從「我問你答」到「我說你做」：人機協作的典範轉移

2022 年 11 月，ChatGPT 橫空出世，人類進入了「我問你答」的 AI 時代——我們向機器提問，機器回答問題、生成內容，但最終仍由人類複製貼上、執行指令。2025 年，另一種模式悄然崛起：「我說你做」——AI 不再只是回答者，而是代理人（Agent），能夠直接執行任務、操作工具、與外部世界互動。這不僅是技術的演進，更是人機關係的根本性重構。從經濟學的委託代理理論（Principal-Agent Theory）到控制論（Cybernetics），這兩種模式揭示了截然不同的價值創造邏輯與組織影響。

一、兩種模式的本質差異

讓我們先釐清這兩種 AI 互動模式的核心對比：

對話式 AI 的代表是 ChatGPT、Claude 等大型語言模型（LLM）的聊天介面。使用者提出問題，AI 生成答案——無論是撰寫文章、翻譯文件、或解釋概念。但這些輸出停留在「建議」層面，需要人類親自將其轉化為行動。^[1]

代理式 AI 則跨越了這道鴻溝。以開源專案 OpenClaw 為例，它能夠接收指令後直接寫程式碼並提交到 GitHub、發送電子郵件、操作瀏覽器、管理檔案系統、甚至排程任務。^[2] 人類不再是「執行者」，而是「委託人」——定義目標、設定邊界、驗收結果。

這個區別看似細微，實則深刻。它改變的不是「AI 能做什麼」，而是「人類需要做什麼」。

二、委託代理理論：從資訊不對稱到完美代理人

要理解代理式 AI 的經濟學意涵，必須從 Jensen 與 Meckling 1976 年的經典論文談起。^[3] 委託代理理論（Principal-Agent Theory）描述了一種普遍的組織困境：當委託人（Principal）將任務委派給代理人（Agent）執行時，由於雙方存在資訊不對稱（Information Asymmetry）與利益分歧（Interest Divergence），代理人可能採取不符合委託人利益的行動。

這種「代理問題」（Agency Problem）在企業中無處不在：股東（委託人）聘請經理人（代理人）經營公司，但經理人可能追求個人權力擴張而非股東價值最大化；雇主聘請員工，但員工可能偷懶或謀取私利。為了緩解代理問題，委託人必須付出「代理成本」（Agency Costs），包括：^[4]

1. 監督成本（Monitoring Costs）：設計監控機制、績效考核系統
2. 保證成本（Bonding Costs）：代理人為證明忠誠所付出的成本
3. 剩餘損失（Residual Loss）：即使有監督，仍無法避免的效率損失

AI 作為「完美代理人」的可能性？

代理式 AI 對這個框架構成根本性挑戰。傳統代理問題的根源在於人類代理人擁有私人資訊（Private Information）與私人利益（Private Interest）。但 AI 代理人的特性截然不同：^[5]

• 無私人利益：AI 沒有加薪需求、沒有升遷野心、沒有怠工動機
• 可觀察性：AI 的每個決策步驟都可以被記錄、審計、重播
• 可對齊性：AI 的目標函數可以被明確設定與調整

這是否意味著 AI 能成為「完美代理人」——完全消除代理成本？

答案是複雜的。一方面，AI 確實大幅降低了傳統的監督成本。當 AI 執行任務時，其推理過程可以被完整追蹤（Chain-of-Thought），不存在人類代理人的「心理黑箱」。^[6] 另一方面，新的代理問題正在浮現：對齊問題（Alignment Problem）——如何確保 AI 的目標函數真正反映委託人的意圖？^[7]

數學模型：代理成本的重構

讓我們用一個簡化的數學模型來描述這個變化。假設委託人的目標是最大化淨效用：

其中：

• V(e)：代理人付出努力 e 所創造的價值
• M(m)：委託人付出的監督成本，取決於監督強度 m
• R(e, m)：剩餘損失，是努力與監督的函數

在傳統人類代理人的情境下，∂R/∂m < 0（監督越多，剩餘損失越少），但 ∂²R/∂m² > 0（監督的邊際效益遞減）。委託人面臨取捨：監督太少，代理人可能偷懶；監督太多，成本高昂且可能引發反感。^[8]

AI 代理人改變了這個函數的結構。由於 AI 的行為可被完整記錄與重播，監督的邊際成本趨近於零——∂M/∂m → 0。這意味著委託人可以實現「完美監督」而幾乎不付出額外成本。^[9]

然而，新的成本項目出現了：對齊成本 A(a)——設計、訓練、調整 AI 目標函數所需的資源。修正後的效用函數變為：

其中 a 代表對齊努力的程度。這揭示了一個關鍵洞見：代理式 AI 並未消滅代理問題，而是將其從「監督問題」轉化為「設計問題」。^[10]

