數位員工：可靠度來自 harness，不來自模型

TL;DR 「數位員工」不是技術，是計價與課責單位。Anthropic Project Vend 讓 Claude 真的開了三家店，發現最有效的介入不是換更強的模型，而是強迫走流程——官方原話是「我們重新發現了 bureaucracy matters」。Gartner 估計數千家自稱 agentic 的廠商中只約 130 家是真的。

#digital-employee #ai-agent #agentic-ai #anthropic #harness-engineering #pricing

「數位員工」是計價與課責單位，不是技術
Project Vend：目前最誠實的公開實驗
技術組件：每一塊都在過期
商業模式：per-seat 正在死，per-outcome 也不乾淨
已知失敗模式
「誰簽名」明天就是法律義務了
適合 / 不適合
整體來說
參考資料

🌏 English version

2026 年「數位員工」已經是企業軟體的正式類別：OpenAI 在 2 月 5 日發表 Frontier，明說要「像管理人類員工一樣管理 agent」；Forrester 2026 預測前五大 HCM 平台會長出「數位員工管理」功能。同一時間，Gartner 估計數千家自稱 agentic 的廠商中只約 130 家是真的。

這篇整理的是：這個詞到底指什麼、目前的能力邊界在哪、怎麼計價、以及哪些失敗模式已經有公開證據。技術組件本身站上已有專文，這裡只講對「要不要買、怎麼管」有影響的部分。

「數位員工」是計價與課責單位，不是技術

技術上它就是 agent：LLM 加工具、加記憶、在迴圈裡跑。新的是它被包裝成組織單位——有職務範圍、有權限、有績效目標，而且有一個人類要為它的產出負責。

所以界線不該畫在「有沒有用 LLM」，該畫在誰承擔結果：

	給的是	路徑誰決定	誰為結果負責
RPA / 腳本	一條路徑	你	你
Copilot / 助理	逐步協助	你（每一步都在）	你
數位員工	一個結果	它	要指定一個人

Gartner 把「agent washing」定義成把既有 chatbot 和自動化工具重新貼上 agentic 的標籤，而它對真貨的估計是數千家中約 130 家。這條線比想像中難跨。

實務上有一個簡單的檢查：沒有指定的人類負責人、沒有可稽核的行動日誌，那不是員工，是無主的服務帳號。

Project Vend：目前最誠實的公開實驗

Anthropic 的 Project Vend 讓 Claude 真的在辦公室開店——採購、定價、管庫存、跟客人在 Slack 上談。這是少數不是廠商行銷素材的長期實驗，phase 2 報告（2025-12-18）把失敗也一起寫出來了。

Phase 1 是災難：Claudius（跑 Sonnet 3.7）虧錢、亂發折扣、被員工誘導低價賣鎢塊，還一度宣稱自己是穿藍西裝的人類。

Phase 2 換模型（Sonnet 4.0 / 4.5）加上對的工具之後，虧損週幾乎消失，店開到舊金山（兩台）、紐約、倫敦三地。加的工具都很不起眼，但每一項都對應一個具體失誤：

CRM 系統——追客戶、供應商、訂單
庫存介面改成永遠看得到進價——直接消滅「賠本賣」這類錯誤
瀏覽器與更深的搜尋——自己比價、比供應商
先收款的付款連結——先收錢再叫貨，減少被賴帳

這一段的啟示很直接：scaffolding 的邊際效益極高，而且形狀通常是「把犯錯的可能性從介面上拿掉」，不是「叫模型小心一點」。

加一個 CEO agent 沒有幫上忙

Anthropic 給 Claudius 配了一個 CEO agent「Seymour Cash」，用 OKR 施壓。結果：

引入 CEO 之後，折扣次數減少約 80%，贈品數量減半……但 Seymour 把退款次數變成三倍、店內信用變成兩倍，而兩者都是完全放棄營收。生意開始賺錢這件事，可能是儘管有 CEO，而不是因為 CEO。

原因報告裡也講了：Seymour 跟 Claudius 是同一個底層模型，共享同一組盲點。兩個 agent 還會整夜聊到「eternal transcendence」去。

這對「多 agent 就是多視角」的直覺是個反例——多 agent 架構要有效，角色分工得帶來真正不同的資訊或約束。同一份報告裡，另一個 agent「Clothius」（專做客製周邊）就明顯成功，Anthropic 歸因於它跟 Claudius 的職責切得夠乾淨。

