二〇〇二年，當Dipkumar Mehta在印度蘇拉特的C.K. Pithawalla工程技術學院拿到電機工程學士學位時，人工智慧還不是大學課表上的一門課。二十多年後，這位來自印度的工程師不僅成為亞馬遜網路服務（AWS）自然語言人工智慧首席交付顧問，更親手推動了全球企業人機對話的兩次典範轉移——從傳統語音樹狀選單，到對話式AI，再到如今正在發生的代理式人工智慧（agentic AI）革命。
一場橫跨電信、金融到雲端的技術征途
Mehta的職涯軌跡，幾乎就是企業數位轉型浪潮的縮影。從HCL Infosystems的電信工程師起家，到Wipro Infotech、美國運通，再到華沙協助花旗銀行將客服中心平台升級為現代化多管道架構——每一步都踩在企業通訊系統演進的關鍵節點上。不過，真正讓他站上AI浪頭的轉捩點，是二〇一六年加入舊金山LendingClub Corporation擔任首席工程師的那一刻。
當時，金融服務業對AI的態度還極度保守。Mehta卻在LendingClub設計出美國金融業最早的對話式AI系統之一，這套系統解決了一個讓工程師頭痛多年的難題：傳統電話網路是同步且嚴謹的，但雲端AI服務是非同步且相對較慢的，兩者根本不在同一個節奏上。他透過建立即時音訊串流層，硬是讓系統能在真人可接受的毫秒級時間內完成語音辨識與意圖判斷。結果呢？錯誤轉接的電話大幅減少，大量例行請求無需人工介入，每年為公司省下數十萬美元的營運成本。而他開創的「將語言推論直接嵌入即時通話路徑」模式，如今已成為全球企業對話式AI的主流設計。
從「聽懂話」到「幫你做事」：代理式AI如何改寫遊戲規則
二〇二〇年加入AWS後，Mehta把重心轉向一個更前沿的領域——代理式AI。如果用最白話的方式解釋：過去的對話式AI像個聰明的客服，聽得懂你在說什麼，然後把問題轉給對的人；但代理式AI更像一個能自主規劃並執行多步驟任務的數位員工，不只是回答問題，而是直接幫你把事情做完。
Mehta開發的平台，能將過去耗時多年、耗資數百萬美元的客服中心遷移專案壓縮至數週內自動執行。這套系統已被AWS Professional Services採用為醫療、保險、金融服務及公共部門客戶的標準加速器。不僅如此，他還另外開發了一套配套平台，透過自主代理人驗證AI代理行為，將原本需要數週的人工品質保證測試週期縮短至數小時。
話說回來，這兩個數字——「數週vs.數年」和「數小時vs.數週」——說明了代理式AI真正的商業價值在哪裡。它不是幫你把現有流程加快10%，而是讓過去根本無法啟動的專案變得可行。對許多台灣的金融業、電信業者來說，核心系統轉型喊了十年卻遲遲不敢動，因為風險和成本實在太高。如果代理式AI真如Mehta所展示的那樣能大幅壓縮遷移時間，台灣企業或許有機會跳過痛苦的「換心手術」，直接進入AI原生時代。
編輯觀點：從產業面來看，Mehta的職涯軌跡透露了一個關鍵訊號——AI的戰場已經從「自然語言理解」轉向「行動可靠性」。過去五年，企業瘋狂導入對話式AI，但多數停留在「客服機器人」的層次。接下來五年，勝負關鍵在於AI能否被信任來執行多步驟任務。對台灣企業主來說，與其繼續砸錢優化現有的語音機器人，不如開始思考：哪些內部流程可以交給AI代理人自主完成？這不是技術問題，而是組織設計問題。不過，Mehta自己也在論文中觸及一個更深的隱憂——當AI代理人越來越自主，我們如何在效率和倫理之間取得平衡？這恐怕是下一個十年的核心課題。
AI原生世代沒學過AI？Mehta給年輕工程師的逆向思考
有趣的是，Mehta雖然在AI領域有如此重量級的貢獻，他卻直言：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。」這句坦白，對如今急著把小孩送進AI營隊的家長、或是焦慮自己沒跟上AI浪潮的上班族來說，或許是最值得深思的一句話。
他認為，真正有價值的習慣是「仔細觀察系統如何失敗，以及是什麼阻礙了它們成長」。這種思維方式，遠比學會當下最熱門的程式語言或模型架構更為關鍵。因為具體的工具會過時，但診斷系統性問題的能力，在任何技術世代都通用——包括那些尚未被發明的技術。
Mehta也曾在同儕審查的論文中探討過從強化學習適應性雲端安全政策，到放射學中保護隱私的分散式機器學習等多元主題。這種跨領域的視野，或許正是他能從電信工程師一路走到AI最前沿的底層邏輯。
展望與影響：當AI從「回答問題」進化到「被信任的行動者」
Mehta對未來的判斷非常精準。他說：「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。這是一個更困難的工程問題，也是未來十年工作的重點。」這句話背後，藏著幾個值得追蹤的趨勢：
- 信任將成為AI產品最昂貴的競爭門檻：在代理式AI的世界裡，一次錯誤的行動可能比一百次錯誤的回答更致命。企業導入AI的決策邏輯，將從「準確率多高」轉向「出錯時如何補救」。
- 品質保證（QA）迎來全新定義：Mehta開發的自主代理人驗證平台，暗示了一個重要方向——未來的軟體測試不是「人測AI」，而是「AI測AI」。這將徹底改變軟體工程師的工作內容。
- 台灣供應鏈的機會與挑戰：AWS已將Mehta的開發成果標準化為多個產業的加速器。對台灣的製造業、金融業和醫療機構來說，這意味著導入AI代理人的技術門檻正在快速降低；但同時，也意味著「用AI優化流程」將從競爭優勢變成基本生存條件。
如果說Mehta在LendingClub時代的貢獻，是教會了機器「聽懂客戶在說什麼」；那麼他在AWS時代的工作，則是在教會機器「把客戶的需求當成自己的任務來完成」。前者改變了客服中心的效率，後者可能改變的是——整個企業運作的方式。
行動呼籲：
身為企業決策者或技術主管，不妨花一個小時審視內部流程——哪些環節涉及重複性的「跨系統溝通」與「多步驟決策」？那些可能就是代理式AI最早能落地的場域。不用急著從核心系統下手，選一個風險可控、但痛點明確的小流程試行，然後觀察AI代理人從規劃到執行的完整路徑。你會發現，真正的挑戰往往不在模型本身，而在於你對「信任AI行動」的心理準備。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
代理式AI和對話式AI最大的差別在哪裡？
代理式AI不只是回答問題，而是能自主規劃並執行多步驟任務。對話式AI像客服，聽懂後轉給對的人；代理式AI像數位員工，直接幫你把事情做完。
Dipkumar Mehta開發的技術能幫企業省多少錢？
他在LendingClub時期設計的對話式AI系統，每年為公司節省數十萬美元的營運成本，主要來自減少錯誤轉接電話和自動化處理例行請求。
台灣企業現在導入代理式AI適合嗎？
適合從風險可控、痛點明確的小流程開始試行。AWS已將Mehta的開發成果標準化為多個產業的加速器，技術導入門檻正在降低，建議先觀察AI代理人在單一流程中的表現再擴大。
Mehta對年輕工程師最重要的建議是什麼？
他認為比學會特定技術更重要的是培養「觀察系統如何失敗」的習慣，這種診斷問題的能力在任何技術世代都通用，包括那些尚未發明的技術。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
