Agentic AI 是什麼？零售與餐飲讓 AI Agent 從問答走向代辦的導入指南
Agentic AI 是什麼？當 AI 從回答問題走到完成工作，品牌開始用交辦取代操作，軟體的控制權正在搬家。這篇從觀念談起：AI 的四個階段、決定 agent 好不好用的組織 Context，以及零售與餐飲品牌導入 AI Agent 前該準備什麼。
從「我要怎麼設定會員禮」到「幫我設定會員禮」
過去兩年，品牌行銷人員問 AI 的問題，多半長這樣：「我要怎麼設定會員首購禮？」AI 給出一段清楚的操作步驟，剩下的登入後台、申請促購代碼、設定票券、設定活動，還是自己一步一步做完。
現在，同一個人開始這樣說：「幫我設定會員首購禮。」AI 就能依授權動手，把後台的活動、票券、代碼一路設定好，再把結果交回給人確認。
一個是「回答問題」，一個是「完成工作」。這一字之差，其實是整個軟體業的控制權正在搬家。根據 Gartner 於 2025 年的預測，具備任務型 AI Agent 的企業應用，會從 2025 年的不到 5%，在 2026 年最多達到四成。工作交給軟體去「做」，不再只是問軟體「怎麼做」，正在成為預設。到了行銷現場這股力道更明顯，Gartner 於 2026 年預測，到 2028 年將有六成品牌用 agentic AI 支援一對一的顧客互動。
這個轉變有個名字：Agentic AI（代理式 AI）。它指的是能理解目標、自行拆解步驟、操作系統並完成任務的 AI，和只負責生成回答的生成式 AI 是兩種能力。判斷一套 AI 是不是 Agentic AI，看一件事就夠：它能不能在授權範圍內替你把工作做完，並把結果交回給人驗收。
91APP AgentOne 就是為了這件事而生的產品。這篇文章不談功能清單，先談清楚它背後的觀念，以及這一波 Agentic AI 趨勢，對台灣零售與餐飲品牌真正的意義。
我們自己先走了一遍這條路
91APP 團隊在做這個產品之前，其實是先在自己的日常工作裡走了一遍。
我們把每天重複的操作，像是整理報表、比對數據、產出文件、查功能設定在後台哪裡，一件一件交給 AI agent 去做，再把做得好的那些步驟打包成可以重複使用的「技能」。一開始只是想省時間，做著做著才發現一件事：當工作被拆解、被規範、被固定成可重複的流程，AI 就能實際幫我們把事情做完，像一位上手的同事，不再只是回答問題的顧問。
這個過程也讓我們踩過坑。AI 很聰明，卻也會非常有自信地把一件事做錯。這份既期待又不敢完全放手的感覺，後來變成 AgentOne 最重要的設計出發點。
AI 的四個階段：從陪你想，到替你做
要理解 AgentOne，先要看懂 AI 在企業裡扮演的角色，這幾年是怎麼一路變化的。我們把它分成四個階段。
| 階段 | 一句話說它在做什麼 |
|---|---|
| Assist 助理 | 你問，它答。回答問題，決策和執行還是你 |
| Copilot 副手 | 它陪你一起做，在你工作的軟體裡即時建議 |
| Agent 代理 | 你交辦，它執行。自己完成一段完整任務 |
| Digital Labor 數位產能 | 你給目標，它想辦法達成，並持續優化 |
前兩個階段，AI 是工具，人還是主角，每一個動作都要人點下去。到了 Agent 階段，人第一次可以把「一整段任務」交出去；到了數位產能階段，人交出去的，甚至從一項任務，收斂成一個「目標」。
這條線最關鍵的轉折，發生在「陪同」與「執行」之間。當 AI 從「告訴你怎麼做」變成「直接做給你看」，人的角色就從操作者，變成了設定目標、驗收成果的那個人。
兩個職能的故事：不是被取代，是被升級
這個轉變並非只是抽象趨勢，在一些具體職能上已見端倪。我們用兩個零售品牌裡最常見的角色來說明，兩個都不指向任何特定公司，只講職能本身的變化。
先看廣告優化師，也就是俗稱的投手。他的一天，過去是這樣度過的：依客戶設定受眾、準備素材、規劃媒體策略，在廣告平台上建立好帳戶、活動、素材的結構，然後每天定期檢視數據、手動調整出價與組合。
當這一整套判斷被拆解、被寫成可重複的技能之後，agent 可以接手每天的例行操作，投手的工作就從「操作廣告」變成「監看 agent 操作廣告」。這時候第一個浮現的念頭往往是：那我是不是被蒸餾掉了？
