精簡到遠低於一般公司，讓40名員工足足有30名都能專注投入產品開發。

代理式AI系統除了能讓工作流程自動化，更能將集體智慧從組織的資料與歷史深處釋放出來。馬哈茂德推出了一款「AI圖書館員」，也就是數位知識管理系統，負責整理Anterior所有的文件、電子郵件、會議紀錄及其他內部通訊，讓使用者隨時隨地都能輕鬆存取。馬哈茂德經常用AI來檢視公司現況，例如詢問：「本週工程團隊最大的挑戰是什麼？」而只要幾秒，他就能得到準確、還附有引用來源的摘要。這只是更大規模轉變中的一個小例子。有許多知識，過去散落於各個檔案，並隨著人員流動而消失，但如今能夠持續編成索引，讓組織不斷學習並重複利用。

4. 極致的資本效率

靠著精實營運、產品開發期間的快速迭代、加上採用各種自主AI代理，AI原生新創公司如今只需要遠低於過去的資本，就能創立新事業、實現獲利，而且就連募資速度也比傳統新創公司要快。

例如，AI應用程式開發架構LangChain，就將通常需要超過兩年的募資歷程壓縮到10個月，完成了2,500萬美元的A輪募資。至於AI原生法遵自動化平台Delve（專門協助新創公司與既有企業取得安全認證），也在完成種子輪募資僅僅6個月後，就再募得3,200萬美元的A輪資金。

DVx Ventures在4年內培育出12家新創公司。其中，AI原生企業在達到A輪里程碑時，平均只花了200萬美元，比過去未採用AI的新創公司少了80％，而且達到A輪里程碑所需的時間也縮短20％到40％。每家企業所需資金減少，創投公司便能同時押注更多企業，而有機會提升整體投資組合的報酬。

5. AI驅動的飛輪效應

代理式AI新創公司能夠為企業客戶解決核心業務中那些「無法解決」的人工任務，也就能及早深入理解這些客戶的核心要務，並持續改善滿足這些要務的方法。這也成了它們主要的競爭優勢之一。事實上，現在已經有許多能夠客製化的AI介面，也有愈來愈多現成的AI代理開發平台。這些新創公司的真正強項，在於為企業客戶部署客製化AI代理，協助他們在最攸關營收的事業單位解決最棘手的問題，進而取得深厚的營運與工作流程專業知識。

舉例來說，Anterior能在習慣規避風險的健康保險產業快速打開市場，正是因為運用了AI代理，打造出馬哈茂德所謂「最出色的病歷匯入引擎」。這套系統能夠穩定處理傳真機傳來的PDF檔，而這正是許多人類與AI系統都難以應付的「苦差事」：從非結構化文件當中取得結構化資料。

另外，在事先授權審查過程中，每個案件的非結構化病患資訊常常高達600頁，而Anterior的AI代理就能將這些大量的臨床資料結構化，使健康保險公司迅速獲得極具價值且精準的見解。有了這些結構化資料，健康保險公司就能改善照護管理、風險調整與理賠的正確性。接著，像Anterior這樣的公司還會協助健康保險業者建立更完善的流程，包括讓業者打造自己的AI代理。正如馬哈茂德所解釋，如果運用Anterior的平台，「就算是剛離開第一線病房的護理師，只要幾週，就能設計出自己的臨床AI工作流程。」隨著時間過去，客戶的留存率也會愈來愈高，因為Anterior深度整合進客戶的工作流程，提高轉換成本，讓用戶愈來愈難跳槽，也成為新競爭者難以跨越的門檻。

代理式AI系統最強大的特性之一，就在於具備自我強化的循環機制，讓系統能從自身的行動與結果學習，進而持續改善某項企業職能。這正是所謂的飛輪效應：更多使用，就能帶來更多見解，進而提升客戶參與度與AI代理的效能，於是又帶來更多使用。就像SaaS企業會隨著累積更多客戶資料而變得更有價值，AI原生新創公司也能夠透過AI代理累積專屬的工作流程知識，創造如雪球般愈滾愈大的競爭優勢。

在平台層級，像Ema這樣的企業也部署這類新一代內含AI代理的SaaS產品，逐步累積對營運與變革管理的深刻理解。舉例來說，Ema為了確保企業領導人順利部署AI，會建立清楚的使用規範，並建議適當的防護機制，進而降低他們在導入AI時的壓力。Ema十分善於將那些通常十分混亂、仰賴人工處理的任務（如客服與新員工的入職訓練），轉化為有系統的自動化流程。隨著AI部署的規模與複雜度不斷提升，駕馭複雜營運的能力，將成為極其重要的競爭優勢。

既有企業必須重新思考自身架構

資本效率高的AI原生競爭對手崛起之後，在在顯示了既有企業的組織方式與AI代理系統的運作模式，有著結構性的落差。新創公司的組織原則是追求簡潔的工作流程、緊密的學習循環，以及專為持續學習型系統設計的資料模型。相較之下，多數既有企業的發展則是追求穩定性、專業化與控制，並對實驗與創新有所抗拒。

