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。
# 了解 上的代理式 AI 經濟 AWS
其中一項重要原則是判斷何時使用 AI 代理器，以及何時使用傳統決定性方法。組織必須系統性地評估哪些任務需要代理程式自動化，以及哪些任務應使用傳統自動化或持續人工操作。此決策需要了解任務特性、風險承受能力和操作方法之間的關係。
在決定實作代理式 AI 之前，您應該使用決策架構來了解經濟影響。決策架構包含下列三個關鍵問題：
1. [任務評估](#understanding-task-assessment) – 此任務是否適合 AI 代理器？
1. [風險影響評估](#understanding-risk-impact) – 涉及哪些風險？
1. [投資回報](#understanding-roi)率 – 經濟實惠嗎？
## 任務評估
具有高複雜性、標準化決策規則的任務可以從代理式 AI 方法中受益。傳統自動化或機器人程序自動化可更好地提供高度標準化的簡單任務。代理式 AI 系統在推理、理解內容或適應性決策方面表現卓越，它們在以規則為基礎的處理之外增加價值。成功的代理式 AI 實作需要能夠學習和調整的系統。
評估任務時，請考慮下列因素：
+ **複雜性** – 需要的推理程度和內容理解。與傳統自動化相比，需要情境理解、細微解釋或適應性回應條件變化的任務偏好代理方法，而純粹的機械或計算任務可能不需要代理情報。
+ **標準化** – 存在明確的模式和規則。如果任務需要情境理解，則建議使用代理式 AI。如果不需要調整或學習，請考慮傳統的自動化。
+ **磁碟區** – 任務效能的頻率。建議將代理式 AI 用於自動活動。建議將傳統自動化用於大量、一致的任務。不過，僅磁碟區不會決定方法。低容量、高價值的決策可能證明客服人員協助可改善決策品質，而不是降低成本。
+ **值** – 每個任務完成的業務影響。考慮代理式 AI 以取得需要類似人類的自主能力的高價值結果。考慮重複、一致任務的傳統自動化，這可以確定性的方式完成。
## 風險影響評估
目前有四種代理程式 AI 部署方法： 完全自主、人類在迴圈中、副駕駛或人類主導的代理程式支援。每個 都有自己的風險設定檔和容錯能力，而且都涉及某些容量的人類。下表說明這些方法的風險詳細資訊。
|
|
| **自主權層級** | **風險設定檔** | **容錯能力** | **範例使用案例** | **人為參與** |
| --- |--- |--- |--- |--- |
| 完全自主 | 低風險 | 可接受 1-2% | 基本資料分類 文件路由 產生標準報告 | 最低監督 定期稽核 |
| 循環中的人類 | 中等風險 | 低於 0.5% | 草稿回應 內容管制 初始宣告處理 | 定期檢閱 例外狀況處理 品質保證 |
| 副駕駛 | 高風險 | 接近零 | 策略規劃輸入 風險評估 投資決策 | 人類做出最終決策 客服人員提供建議 |
| 支援代理程式的人為領導 | 重大風險 | 零容忍 | 法律決策 醫療診斷 法規合規 | 人工驅動程序 代理程式僅提供研究或分析和支援資訊 |
下表說明在這些方法之間進行選擇時的重要考量。
|
|
| **考量事項** | **完全自主** | **循環中的人類** | **副駕駛** | **人為主導** |
| --- |--- |--- |--- |--- |
| 成本效益 | 最高 | 高 | 中 | 低 |
| 可擴展性 | 無限制 | 高 | 中 | 有限 |
| 處理速度 | 最快 | 快速 | 中 | 慢速 |
| 風險管理 | 基本 | 增強型 | 強大 | 最強 |
| 複雜性處理 | 簡單任務 | 中等複雜的任務 | 複雜任務 | 關鍵任務 |
此考量架構可協助組織將自主權層級與風險設定檔配對、適當地擴展操作、平衡效率與控制、實作適當的控管，以及最佳化資源配置。
## 投資報酬率
計算代理式 AI 系統的投資報酬率從全面的成本分析開始。組織必須先計算目前的人力成本，包括薪資、福利和工作區費用，以及特定程序的費用和隱藏成本，例如訓練、涵蓋範圍和停機時間。
針對損益平衡分析，組織應考慮實作成本、持續營運費用，以及合理投資所需的數量。考量季節性變化以及隨著系統成熟和隨著時間改進而出現的學習曲線優勢也很重要。
評估 AI 代理器時，組織應該記住，相較於人工操作，這些系統通常具有較高的預付成本，但每個交易成本較低。此外，AI 代理器示範如何改善效能，並提供比人類團隊更好的可擴展性。隨著部署擴展和營運體驗累積，這使它們更具成本效益。