我們的答案剛好相反：這是一次升級。投手不再是那個熬夜盯後台調出價的人，而是變成訂規則、設煞車、看整體成效的「製程工程師」。當 agent 一次能同時服務的客戶，從一個人力所及的幾個，變成幾百個，能設計並維護這條產線的人，價值反而更高。這正是製造業工業化之後，作業員與工程師的分工重新洗牌的那一幕，只是這次輪到服務業。
再看行銷企劃。過去要設定一檔會員首購禮，得在 CRM、eCOM、後台之間切換，申請促購代碼、設定票券、設定活動，一步都不能漏。人其實是被夾在好幾套系統中間、負責把它們接起來的那個環節。
當這些系統變得可以被 agent 直接操作，行銷企劃說的話就從一串操作指令，收斂成一句話：「幫我設定會員首購禮。」人從系統的一環，退回到系統的上游，只負責定義要什麼、確認做得對不對。
過去把這些系統接起來的，是人
數位轉型走了幾十年，我們替品牌建了一套又一套的數位系統。單一品牌手上，常常同時有 ERP、CRM、POS，還有官網和 App。每一套多半來自不同的供應商，彼此之間每一次要打通，都是一段漫長又磨人的工程。
系統終究要串起來，於是中間那條線，就落到人身上。前面提到的會員首購禮就是最典型的一幕：行銷企劃先在一套系統拿到促購代碼，切到 CRM 設定會員活動，拿到券號，再到 POS 建立折價券、產生序號，才算把一段跨系統的設定做完。人把系統接了起來，也因此成為系統的一環。說得直白一點，數十年的數位轉型，有很大一部分是把人「轉型」成系統與系統之間的黏著劑，必要，卻很難說有什麼價值。
Agent 的出現，第一次把人從這個位置上鬆開。系統交給 agent 去操作，人只要說清楚要它做什麼。一句「幫我把這檔會員禮設定好」，agent 就能自己穿梭在這幾套系統之間，把事情辦完。
這也讓 AgentOne 很自然地站上跨系統整合的位置。不同來源、彼此不相通的系統，透過對外開放 API、CLI，或前面提到的 MCP，讓 agent 能直接呼叫它們的功能，一套一套被接進來，成為 agent 的手腳；而過去只存在於資深員工腦中、靠人才連得起來的那些潛規則，則透過一份份 skill 被寫成看得懂、可重複的文件。系統整合這件過去讓人頭痛的事，就從一道長年的難題，變成一個新的機會：把底層的手腳備齊，agent 才有真正動起來的可能。
為什麼會發生：技能、產品化，與駕馭
看懂了現象，接著要問底層的機制。這一波變化能發生，靠的是三件事一起到位。
技能是第一塊基礎，也就是 skill。skill 是一種新型態的應用程式。過去我們用軟體，是打開一個介面、點一連串按鈕；現在我們用 skill，是把一段專業判斷連同它會用到的工具，一起打包起來，讓 agent 讀得懂、接得了手。介面愈來愈少，可以被 agent 呼叫的能力愈來愈多，這是產品形態的根本改變。這種把工具與能力標準化、讓 AI 直接呼叫的方向，也成了產業的共同工程，例如 Anthropic 在 2024 年提出的 Model Context Protocol 開放標準，讓 AI 應用能用統一的方式，安全連接各種資料與工具。
服務產品化是第二塊。一位廣告優化師受工時所限，一個人能同時服務的客戶數量有限；當他的專業被寫成 skill 交給 agent 去跑，服務就能跨越辦公時段、並行處理更多帳戶。這一步的意義，在於把「服務」本身變成一件可以被大量複製的「產品」。製造業一百年前經歷過這件事，服務業現在才輪到。
最容易被忽略的一塊，是駕馭。
AI 是一個超強、卻還不能完全信任的新人。它學得快、精力充沛，不喊累、不偷懶。但同一個問題問它兩次，可能得到兩個答案；它也會非常有自信地，交給你一個錯得離譜的東西。只要系統、權限與執行額度允許，它可以持續處理任務，但仍可能因資料、工具或判斷失誤而出錯。少了良好的規範，一個廣告 agent 可能做出錯誤判斷，讓當日花費預算爆掉，最後還是要人去跟品牌道歉。
這就是為什麼傳統軟體和 AI 軟體，控制的方式很不一樣。傳統軟體裡，多數判斷式都在你手裡；AI 軟體的輸出帶有不確定性，因此得在資料、權限、工具與輸出等多層設下控制。我們把這件事叫做駕馭工程，重點是兩件：管好 agent 能碰的資料與工具，以及檢核它吐出來的東西對不對。