對既有企業而言，真正的障礙並不在於缺乏AI工具，而是這些工具所置身的組織架構。有些員工花了10年才熟悉穩定的作業流程，現在要改用AI來協助工作，他們並沒有做好相應的準備。至於中階主管，他們過去的權威是來自於對資訊與資源的掌控，因此往往會對任何威脅其掌控範圍的事物感到抗拒。這並不代表他們缺乏能力，而是反映出這些職位原本的設計方式。正如克雷頓．克里斯汀生（Clayton Christensen）等人在本刊第一篇談到破壞式創新的文章所警告，那些服務核心市場的流程，會因為「運作極為成功，讓〔既有〕企業看不到」新的運作方式。〔參見本刊數位版文章〈掌握破壞式技術浪潮〉（Disruptive Technologies: Catching the Wave）〕

至於技術債（technical debt，也就是因為軟體設計不佳，而在後續不得不投入額外的修改工作、時間與資源），則更進一步放大了這項挑戰。企業內部的工作流程很少有清楚的文件紀錄；資料存於各自為政的部門之內；整合常常出現問題；而一旦出現異常則需要人工介入處理。代理式AI十分仰賴清楚的工作流程、統一的資料、持續的回饋循環，而這些要求對既有企業而言可能相當困難。既有企業最常犯的錯誤，就是還沒重新設計工作流程，就急著導入自動化。正如麥可．韓默（Michael Hammer）所言：「別再鋪路給牛走了。與其把過時的流程嵌入晶片與軟體，我們更該徹底淘汰這些流程，重新開始。」〔參見本刊英文版1990年7-8月號文章〈工作再造：別自動化，而要推倒重來〉（Reengineering Work: Don't Automate, Obliterate）〕

經濟因素又加大了這股壓力。AI原生企業現在只需要過去一小部分的資金與人力，就能達成早期的里程碑。如果競爭對手只要用同樣的資源，就能創造5倍產出，或是只要用五分之一的資本，就能在市場上有吸引力，整個產業的成本曲線都會因此改變。這樣的變化，將迫使既有企業面臨兩難：不是大幅降價（可能影響營運的穩定），就是維持價格不變（但競爭力可能逐漸流失）。

然而，AI原生新創公司卻面臨既有企業能夠善加利用的弱點。自主系統會帶來品質、可靠性與法遵的風險：一次訊號誤判、一項錯誤核准，或一次配置失誤，都可能在現實世界造成影響。要展現自己有能力控制多代理系統絕非易事，特別是這些系統背後的AI模型在本質上也難以預測。不同於傳統軟體，AI代理並不是每次產生的結果都完全相同，於是其行為也更難標準化與驗證。新創公司必須建立各種測試、監控與升級處理機制，而既有企業過去為此可是耗費了數十年的時間不斷改進。這些機制包括稽核追蹤（audit trails）、法遵報告、事故應變文化，以及在錯誤發生時，需要有像是事故指揮官、根本原因分析，以及事後檢討等制度。AI原生新創公司或許會發現，它們需要這些機制，才能取得客戶的信任。既有企業可以運用長期為外界所稱道的卓越營運與遵守法規，讓AI原生解決方案看起來像是天生風險更高、更不可靠的選擇。

人才則是另一項限制。雖然代理式AI能處理簡單任務、減少整體人力需求，卻也大幅提升對於具備深厚專業產業知識的頂級人才的需求。而這些人，往往早已受雇於大型既有企業。隨著大型語言模型逐漸成為鮮有差異的大宗商品，真正能帶來差異的企業資產將會是各種專有資料、能以AI為核心再造內部工作流程，以及具備必要的組織專業來結合AI的速度與人類判斷力。只要既有企業能下定決心，徹底改變營運模式，就能取得這些資產，進而創造競爭優勢。

既有企業必須問的是：「我們該如何重新設計工作，讓人類與AI代理共同學習？」真正能勝出的架構，將是一套刻意讓資料、流程與決策規則隨時間持續改進的系統。

既有企業目前該怎麼做

有些試行計畫只是把AI代理硬套進原本就有問題的工作流程，別再做這種事了。相反地，要先從工作流程中阻力最大、風險最高的環節下手。

針對五大破壞力量，進行弱點審查。仔細檢視幾項最重要的工作流程，釐清流程在哪些環節減緩速度、太多人員經手，或是逼迫人員在缺乏充分資訊的情況下做出決策。這些流程可能是大量案件的受理與分流流程，例如保險理賠申請、醫療轉診或貸款審核作業，它們往往由基層員工處理，而最初的小錯誤在後續可能引發巨大的連鎖問題。此外，在人資入職訓練或供應鏈協調等工作流程中，以人工方式將資料移轉於不同系統之間，也常導致關鍵脈絡資訊的流失。這些弱點正是AI原生競爭對手會首先攻擊的目標，因為只要能夠修正其中一項弱點，就可能在一夜之間重塑客戶的期望。企業在這裡該有的目標，是從一個行動敏捷的競爭對手觀點，重新審視自己的業務。找出哪幾項流程能真正構成你的優勢，又有哪幾項流程可能很快就成為負擔。