三、交易成本經濟學：企業邊界的重劃

如果說委託代理理論關注的是「組織內部」的效率問題，那麼 Ronald Coase 的交易成本經濟學則追問一個更根本的問題：企業為什麼存在？^[11]

Coase 在 1937 年的經典論文中指出，市場交易涉及成本——搜尋資訊、談判契約、監督履約。當這些「交易成本」高於企業內部的「協調成本」時，將活動內部化是有效率的。企業的邊界，就是內部協調成本與外部交易成本相等的那條線。^[12]

Oliver Williamson 進一步發展了這個框架，提出「資產專用性」（Asset Specificity）是決定交易成本的關鍵變數。當交易涉及高度專用的資產時，外部市場容易產生「套牢問題」（Hold-up Problem），內部化成為較佳選擇。^[13]

AI 如何降低內部協調成本？

代理式 AI 對交易成本經濟學的衝擊在於：它同時降低了內部協調成本與外部交易成本，但降低的程度不對稱。

首先，AI 代理人大幅降低了內部協調的摩擦。傳統企業的協調成本來自多個層面：^[14]

• 溝通成本：資訊在層級間傳遞的失真與延遲
• 協調成本：確保不同部門行動一致的管理負擔
• 激勵成本：設計薪酬、考核、晉升機制

AI 代理人可以即時存取共享知識庫、無需休息、不存在部門本位主義。更重要的是，它們可以被複製——同一個經過微調的 AI 模型可以同時處理多項任務，邊際成本趨近於零。^[15]

其次，AI 也降低了外部交易成本。自然語言處理讓契約條款的解讀更加標準化；區塊鏈與智能合約讓履約更加自動化；API 經濟讓服務的組合更加模組化。^[16]

但關鍵問題是：哪一邊降低得更多？

我的觀察是：AI 對內部協調成本的降低效果更為顯著。原因在於，外部交易仍然涉及「信任」與「法律」兩個 AI 難以完全替代的維度。即使 AI 可以自動執行合約條款，合約的談判、爭議的仲裁、關係的維護仍需要人類判斷。^[17]

「自製 vs 外包」決策的重構

這對企業的「自製 vs 外包」決策有深遠影響。傳統上，企業傾向將核心能力內部化、將非核心活動外包。但代理式 AI 創造了第三種選擇：AI 內部化——用 AI 代理人取代原本需要外包的活動。^[18]

舉例而言，一家新創公司原本需要外包：會計、法務、客服、行銷、IT 維運。在代理式 AI 時代，這些功能可以由 AI 代理人處理，而核心團隊專注於產品開發與策略決策。這解釋了為什麼 Y Combinator 總裁 Garry Tan 預言「一人獨角獸」（one-person unicorn）的可能性。^[19]

Anthropic 執行長 Dario Amodei 更進一步預測：未來可能出現「一人十億美元公司」。^[20] 這不是誇大——當 AI 代理人可以處理大部分的執行工作，企業的價值將高度集中在創辦人的願景、判斷與決策能力上。

四、任務框架：哪些工作會被「我說你做」取代？

Autor、Levy 與 Murnane 在 2003 年提出了影響深遠的「任務框架」（Task Framework），將工作分解為不同類型的任務：^[21]

• 例行認知任務（Routine Cognitive）：遵循明確規則的腦力工作，如資料輸入、簿記
• 例行體力任務（Routine Manual）：遵循明確程序的體力工作，如組裝線作業
• 非例行認知任務（Non-routine Cognitive）：需要判斷、創意、問題解決的腦力工作
• 非例行體力任務（Non-routine Manual）：需要靈活應變的體力工作，如水電維修
• 互動任務（Interactive）：需要人際溝通、說服、協商的工作

傳統自動化主要取代「例行任務」——無論認知或體力。這造成了所謂的「就業極化」（Job Polarization）：中等技能的例行工作被淘汰，而高技能的非例行工作與低技能的服務業工作同時增長。^[22]

對話式 AI 的影響範圍

對話式 AI（ChatGPT 模式）已經開始衝擊「非例行認知任務」。它可以撰寫文章、生成程式碼、翻譯文件、甚至進行初步的法律研究。但它的影響仍然是「輔助性」的——人類仍需複製輸出、驗證正確性、整合到工作流程中。^[23]

經濟學家 Erik Brynjolfsson 等人的研究顯示，ChatGPT 對客服人員生產力的提升約為 14%，且對新手的幫助大於專家——這符合「技能壓縮」（Skill Compression）的假說。^[24]