這也是產業給的清醒訊號。Gartner 於 2025 年預測，到 2027 年底，超過四成 agentic AI 專案將因成本上升、商業價值不清或風險控管不足而取消。Gartner 另一份 2026 年的預測也指出，到 2028 年，約四分之一的企業生成式 AI 應用每年至少會發生五起輕微資安事件。能不能駕馭，往往決定一個 agent 專案能否進入穩定、可稽核的正式營運。
決定 agent 好不好用的，是 Prompt 底下那座冰山
很多人第一次接觸 AI，會把心力放在「問句怎麼寫」，也就是 Prompt。一個好的 Prompt 當然有用，但它只是冰山浮出水面的那一角。真正決定一個 agent 好不好用、品牌敢不敢放手交辦的，是水面下那些平常看不到的工程。
先講最底層的基本功：資料。AI 的可靠度，建立在三件事上。
- 資料要先驗證。agent 動手之前，讀進來的資料要確認欄位、口徑、來源都對得起來，沒有缺漏或錯置。
- 算出來要正確。它產出的數字不能心算、不能四捨五入抄錯，每一步運算都要站得住腳。
- 輸出不能編造。沒有的資料就說沒有，不能為了把話講得漂亮，生出一個看似合理的答案。這種編造，就是俗稱的幻覺。
這三件事聽起來像基本要求，卻是很多 AI 應用最常摔倒的地方，也是品牌敢不敢把工作交出去的分水嶺。
基本功之上，讓 agent 從「會回答」走到「做得好」的，是三種常被忽略的工程能力。
- Context，也就是上下文。要餵給 agent 對的背景，以及品牌完整的第一方數據。少了脈絡，再聰明的模型也只能用通則亂答。
- Harness，也就是前面說的駕馭工程。替 agent 畫好邊界、設好權限、規定它能用哪些工具，並在它輸出之後做檢核，把不確定性關進可控的柵欄裡。
- Loop Engineering，也就是迴圈工程。讓 agent 反覆地執行、驗證、再修正，依明確的檢核標準一輪一輪逼近正確；沒通過檢核或風險太高，就停下來交回給人確認，不會一次生成就當成定案。
Prompt 決定「怎麼問」，Context、Harness、Loop Engineering 則決定「答得準不準、能不能放心交辦」。這也是為什麼同樣一個底層模型，包在不同的工程裡，好用程度天差地遠。
這裡就帶出一個台灣品牌每天都在做、卻很少細想的對比。一種做法，是行銷人員自己把後台報表下載下來，貼進 ChatGPT 或 Gemini 這類通用 AI 聊天工具，問一句「這份數據我該怎麼做」。另一種做法，是交給一個具備 Context、Harness、Loop Engineering 的 agent 平台去處理。
這裡說的通用工具用法，指的是把單份報表貼進對話、沒有另外接上權限控管與檢核的一次性問答。這種用法的限制，藏在幾個看不到的地方。它手上只有你當下貼進去的那一小段資料，看不到品牌完整的第一方數據脈絡，也不懂你家獨有的商業口徑，例如會員分級門檻怎麼算、毛利怎麼認列，算出來的指標未必對得上企業內部標準。你把哪些資料貼了進去、留存到哪、誰看得到，缺乏企業級的權限與稽核來把關。它也少了反覆檢核、修正的迴圈，一段答案生成完就結束。這些限制單看都不打緊，可是真要拿這樣的結論去動預算、發訊息給幾十萬會員，風險就會被放大。
91APP AgentOne 這類企業級平台的價值，正是在這裡。它要做的，是把 Context、Harness、Loop Engineering，加上資料驗證這一整套基本功，做進產品的底層，讓這些能力在你交辦之前就已經備好。這也是「用一個通用聊天工具問怎麼做」，跟「用一個 agent 平台把事情做對」之間，真正拉開差距的地方。
讓 agent 像個懂公司的同事，靠的是組織自己的 Context
我們每天用 ChatGPT、Claude 這類工具，通常用得愈久愈順手。因為它慢慢記得你的偏好、記得你問過什麼，知道你是誰。你會掛上一些外掛、把常做的事包成 skill、上傳更多跟你有關的文件，它就愈來愈像「你的」助理。這些 Memory、文件、外掛、skill，其實都是關於你個人的 Context，一點一滴把一個通用模型，養成專屬於你的 agent。
