本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 測量代理式 AI 系統的成功和投資報酬率
<a name="measuring-success"></a>

在代理式 AI 系統實作中衡量成功需要有系統的方法。本節提供明確的評估和持續最佳化方法，使用您現有的分析，而不是從頭開始。

## 步驟 1：使用您現有的基礎
<a name="measuring-success-foundation"></a>

根據評估[您目前的程序成本區段中的建議，從全面的成本評估](assessing-costs.md)開始。這為您的 ROI 計算提供了操作基準。如[風險影響評估](understanding.md#understanding-risk-impact)章節所述，在四個自主性層級 （完全自主、循環中人工、共同駕駛方法、人工領導客服人員支援） 之間進行選擇，以判斷每個程序的適當測量條件和容錯能力閾值。

## 步驟 2：設定明確的成功目標
<a name="measuring-success-targets"></a>

建立強調學習能力系統的架構和成功目標，如[實作代理式 AI 系統的成功模式](implementation.md)一節中所述。專注於持續改進，而不是靜態效能。使用[案例研究：比較招聘操作的人力和代理 AI 成本](case-study.md)中示範的損益平衡分析方法，設定投資報酬率時間表。包含用於終止不執行代理程式的明確決策點。

## 步驟 3：追蹤關鍵指標
<a name="measuring-success-metrics"></a>

根據已建立的基準監控財務效能，並追蹤成本節省和策略價值改善。測量操作指標，包括所選自主層級可接受的閾值內的錯誤率、處理速度改善和一致性提升。專注於展示學習能力和隨時間調整的策略指標。

## 步驟 4：使用 AgentOps
<a name="measuring-success-agentops"></a>

將[人工意見回饋整合到代理式 AI 系統](feedback.md)區段中的持續學習架構套用，透過系統化人工意見回饋整合來最佳化決策。建立即時學習系統，納入人類洞察以增強效能。監控以成果為基礎的商業模型的轉型，如[經濟轉型為客服人員 AI 系統的結果型定價 AWS](outcome-pricing.md)中所述。