代理式 AI 的質變

代理式 AI（「我說你做」模式）則帶來質變。它不只是「幫助」人類完成任務，而是直接取代人類的執行角色。

讓我用一個具體場景說明。假設一位創業者需要完成以下任務：

1. 撰寫一份商業計畫書
2. 製作投影片簡報
3. 發送給三位潛在投資人
4. 追蹤回覆並安排會議

使用對話式 AI（ChatGPT），創業者需要：提問 → 獲得文字輸出 → 複製到 Word → 格式調整 → 提問簡報內容 → 手動製作投影片 → 手動發送郵件 → 手動追蹤回覆。

使用代理式 AI（OpenClaw 類型），創業者只需說：「幫我寫一份商業計畫書，製作簡報，發給這三位投資人，追蹤回覆並把會議排進我的行事曆。」AI 代理人會自動完成所有步驟。^[25]

效率差異可能是 10 倍甚至 100 倍。但更重要的是角色的轉變：創業者從「執行者」變成「監督者」。

技能偏向性的逆轉

傳統的「技能偏向型技術變遷」（Skill-biased Technical Change, SBTC）假說認為，技術進步會增加對高技能勞工的需求、減少對低技能勞工的需求。^[26] 但代理式 AI 可能逆轉這個趨勢。

當 AI 可以執行大部分的「專業執行」工作——撰寫法律文件、程式碼、財務報告——專業人士的差異化優勢將轉向「判斷」與「決策」，而非「執行」。這意味著：^[27]

• 初級工程師、初級律師、初級分析師的需求可能大幅下降
• 資深專業人士的角色將轉向「AI 監督者」與「品質把關者」
• 「能夠善用 AI」將成為基本技能，不再是差異化優勢

METR 的研究甚至發現，資深開發者使用 AI 輔助後，完成任務的速度反而慢了 19%——因為他們花費更多時間審查 AI 的輸出。^[28] 這暗示了一個反直覺的可能性：AI 的最大受益者可能不是專家，而是「能夠有效委派任務給 AI」的管理者。

五、博弈論視角：承諾機制與重複賽局

從博弈論的角度來看，代理式 AI 引入了新的策略結構。

承諾機制（Commitment Device）

在傳統的委託代理賽局中，代理人的承諾（「我會努力工作」）往往缺乏可信度，因為承諾後的實際行動不可觀察。這導致委託人必須設計激勵機制（如績效獎金）來誘導代理人遵守承諾。^[29]

AI 代理人的獨特之處在於：它的「承諾」是寫在程式碼中的。當 AI 被設定為「優先完成用戶指定的任務」時，這不是一個可以被違背的承諾，而是一個硬性約束。這創造了一種前所未有的「技術性承諾機制」（Technological Commitment Device）。^[30]

當然，這種承諾機制的可靠性取決於 AI 系統的設計與治理。如果 AI 的目標函數被惡意修改，或者存在未預期的行為漏洞，承諾的可信度就會受損。這是為什麼 AI 安全（AI Safety）研究如此重要。^[31]

機制設計（Mechanism Design）

機制設計理論追問：如何設計遊戲規則，使得自利的參與者在追求個人目標時，自然達成社會最優結果？^[32]

在人機協作的情境中，機制設計的問題變成：如何設計人類與 AI 的互動架構，使得雙方的能力互補、風險可控？

一個有效的人機協作機制應該具備以下特性：

1. 誘因相容（Incentive Compatibility）：AI 的目標函數與人類的利益一致
2. 可監督性（Monitorability）：人類可以審查 AI 的決策過程
3. 可介入性（Interruptibility）：人類可以隨時叫停或修正 AI 的行動
4. 可歸責性（Accountability）：當出錯時，責任歸屬明確

OpenClaw 等代理式 AI 的設計正在探索這些原則。例如，OpenClaw 採用「技能」（Skills）架構，每個技能模組可以被獨立審計；它也支持「人在迴路」（Human-in-the-loop）模式，在執行高風險操作前請求人類確認。^[33]

重複賽局與信任演化

人類與 AI 的長期合作可以被建模為「無限重複賽局」（Infinitely Repeated Game）。Axelrod 的經典研究顯示，在重複賽局中，「以牙還牙」（Tit-for-Tat）策略——先合作，然後複製對方上一輪的行動——是最有效的策略之一。^[34]

但 AI 代理人可以被設計為「無條件合作」——它不會因為人類的失信而報復。這創造了一種不對稱的賽局結構，人類可能傾向「剝削」永遠合作的 AI。^[35]