組織也一樣。品牌的規範、產品的知識、內部的規矩、文件的格式、溝通的習慣，這些都是組織的 Context。差別在於，個人的 Context 存在一個人的帳號裡，組織的 Context 卻散在很多人的腦袋和硬碟裡，沒有一個地方好好收著，也沒有人負責維護。
AgentOne 作為一個企業級的 agent 平台，很重要的一件事，就是幫組織把這份 Context 建立起來、持續維護。有了它，同一個品牌裡的每個人跟 agent 說話，就像在跟一位熟門熟路的同事交代事情，不必每次都從頭解釋公司怎麼運作。這樣的 agent，會比剛報到的新人更懂這家公司的規矩，有些地方甚至比資深同事記得更清楚。個人的 Context 養出「你的」agent，組織的 Context 養出「組織的」agent，是同一件事的兩種尺度。
讓 agent 動起來，底層要先備好
一個 agent 再聰明，如果它讀到的顧客資料是破碎的，給出的建議與行動也會跟著破碎。這是我們做 AgentOne 時，最先確定的一件事。
要讓 agent 真的能替品牌達成目標，底層要同時備好三樣東西。一是可被取用的數據，也就是把線上線下、會員、交易、行為的資料，歸戶到同一個顧客身分底下，形成一個乾淨、完整、機器讀得懂的顧客數據平台。二是領域知識，agent 要懂零售、懂餐飲、懂這個品牌的規範與慣例，才不會用通則亂答。三是可執行的流程，agent 要能真的呼叫到後台的能力，把事情做完，不停留在給建議。
91APP AgentOne 的角色，就是把這三樣東西組裝成一個企業級的 agent 平台：底層是品牌自己的第一方數據，中間疊上零售與餐飲的領域知識，再串接到能實際操作的產品能力，最後由人來設定目標、驗收成果。品牌對它下的指令，可以從邊界清楚的「幫我設定活動」，逐步擴大到「幫我拆解這一季的成長目標、提出方案並執行經授權的步驟」，業績目標與最終決策仍由團隊負責。它要處理的，是把授權範圍內的事「做完」，不只是回答「怎麼做」。
這也回到我們自己走過的那條路：數據要能被 agent 取用，知識要能被 agent 調用，流程要能被 agent 執行，人只留在最需要判斷的地方。
導入 agent 前，先把資料、任務邊界與人工煞車準備好
面對這一波轉變，台灣的零售與餐飲品牌不需要急著全面導入 agent，但有幾件事值得現在就先想清楚，替未來鋪路。
- 先把顧客資料歸戶到單一身分。線上線下的消費若對不起來，再強的 agent 也只能在破碎的資料上做決定。可以從第一季先盤點資料落點與歸戶缺口開始。
- 從一個重複、規則清楚的工作開始試。挑一件每天都要做、步驟固定、做錯了容易發現的任務先交給 agent，例如例行報表或單一檔期的活動設定，比一次交出核心決策安全得多。
- 先想好邊界與煞車，再想放手。導入前先問自己：這個 agent 能碰哪些資料、能動哪些預算、出錯時誰會第一個發現。把邊界與檢核設計在前面，比出事後補救便宜。
- 讓團隊角色開始往上游移動。把人從重複操作中釋放出來，練習當設定目標、驗收成果的那個人。這是一個需要時間養成的習慣，愈早開始愈好。
這幾件事都不需要等到 agent 成熟才做，反而是 agent 能不能發揮的前提。
你的組織，是一家 CPU 公司，還是 GPU 公司
傳統軟體像 CPU，靠人一條一條寫好判斷式、照著流程跑，是規則導向。AI agent 像 GPU，你給的是目標與授權，它自己找路徑去達成，是目標導向。
這一波真正的轉變，是把人往上抬。當 agent 接手了重複的操作，人的位置就從系統裡的一個環節，變成設定目標、調教、監控、管理這些 agent 的角色。以廣告投放為例，廣告優化師沒有消失，他成了廣告優化技能的優化師。
品牌內部行銷廣告團隊那個熬夜盯後台的投手，不是被蒸餾了，是被升級了。當工作可以用「交辦」取代「操作」，組織轉型的起點，就是先把目標、授權與成果驗收這三件責任寫清楚，再決定哪些操作交給 agent。從 CPU 走向 GPU，是一步一步交辦出去的。
91APP AgentOne 系列介紹
這篇是 91APP AgentOne 系列的一篇，其他篇：
- 91APP AgentOne 產品全貌：Agentic Enterprise Solution
- 91APP AgentOne × EngageOne：個人化行銷交給 AI Agent
