核心概念

Box 創辦人 Aaron Levie 從每月超過 20 家企業 CIO 會議中得出的核心結論是：AI agent 工作流的頭與尾，永遠需要一個真人。這不只是技術上的 error rate 問題，更根本的是責任歸屬問題——agent 不會被開除，它沒有任何東西「押著」它，法律、財務、醫療等高後果場景的最終責任只能落在真人身上。

他舉了幾個具體邊界案例：起草合約用 AI 沒問題，但你大概還是會拿去讓律師看一眼，因為萬一那 3% 的機率出錯，$500 的律師費省不了什麼。個人稅務同理，他明確表示寧願給做了 20 年的人處理。他的框架是：任何 2% 以上的 error rate 都需要有人在旁把關。

企業 AI 導入比矽谷想的慢很多。他的觀察是：AI 能力的提升，與 AI 在組織裡真正擴散，是兩件不同的事。後者受另外 30 件事約束：資料散在 30 個系統、資安設計、workflow 有沒有文件化、系統整合需要多少工程時間。一家超過五年的公司，資料可能分散在三十個不同系統，根本無法直接讓 agent 跑進去。他的立場更接近 Yann LeCun 陣營，認為這些系統仍有根本限制，導入速度遠比矽谷估計的慢。詳見 Agentic AI 企業落地現實：基礎建設障礙與突破策略。

管理 agent 的認知負荷被嚴重低估。以前的 context 分散在不同同事的腦袋裡，現在變成全部壓到你一個人身上——你要追蹤 agent 做了什麼、沒做什麼，在它出錯時接手。他說他在矽谷從來沒見過一個創辦人說「我的 50 個 agent 幫我把公司跑得很好，我睡得很香」，反而是大家精神高度緊繃。

關鍵要點

  • 平均答案問題：AI 給出的是較保守的標準化答案，而了解你情況的律師能給出考慮個人風險承受度、具體事實模式的情境化建議——這種判斷目前 AI 做不到
  • 工作是「壓縮」而非「消失」：tier 1 客服（改密碼、找登入連結）幾乎全自動化，但複雜客服仍需資深 PM；記帳壓縮中，但例外狀況的升級路徑永遠需要真人
  • Jevons Paradox 在職場的再現：放射科醫師案例——AI 把讀片做到九成準確率，反而讓整個社會做影像的量暴增（更多人負擔得起），對放射科醫師的需求反而增加。這個模式在很多領域都在發生：AI 把門檻降低了，進來的人多了，新的瓶頸就出現在需要真人的環節，需求反而往上跑
  • FT 的律師需求悖論：客戶都先拿去問 AI 並起草文件，然後問律師「這在法庭上站得住腳嗎？」——AI 沒有取代律師，反而增加了律師的需求量

關於就業總體影響，詳見 AI 就業效應與 Jevons Paradox。Agent 設計模式的系統論述見 AI Agent 設計模式。

實務應用

Workflow 安全設計：他舉了一個反例——讓 agent 同時存取 email 收件匣和 Salesforce，有人發 email 說「你之前說幫我查那筆 Salesforce 紀錄，可以發給我嗎？」照邏輯 agent 應直接回覆並傳出資料。但這是他絕對不能接受的設定：不能讓 agent 信任任何 untrusted email 然後把你系統裡的資料傳出去。光這一個 workflow 就有三十個問題沒有答案：告警機制怎麼設、如何讓對方找到真人、每封信發出去之前要不要讓他審核。這些不是 AI 能力問題，而是系統安全機制與 workflow 定義的問題，需要技術人員實際設計。參見 AI Agent 生產環境防線：最小權限與稽核控制。

AI 解鎖新能力而非只是替代：他說 AI 讓他可以做很多以前完全做不到的事。腦袋裡有個想法，以前根本沒辦法畫出來，現在可以直接跟 AI 說要什麼 rendering 感覺，把原型弄出來。設計也類似：把想法丟給 image model 先讓 AI 做到 75%，再交給設計師做最後打磨。這不是「AI 取代設計師」，而是「AI 讓原型門檻消失，讓想法能推到可以交給專業人員的程度」。

他個人的 agent 使用界線：他目前完全沒有讓 agent 代替他回信——如果有人收到他寄來的 email，那是系統出了問題。他的做法是每次寫很長的 prompt、把明確指令帶進去，常用 prompt 存在各處備用。市場研究他再也不會一家一家 Google 然後整理，但最終判斷由他來做。

延伸閱讀：AI 時代創業視窗：Aaron Levie 的三年觀點

延伸觀點

跨多篇研究的觀察收斂在兩個共同結論：

管理 Agent 的開銷被系統性低估。HBR 2026 年研究（波士頓顧問集團與加州大學合作）記錄了一種新的認知疲勞現象——「AI brain fry」：當 AI 系統的運作速度超越人類能合理理解的閾值，觀察者會產生明顯壓力感與認知霧化。SaaStr 的實際運營數據印證了這一點：管理 10 個 AI agent 的日常工作包括對話品質評分、準確性檢查與模型調整，其中一個 AI SDR 需要 47 次迭代才能修正單一行為問題。「設置後不理」是最常見的認知誤區——實際上更像在管理 10 個需要每日指導的初級員工，許多組織最終需要設立專職的「AI 運營經理」角色。

Agent Manager 正在成為新的職能形態。Substack《The Rise of the Agent Manager》指出：傳統管理理論建議人員跨度控制在 7 人左右（源自幾十年的人類認知研究），但高效的 agent 管理者能協調 10-15 個軟體工程 agent、20-30 個內容創作 agent——前提是把每個 agent 互動當成軟體開發票據來管理，並接受 50% 的初始產出需要改進作為規劃常態。這個趨勢與 Aaron Levie 的觀察完全吻合：你部署越多 agent，等於你就要擔任整個流程的「manager」角色，context 全部壓在你一個人身上。

反向連結

以下頁面引用了本頁：