這聽起來對人類有利，但可能導致長期的問題：如果人類習慣了「剝削」AI（例如，忽視 AI 的建議、不給予正確的反饋），AI 的學習效果會下降，最終損害人類自身的利益。最優的人機協作策略可能是「真誠合作」——給予 AI 準確的資訊與反饋，即使 AI 不會「報復」。

六、控制論與閉環系統

從 Norbert Wiener 的控制論（Cybernetics）視角來看，代理式 AI 代表了人機系統從「開環」到「閉環」的轉變。^[36]

在對話式 AI 的模式中，系統是「開環」的：人類輸入問題 → AI 輸出答案 → 人類執行行動 → （環境改變）。AI 不直接感知行動的結果，無法自我修正。

在代理式 AI 的模式中，系統是「閉環」的：人類設定目標 → AI 執行行動 → 感知環境反饋 → 調整行動 → 直到目標達成。這是經典的「負反饋控制迴路」（Negative Feedback Control Loop）。^[37]

人類作為「決策者」，AI 作為「執行器」

在控制論的框架下，人類的角色從「執行器」轉變為「決策者」或「目標設定者」。這類似於控制系統中「設定點」（Setpoint）與「控制器」（Controller）的區分：^[38]

• 人類：設定目標（What to achieve），定義約束（What not to do）
• AI：規劃路徑（How to achieve），執行行動（Do it）

這種分工的最優設計取決於雙方的相對優勢。人類擅長：

• 定義模糊的、涉及價值判斷的目標
• 處理前所未見的、需要常識推理的情境
• 承擔法律與道德責任

AI 擅長：

• 處理大量資訊、快速搜索解空間
• 執行重複性、需要精確性的任務
• 7×24 不間斷運作、不受疲勞與情緒影響

最優的人機協作架構應該讓人類專注於人類的比較優勢，將其餘任務委派給 AI。^[39]

七、組織重構的預言

如果上述分析正確，代理式 AI 將對組織架構產生深遠影響。

扁平化的極致

過去三十年，企業組織持續扁平化——減少管理層級、賦權前線員工。代理式 AI 將這個趨勢推向極致：當大部分的「執行」工作可以被 AI 處理，中間管理層的存在理由進一步弱化。^[40]

McKinsey 的報告預估，AI Agent 每年可創造 2.6 至 4.4 兆美元的價值，其中很大一部分來自「流程自動化」——也就是取代原本需要人工處理的協調與執行工作。^[41]

「一人公司」的崛起

當 AI 可以扮演員工的角色，組織的最小單位可能縮小到「一人 + AI 團隊」。這不是科幻想像——Cognition 的 Devin、OpenClaw 等專案已經展示了 AI 代理人獨立完成軟體開發任務的能力。^[42]

這對勞動市場的影響是雙面的。一方面，它賦權個人——一個有願景的創業者可以用 AI 團隊實現過去需要數十人才能完成的專案。另一方面，它可能加劇不平等——掌握 AI 工具的人與無法善用 AI 的人之間的生產力差距將急劇擴大。^[43]

新的稀缺性

當「執行」不再稀缺，什麼變得更有價值？我認為有三個方向：

1. 判斷力：在資訊充足的情況下做出正確決策的能力
2. 願景：定義值得追求的目標的能力
3. 信任：人與人之間的關係資本，AI 無法複製

這呼應了 Kevin Kelly 的洞見：「未來最有價值的技能，是那些機器無法輕易複製的——創造力、同理心、倫理判斷。」^[44]

八、結論：兩種時代的分界線

「我問你答」是資訊時代的產物——它解決的是「如何獲取資訊」的問題。「我說你做」是自動化時代的開端——它解決的是「如何將意圖轉化為行動」的問題。

這兩種模式沒有絕對的優劣。對話式 AI 適合探索、學習、靈感激發——當你不知道答案是什麼，與 AI 對話可以幫助你釐清思路。代理式 AI 適合執行、自動化、規模化——當你知道要做什麼，AI 代理人可以幫你快速完成。

但它們對人類的要求截然不同。對話式 AI 要求人類是「好的提問者」——知道如何問出正確的問題。代理式 AI 要求人類是「好的委託人」——知道如何定義目標、設定邊界、驗收結果。^[45]

這意味著，教育的重心需要從「傳授執行技能」轉向「培養判斷與決策能力」。未來的專業人士不是「會做更多事的人」，而是「能夠有效指揮 AI 做事的人」。

這不是威脅，而是解放。當機器可以處理大部分的執行工作，人類將有更多時間專注於真正需要人類智慧的事情：定義什麼是值得追求的、什麼是正確的、什麼是有意義的。

從「我問你答」到「我說你做」，人機協作正在經歷典範轉移。這不是終點，而是起點。