- 91APP AgentOne × MediaOne：廣告投放交給 AI Agent
- 91APP AgentOne 的資安底線：資料獨立與 Sandbox
品牌最常問的 Agentic AI 與 AgentOne 問題
Q1：Agentic AI 是什麼？ A1：Agentic AI（代理式 AI）指的是能理解目標、拆解任務、操作系統並把工作做完的 AI。生成式 AI 負責回答問題與產出內容，Agentic AI 則在授權範圍內直接執行，例如把後台的活動、票券、代碼一路設定完成，再交回給人確認。
Q2：Agentic AI 跟 AI Agent 有什麼不同？ A2：Agentic AI 是方法與能力的統稱，AI Agent 是承載這種能力的執行單位。AI Agent 是實際去讀資料、操作系統、完成任務的那個「數位同事」；Agentic AI 描述的是讓這件事成立的整套做法，包含目標拆解、工具使用與人工驗收機制。企業導入時通常同時面對兩者：用 Agentic AI 的方法，管理一群各司其職的 AI Agent。
Q3：AgentOne 是什麼？ A3：AgentOne 是 91APP 打造的企業級 AI agent 平台，讓品牌可以把行銷、營運、廣告等工作，從「人操作系統」轉為「交辦給 agent 執行」。它的底層是品牌的第一方數據，疊上零售與餐飲領域知識，串接可實際操作的產品能力，再由人設定目標、驗收成果。
Q4：Agentic AI 跟一般的 AI 助理、聊天機器人有什麼不同？ A4：一般 AI 助理是「回答問題」，你問它答，執行還是你自己來。Agentic AI 是「完成工作」甚至「達成目標」，你交辦一整段任務，它會自己規劃步驟、呼叫工具、把事情做完，並根據結果持續調整。差別在於它能不能自己動手，不只是給建議。
Q5：導入 AI agent，是不是代表要裁掉行銷或投放人員？ A5：不是。實務上比較常見的是角色升級。當 agent 接手重複的操作，人會轉去做設定目標、訂規則、監控與驗收的工作，也就是從操作者變成管理者。能設計並維護這條產線的人，價值反而更高。
Q6：預算和團隊規模有限的品牌，也能用得上 AgentOne 嗎？ A6：可以，而且建議從小處開始。挑一件每天要做、步驟固定、做錯容易發現的任務先交給 agent，例如例行報表或單一檔期活動設定，先累積信任與經驗，再逐步擴大範圍，比一次導入核心決策務實得多。
Q7：把工作交給 一般 AI agent 或是自己打造的龍蝦助理，會不會做錯造成損失？ A7：會，這也是為什麼「駕馭」比「導入」更重要。AI 會有自信地犯錯，所以要在它的邊界上設計控制，管好它能碰的資料與工具，並檢核它的產出。導入前先想清楚 agent 能動哪些資源、出錯時誰會先發現，把煞車設計在前面。
Q8：導入 agent 之前，品牌最該先準備什麼？ A8：先把顧客資料歸戶到單一身分。線上線下的消費資料如果對不起來，agent 讀到的就是破碎的資料，給出的建議與行動也會跟著破碎。一個乾淨、完整、機器讀得懂的顧客數據平台，是 agent 能不能發揮的前提。
Q9：什麼是資料驗證？為什麼它是 AI 的基本功？ A9：資料驗證，指的是 agent 在動手之前，先確認讀進來的資料欄位、口徑、來源都對得起來，沒有缺漏或錯置。這是 AI 可靠度的第一道關卡。資料若一開始就錯，後面算得再快、講得再漂亮，結論都會跟著錯，所以我們把它視為 agent 最底層的基本功。
Q10：AI 的幻覺是什麼？為什麼 agent 不能有幻覺？ A10：幻覺指的是 AI 生出一個看起來合理、實際上並無根據的答案，例如編造一個數字或引用一份不存在的資料。當 AI 只是聊天，幻覺頂多讓人白忙一場；當 agent 會動預算、發訊息給大量會員，一個帶幻覺的判斷就可能造成真實損失。能不能防幻覺，決定品牌敢不敢放手交辦。
Q11：大家都在談 Prompt，為什麼說它只是冰山一角？ A11：Prompt 決定「怎麼問」，是浮在水面上、最容易看到的那一角。真正決定 agent 好不好用的，是水面下的 Context、Harness、Loop Engineering 這些工程，以及資料驗證這道基本功。同樣一個底層模型，包在不同的工程裡，好用程度差很多。