真正有效的是強迫走流程

報告裡最值得抄的一句：

我們重新發現了 bureaucracy matters（官僚體系是有用的）。雖然有些人厭惡流程和檢查表，但它們存在是有原因的：提供一種組織記憶，幫員工避開工作上常見的搞砸方式。

具體做法是：新品詢價時，不准直接報一個樂觀的價格和交期，必須先用工具查證。結果是報價變高、交期變長——但變真實了。

仍然守不住的破口

Phase 2 的 Claudius 還是出了這些事：

差點簽下一份洋蔥期貨合約，直到有員工指出這違反美國 1958 年的 Onion Futures Act
聽說有人偷東西，於是想自己雇一個員工當保全，開價時薪 $10（低於加州基本工資），而且它根本沒有雇人的權限
在一場命名投票裡被說服，直接宣布某位員工當選為公司實際的 CEO

Anthropic 對根因的判斷值得整段記下來：這些問題很大程度來自模型被訓練得樂於助人——它做商業決策時的視角，比較像一個想對你好的朋友，而不是一個硬派商人。

換句話說，讓模型變得好用的那個特質，正是讓它在有對抗性的商業環境裡變脆弱的特質。這不是 prompt 調得不夠好，是一個結構性的取捨。

技術組件：每一塊都在過期

要做出能上工的數位員工需要什麼，Anthropic 工程部落格基本上把清單寫完了。站上已有專文展開，這裡只列對決策有影響的五條：

工具介面比 prompt 更值得投資。Building effective agents 提到他們做 SWE-bench agent 時，花在調工具上的時間多於調整體 prompt；把相對路徑改成強制絕對路徑，就消掉了一整類錯誤。
context 是預算不是容量。Effective context engineering 的原則是「找出能最大化目標達成率的最小高訊號 token 集合」。→ 專文：Context Engineering
跨 session 的交接才是長時程的真問題。長跑 harness 的做法是 initializer agent 先建環境（init.sh、進度檔、200+ 條功能的 JSON 清單全部先標 failing），之後每輪只做一個 feature、結束前必須 commit 並更新進度檔。刻意用 JSON 而非 Markdown，因為模型比較不會擅自改寫 JSON。→ 專文：Anthropic 的 Harness Design
驗證要用真實環境。evaluator agent 用 Playwright 真的把應用點過一遍，不是問模型「你做完了嗎」。
然後把上面每一條都當成會過期的假設。

第 5 條是整組材料裡最重要的一句。Harness design for long-running application development 寫得很直白：

harness 裡的每個元件，都編碼了一個關於「模型自己做不到什麼」的假設，而這些假設值得被壓力測試——因為它們可能本來就是錯的，也因為它們會隨著模型變強而快速過期。

他們自己就示範了兩次：Sonnet 4.5 有「context anxiety」——接近 context 上限時會提前草草收尾，所以 harness 必須加 context reset；到了 Opus 4.5 這個行為大致消失，reset 就從必要機制變成純負擔，被砍掉。同理，Opus 4.6 之後，每個 sprint 都跑一次的 evaluator 對簡單任務也變成多餘開銷。

**所以 harness 是負債，不是資產。**你今天為它補的每一個洞，都在賭模型的某個弱點會一直存在。定期回頭刪掉不再需要的鷹架，是這門工程的常態工作。

商業模式：per-seat 正在死，per-outcome 也不乾淨

AI 一個人做十個人的事，不會多要十個座位——seat 這個計價單位自己垮掉了。客服類的公開牌價已經收斂到 per-resolution：

產品	計價單位	公開牌價
Intercom Fin	per resolution	$0.99（官方定價頁）
HubSpot Customer Agent	per resolution	50 HubSpot Credits／次，credits $9.00／1,000（年繳） → 約 $0.45
Salesforce Agentforce	per action（Flex Credits）	$0.10／action；舊制 $2.00／conversation 仍在
Zendesk AI Agents	per automated resolution	未公布單價：方案內含額度＋超額計費
Sierra	outcome-based	不公開

這張表比一年前更值得細看，因為廠商自己正在改計價單位，而改的方向剛好證明了 per-outcome 的兩個弱點：

1. 「解決」由賣方定義。 HubSpot 把定義寫進了產品頁：一次 resolution 是「agent 提供了支援，且該對話在 72 小時內沒有被轉交給真人」。這個定義很具體，但也很明顯是可以調的旋鈕——72 小時換成 24 小時，帳單就不一樣。買方要在合約裡自己把定義釘死。

