很多團隊評估 AI Agent 時，第一個問題會問：它能不能自己完成多少工作？

這個問題很自然，但不夠精準。

更該問的是：它完成之後，人需要花多少力氣確認它沒有搞錯？

因為 AI Agent 的成本不只在模型 token，也不只在工具執行時間。真正容易被低估的，是覆核成本。它寫了一份報告，你要不要重查來源？它整理了一批客戶線索，你要不要重新判斷優先級？它改了一段程式，你要不要從頭看 diff、跑測試、確認沒有改壞邊界？如果每次結果都要人完整重做一遍，表面上的自動化率再高，ROI 也會被吃掉。

所以 Agent 產品真正該優化的，不只是「能做事」，而是「做完後好驗收」。

好驗收的 Agent 會留下清楚的工作交代：它看了哪些資料、採用了哪些假設、改了哪些地方、跳過哪些選項、哪裡不確定、哪裡需要人工決策。這些東西看起來不像炫技功能，但它直接決定人能不能放心把下一步交出去。

這也是導入 AI 工作流時很容易踩的坑。團隊先追求讓 Agent 跑更多步驟，卻沒有設計檢查點、輸出格式、引用來源、失敗回報和回滾方式。結果 Agent 確實做了很多，但人還是得跟在後面擦屁股。這不是省工，是把工作從「執行」轉移到「偵探」。

比較務實的判斷方式，是把每個 Agent 場景拆成三個數字：

• 原本人類完成要多久
• Agent 跑完要多久
• 人類覆核 Agent 結果要多久

只有第三個數字明顯下降，AI 才真的在釋放產能。否則你只是把任務變成一份需要審計的神秘輸出。

對想靠 AI 建立長期內容、產品或營運資產的人來說，這個觀念尤其重要。可持續的自動化，不是每天產出更多東西，而是每個產出都能更快被信任、更快被使用、更少返工。流量、信任和轉換最後都會回到同一件事：你能不能穩定產出別人敢採用的東西。

今天要看 Agent ROI，別只看它多會跑。看它能不能讓人少查、少猜、少補洞。那才是從 demo 走向可賺錢系統的分界線。