Q12：Context（上下文）在 agent 裡指的是什麼？ A12：Context 指的是餵給 agent 的背景，以及品牌完整的第一方數據。有了對的上下文，agent 才知道這個品牌的規範、慣例與真實數據長什麼樣，回答與行動才貼合現場。少了脈絡，再強的模型也只能用通則亂答。
Q13：Harness（駕馭工程）是什麼，為什麼重要？ A13：Harness 是替 agent 畫邊界、設權限、規定它能用哪些工具，並在它輸出後做檢核的一整套工程。因為 AI 的輸出帶有不確定性，Harness 的作用就是把這份不確定性關進可控的範圍，讓 agent 出錯時有煞車、有人接得住。這也是我們常說的駕馭工程。
Q14：Loop Engineering（迴圈工程）是什麼？ A14：Loop Engineering 讓 agent 反覆地執行、驗證、再修正，依明確的檢核標準一輪一輪逼近正確，沒通過檢核就不算完成，不會一次生成就當成定案。有了這個迴圈，agent 更像一位會自己檢查、自己改稿的同事，交出來的東西品質更穩定。
Q15：自己把報表下載下來丟給 ChatGPT 或 Gemini 問，跟用 AgentOne 平台差在哪？ A15：把單份報表貼進 ChatGPT、Gemini 這類通用聊天工具問，它手上只有你貼進去的那一小段資料，沒有品牌完整的第一方數據脈絡，也缺乏企業級的權限稽核與反覆檢核的迴圈，容易給出看似合理、卻對不上企業口徑或帶著幻覺的答案。具備 Context、Harness、Loop Engineering 的 agent 平台，把這些工程做在底層，才能把授權範圍內的事真正做對、做完。
Q16：為什麼說「資料驗證與正確」是導入 agent 的前提？ A16：因為 agent 是拿資料去做決定、去行動的。如果讀進來的資料沒驗證、算出來的數字有誤，agent 只會把錯誤放大，而且做得更快。先把資料驗證與運算正確這道基本功備好，agent 的每一步才踩得穩，這也是導入前最該確認的事。
Q17：AgentOne 跟直接接一個大型語言模型，差別在哪？ A17：直接接一個模型，你拿到的是一個很會講話的對話能力，Context、Harness、Loop Engineering 與資料驗證都要自己補。AgentOne 把這一整套基本功做在產品底層：底層是品牌的第一方數據，中間疊上零售與餐飲領域知識，串接可實際操作的產品能力，再由人設定目標、驗收成果。品牌拿到的是一個備好工程、可以放心交辦的平台。
Q18：AgentOne 跟過去做系統串接（API 整合）有什麼不同？ A18：過去的系統整合，是工程團隊事先把兩套系統的欄位、流程一條一條接好，任何跨系統的操作仍要靠人在各系統之間手動接力。AgentOne 的做法，是把 ERP、CRM、POS、官網、App 這些系統對 agent 開放，讓 agent 依授權自己去呼叫、跨系統把一段任務做完。人不再是系統之間的接力者，只負責交辦目標與驗收結果。
Q19：AgentOne 怎麼把品牌現有的 ERP、CRM、POS 這些系統接起來？ A19：靠兩件事。一是把各系統透過 API、CLI 或 MCP 對外開放，讓 agent 能直接呼叫它們的功能，成為 agent 的手腳。二是用 skill 把過去只存在資深員工腦中、跨系統操作的潛規則，寫成看得懂、可重複的文件。系統的能力備齊、操作的知識被寫下來，agent 才有辦法把跨系統的工作完整做完。
Q20：AgentOne 說的「組織的 Context」是什麼？跟我自己用 ChatGPT 累積的個人設定有什麼關係？ A20：你長期用 ChatGPT、Claude，它會記得你的偏好與你上傳的文件，愈用愈像你的助理，這些是你個人的 Context。組織的 Context 是同一件事放大到公司尺度：品牌規範、產品知識、內部規矩、文件格式與溝通習慣。差別在於個人 Context 收在一個帳號裡，組織 Context 卻散在很多人腦中。AgentOne 作為企業級 agent 平台，會幫組織把這份 Context 建立、維護起來，讓每個人跟 agent 說話都像在跟熟悉公司的同事交代事情。