從一個範圍有限、阻力極大的流程開始。挑選一項真正重要的工作流程，優先加以改善。這項流程必須夠有意義，能讓你明顯感受到進步，同時範圍又夠有限，不至於讓你無力處理。你需要找到那個甜蜜點：既能讓你學到最多，也能讓你在改善後強化競爭優勢。不要挑選容易完成的試行計畫，而要選擇那種一旦解決，就能明確提升整個組織標準、重塑客戶或團隊期望的課題。以恩悌悌數據為例，艾杜雅多．蒂爾迪（Edoardo Tealdi）領導的AI轉型團隊，就先從公司的一項工作開始：撰寫提案回覆潛在客戶的提案徵求文件（request for proposal, RFP）；這項流程通常需要耗費數百個人力工時。恩悌悌的提案撰寫AI代理，會運用公司所有的服務資料、客戶關係資訊，以及市場與競爭分析見解，只要20分鐘就能完成第一版草稿。這不僅提升了公司回覆RFP的數量，也提升了提案成功率。

在自動化之前，先重新架構流程。不要直接把智慧系統塞進混亂的流程，然後期待能有奇蹟發生。要是現有的工作流程過時、混亂或充滿不必要的步驟，AI代理只會以更快的速度複製出這些缺點。請先重新設計流程：移除已經不再需要的步驟、釐清各項決策的負責人，並簡化整體流程。〔參見本刊2026年1月15日數位版文章〈以組織重塑開局，代理式AI落地旅程全解析〉（Designing a Successful Agentic AI System）〕有了簡潔的結構，自動化才會放大各種成果，而不是永遠卡在舊的問題當中。

與AI原生新創公司合作。對既有企業來說，與專注於AI的公司合作，就能親眼見證現代工作流程在擺脫舊有系統束縛後能夠如何運作。你仍然能夠掌握客戶關係與決策的主導權，但合作伙伴則能向你展示，更簡潔、更快速的流程實際如何運作。這樣的合作，能讓你發現自己可能未曾察覺的內部缺口，有助於加速流程的重新設計。以美國陸軍第18空降軍開發的Maven智慧系統（Maven Smart System）為例，這套電腦視覺AI平台能夠使用不同來源的感測器資料，協助士兵辨識及選擇軍事目標，並進一步提供工作流程上的支援，協助指揮鏈完成後續簽核。而這套系統之所以成功，關鍵就在於與業界現場工程師的合作。根據喬治城大學安全與新興科技中心（Georgetown University's Center for Security and Emerging Technology）資深研究員艾蜜莉亞．普羅巴斯科（Emilia Probasco）的說法，陸軍的代理式AI伙伴透過與士兵直接合作，設計出符合直覺的介面與工作流程，能夠無縫整合到第18空降部隊現有的軍事情報流程之中。

強化資料品質，並明確界定何時應將任務交還給人類處理。AI代理並不需要完美的資料，但確實需要清楚的規則與可靠的訊號，也就是那些準確、一致、值得信賴，並且真正反映現實狀況的資料點與模式。企業必須確保日常決策背後所依據的資訊都準確無誤；各種例外情況都該清晰可見，而不是被隱藏在電子郵件之中；同時也要明確指出，何時應把任務交還給人類處理。在代理式AI的治理當中，人類的參與會是極關鍵的一點。只要界線清楚、人類與AI代理的交接時機明確，且防護機制到位，AI代理就能順暢地完成工作。否則，系統就會陷入停滯、重複過去的錯誤，甚至還會更糟，製造出新的錯誤。

協助員工為角色轉變做好準備。未來，人類的重點會更放在做判斷、邊緣案例（指軟體或系統超出正常使用範圍的罕見、極端或邊界狀況，可能引發意外的行為、錯誤或當機），以及同理心；而AI代理則負責設定、協調與監控等任務。新的職責會隨之出現，例如負責監督AI代理、判讀例外狀況，以及持續改進工作流程。舉例來說，坦帕綜合醫院（Tampa General Hospital）的客服中心在部署數位AI代理Aimee之後，就請「她」負責處理例行性的詢問，如果遇上複雜的案例則會升級轉交給人類員工。客服中心的營運團隊，則持續完整掌控Aimee的知識庫與具體的回應邏輯。只要團隊與技術一同調整，雙方都會愈來愈好。無論未來怎麼定義人類與AI代理共同組成的團隊，肯定都會超越傳統的角色與職責劃分。

＊＊＊

代理式AI正在徹底重塑各個產業的競爭態勢。對創業者來說，市場進入門檻如今來到新低；而對既有企業的高階主管而言，關鍵已經不在於是否採用代理式AI，而在於該做得多快、多全面，才能安全地採用代理式AI。過去20年間，既有企業一直是站在資源優勢的位置與新創公司競爭。然而，以代理式AI為基礎的新創公司已經大幅削弱了這項優勢。而歷史告訴我們，如果等到威脅已經無可否認才採取行動，那就太遲了。

（林俊宏譯自“How Agentic AI Supercharges Startups and Threatens Incumbents,”HBR, July-August 2026）