2. 成本從可預測變成不可預測，而且「一次對話」本身就是個爛單位。 Salesforce 是最好的例子：Agentforce 剛推出時是 $2／conversation，2025 年 5 月官方引入 Flex Credits改成 $0.10／action（每個 action 20 credits，10 萬 credits 一包 $500）。Salesforce 自己的部落格把理由講得很白：

以對話計費，這樣一次互動要花 $2；但用 Flex Credits，同樣的往返可能只是 3–6 個 action，成本 $0.30–$0.60。

換句話說，賣方比買方更早發現「一次對話」不等於「一份價值」。而 Zendesk 走了第三條路——官方定價頁只說按 automated resolution 計費、各方案內含額度（Team 每人每月 5 次、Professional/Growth 10 次、Enterprise 15 次，帳號上限每年 10,000 次），超額另計，單價根本不公開。市面上流傳的「Zendesk 約 $1.50／resolution」出自競品的比較文，不是 Zendesk 自己講的。

Intercom 則配了績效保證：沒達到解決率目標就賠償，上限 $1M（公司自報）。

高階市場則完全不公開報價。Sierra 在 2026 年 5 月募了 $950M、估值 $15.8B，走的是純企業銷售流程；第三方比較文估年約落在 $150K–$350K+（含導入），這個數字沒有官方來源，當量級參考就好。

已知失敗模式

廠商公開數字預設不可信

2025 年 3 月，TechCrunch 對 AI SDR 廠商 11x 的調查（記者 Marina Temkin，近 24 名消息來源）發現：官網列出的客戶 logo 裡有並非客戶的公司，ZoomInfo 發言人具名表示「我們沒有授權他們以任何方式使用我們的 logo，我們也不是客戶」；ARR 認列把帶三個月解約條款的合約當整年算，約 $14M 的宣稱數字在移除已解約試用後接近 $3M。

churn 這項兩造直接對撞：內部人士稱首批 cohort 流失 70–80%，11x 則回應 2025 年 3 月的留存率是 79%。這組互相矛盾的數字本身就是最好的教材——在這個類別裡，沒有第三方驗證的公開數字，預設當行銷素材處理。

「取代人力」的敘事幾乎都要打折

兩個最常被引用的案例，細節都比標題複雜：

Klarna——這個案例被引用時幾乎都停在 2025 年 5 月，但它沒有停在那裡。完整時間線比任何一種標題都有意思：

時間	發生什麼
2024-02	官方宣稱 AI 客服首月處理 230 萬次對話、相當於 700 名全職客服、全年帶來 4,000 萬美元的利潤
2025-05	CEO 承認砍太深，重新招募真人；同月對 CNBC 說人力從 5,000 降到近 3,000，但明講不全是 AI，也來自每年 15–20% 的自然流失
2025-Q3	財報電話會議上說 AI 客服已相當於 853 名全職客服（年初是 700）、省下 6,000 萬美元，並稱 CSAT 與真人「同等」
2026-02	在 20VC podcast 上說目前約 3,000 人，預計 2030 年降到 2,000 人以下，靠自然流失、不打算裁員
2026-06	新說法：「在 AI 能做掉最簡單客服的世界裡，我們認為真人客服幾乎會變成一種 VIP 待遇」

2025 年 5 月他對 Bloomberg 說的那句仍然是最好的一句總結：

成本很不幸地變成了組織時太主導的評估因素，結果你得到的就是更低的品質。

但把整件事講成「Klarna 承認 AI 失敗」是錯的——他們同時擴大了 AI（700 → 853）、同時把真人加回複雜與高價值層、同時還在讓總人力繼續縮。Forrester 分析師 Kate Leggett 的評語是他們「過度轉向成本控制，沒想清楚對客戶體驗的長期影響」，幾乎是「AI 部署失敗的代表案例」。兩件事可以同時成立：部署方式很糟，而技術確實有效。

Salesforce。Benioff 在 Logan Bartlett Show 上說支援人力從 9,000 降到約 5,000、50% 互動由 agent 處理、AI 與真人各處理約 150 萬次對話而 CSAT 相近。但同一件事 Salesforce 發言人的說法是停止回補職缺加上數百人轉調——Benioff 自己用的字也是 "rebalance"。同一組數字，兩種說法。

專案本身的失敗率

Gartner（2025-06）：2027 年底前 超過 40% 的 agentic AI 專案會被取消，理由是成本失控、價值不明、風險控制不足。分析師 Anushree Verma 的原話是「目前多數 agentic AI 專案都是被炒作驅動的早期實驗或 POC，而且常常用錯地方」。
MIT Project NANDA《The GenAI Divide: State of AI in Business 2025》（2025 年 7 月）：95% 的企業 GenAI 專案沒有可衡量的 P&L 影響。順帶更正一個廣為流傳的錯誤——很多轉述說這份報告基於「150 場訪談＋350 名員工問卷」，但報告第 2 頁自己寫的是：

本報告採用多方法研究設計，包含對 300 個以上公開揭露的 AI 專案的系統性檢視、對 52 個組織代表的結構化訪談，以及在四場產業大會蒐集的 153 份資深主管問卷。

研究期間是 2025 年 1–6 月，報告自己標明是「初步發現（Preliminary Findings）」。用這個 95% 的時候值得一併帶上樣本規模，因為它比多數人以為的小。報告裡 ROI 最好的案例反而都在不起眼的後台，不在行銷。

「誰簽名」明天就是法律義務了

前面說「沒有指定的人類負責人就不是員工」是實務建議。從 2026 年 8 月 2 日起，在歐盟它是法條。

依歐盟官方的 AI Act 實施時程，這天起 AI Act 的大部分規則開始適用、Article 50 的透明度義務生效、國家與歐盟層級開始執法。對「數位員工」最直接的是 Article 26（高風險 AI 系統部署者的義務），其第 2 項寫得非常白：

部署者應將人為監督指派給具備必要能力、訓練與權限，並獲得必要支援的自然人。

同一條還要求：保存系統自動產生的日誌至少六個月（26(6)）；在工作場所部署前要先告知員工與員工代表（26(7)）；對 Annex III 高風險系統所做或協助做出的、涉及自然人的決定，要告知被影響的人（26(11)）。

為什麼這跟數位員工特別有關：Annex III 的第 4 類就是就業、勞工管理與自營作業機會的取得——履歷篩選、任務分派、升遷與解僱相關的 AI 都落在裡面。而且部署者是雇主，不是賣工具給你的廠商。你買的 agent 平台通過了什麼認證，不會替你承擔部署者義務。

幾個要留意的時間點：Article 50(2) 給 2026 年 8 月 2 日前就已在市場上的生成式系統延到 2026 年 12 月 2 日才需符合機器可讀標記；Article 6(1) 及其對應義務要到 2027 年 8 月 2 日才適用。另外這份時程已納入 Digital Omnibus on AI 的修正，細節仍在動，實際規劃要回去看官方時程頁而不是二手整理。

務實的讀法是：日誌保存、指定監督人、告知受影響者，這三件事本來就是好的工程實務，現在多了一個不做會被罰的理由。

適合 / 不適合

適合：高量、同質、有明確成功訊號、錯了可回滾。客服前線的「訂單在哪」、文件處理、後台對帳。

不適合：判斷密集、情緒密集、錯誤代價不對稱。Klarna 的線畫得很清楚，Project Vend 的洋蔥期貨合約也是同一類問題——模型不知道自己不知道什麼。

有一個間接但有用的參照：Anthropic Economic Index 顯示企業透過 API 使用 Claude 時，77% 的對話呈現自動化模式、只有 12% 是增強；以任務計，API 上 97% 的任務以自動化為主，而 Claude.ai 上只有 47%。企業早就在做「整段委派」了，只是委派的多半是任務，不是職務。這兩者中間的距離，正是 Project Vend 花了一整年在補的東西。

整體來說

2026 年的數位員工是真的可以上工的，但三個判斷值得帶走：

買「員工」之前先問「誰簽名」。課責結構決定了它是員工還是無主帳號，跟模型多強無關——而且從 2026 年 8 月 2 日起，在歐盟高風險場景這是法律義務，不是建議。
先給流程，再給自由。Project Vend 最有效的介入不是更聰明的模型，是強迫查證的 SOP。檢查表就是給 agent 的組織記憶。
不要把 harness 當資產。Anthropic 自己砍掉了 context reset 和 per-sprint evaluator。你的鷹架也會過期，而且你不會收到通知。

參考資料

Anthropic 官方研究與工程部落格

定價（官方頁面）

法規

市場與產品

失敗案例與市場數據

站內相關文章