過去談企業導入 AI，最常被提到的一個原則，是 Human-in-the-loop。
意思是，AI 可以協助分析、生成、判斷，甚至執行部分任務，但在關鍵步驟上，仍然需要人類確認、核准或修正。換句話說，人還是在流程裡，AI 只是坐在旁邊幫忙遞工具。
這個設計在 AI 導入初期很合理。
因為當系統還不夠穩定，企業也還沒有建立足夠信任時，讓人類保留最後把關權，是一種降低風險的方法。尤其在醫療、金融、招募、法務、資安等高風險場景中，完全自動化通常不是第一天就能接受的事情。
Human-in-the-loop 提供了一個中間狀態：企業可以開始使用 AI，但不必立刻把方向盤整個交出去。
問題是，到了 AI Agent 的階段，事情開始變得不一樣。
AI Agent 跟一般生成式 AI 工具最大的差異，不只是它會回答問題，而是它可能具備任務拆解、工具調用、資料查詢、流程執行、跨系統操作與結果回報的能力。
也就是說，Agent 的價值不只是「給建議」，而是「完成任務」。
一旦 AI 從輔助判斷走向自主執行，Human-in-the-loop 就會遇到限制。因為如果每一個步驟都要人類確認，每一次輸出都要人工審核，每一次工具調用都要等待批准，那麼 Agent 的效率很快會被抵銷。
企業表面上導入了 AI Agent，實際上只是多了一個需要人類不斷照看的新同事。
而且這位同事不喝咖啡、不請假，但每五分鐘問你一次：「這樣可以嗎？」
這就有點尷尬了。
所以，近年討論開始從 Human-in-the-loop 轉向 Human-on-the-loop，甚至也有人進一步討論 Human-out-of-the-loop。
這三個概念，講的不是人類重不重要，而是人類在自動化系統中的位置不同。
Human-in-the-loop，是人在流程裡。AI 可以做事，但關鍵節點需要人類確認。
Human-on-the-loop，是人在流程上。AI 可以在一定邊界內自主運作，人類負責監督、設定規則、處理異常，必要時介入。
Human-out-of-the-loop，則是人不在即時迴路裡。系統自己判斷、自己執行、自己調整，人類可能只在事前設定目標，或事後檢查結果。
這裡的 on，不是人類離開系統，也不是放任 AI 自己亂跑，而是人類從「在流程裡操作」，轉為「在流程上監督」。
比較口語地說，就是人不一定每一步都親自下場，但必須保持 on the lookout：看著系統有沒有偏離邊界，必要時可以介入。
至於 out-of-the-loop，也不是一定不好。
很多成熟的自動化，本來就會走向某種程度的 out-of-the-loop。比如排程系統自動寄出例行通知，備份系統半夜自動同步資料，監控系統發現服務異常後自動重啟。這些事情如果每次都要人半夜起來按同意鍵，那不叫治理，比較像折磨值班工程師。
但 Human-out-of-the-loop 有前提。
任務邊界要非常清楚，錯誤代價要可控，結果要能追蹤，事後要能修正，而且系統不會因為一次錯誤就造成不可逆的重大損害。
換句話說，不是所有事情都不能 out-of-the-loop，但也不是所有事情都配得上 out-of-the-loop。
這個差異，用自動駕駛來比喻會更清楚。
我們今天講「自動駕駛」，其實不是同一種自動化。汽車的輔助駕駛、高鐵或捷運的自動駕駛、飛機的自動駕駛，表面上都叫自動化，但背後的人機分工完全不同。
汽車的輔助駕駛，多數情況下仍然要求駕駛坐在駕駛座上，注意路況，必要時立刻接管。系統可以協助維持車道、控制速度、保持車距，但道路環境是高度開放的。
路上可能有施工、行人、機車、臨停車輛、突然切入的車，也可能遇到沒有明確標線、交通規則模糊，甚至導航叫你開進一條看起來像巷子、實際上像命運考驗的路。
在這種情況下，人類很難完全退到流程之外。人還是需要在駕駛流程裡，隨時準備接手。
這比較接近 Human-in-the-loop。
高鐵或捷運的自動駕駛則不同。
軌道是固定的，班表是明確的，號誌是制度化的，速度限制、站點、煞車距離與安全規則也都被嚴格設計。系統不是在一個完全開放的道路環境中自由判斷，而是在一套高度可控的運行邊界裡自動執行。
這時候，人類的角色就不一定是每一秒都手動控制列車，而是監督系統是否正常、處理異常狀況、確認安全程序，並在必要時接管。
這比較接近 Human-on-the-loop。
飛機的自動駕駛也是類似的例子。
飛行中的自動駕駛可以長時間維持航向、高度、速度與航線，但飛行員並沒有消失。飛行員的角色從「持續手動操作飛機」，轉向「管理飛行系統」：設定航線、確認儀表、監控天氣、處理塔台指令、判斷異常，並在起降、突發狀況或系統失效時介入。
至於 Human-out-of-the-loop，比較像是某些高度受控場域中的完全自動化運行。
例如倉儲、港口、礦區或特定軌道系統裡，自動車輛可能依照固定路線、固定規則與感測系統運作。人不一定坐在駕駛座，也不一定每一台車都有人即時盯著，而是透過整體系統監控、告警、紀錄與定期維護來管理。
但這種模式成立，不是因為人類突然不重要了，而是因為環境已經被設計到足夠可控。
如果把同樣的系統丟到台北市下班時間的忠孝東路，結果可能就會從自動駕駛變成都市傳說。
所以，自動化程度不是靠口號決定，而是靠場景成熟度決定。
關鍵差異不是有沒有自動化，而是：
環境是否可控、規則是否清楚、人類是否需要每一步介入，以及系統出錯時能否被接管。
這才是自動駕駛比喻真正值得放回組織管理思考的地方。
同樣是 AI Agent，不同企業、不同任務、不同流程，適合的使用方式也不會一樣。
有些任務比較像開放道路。
例如客戶申訴、勞資爭議、主管回饋、法律判斷、招募決策、資安事件處理。這些任務通常情境複雜、例外很多、資訊不完整，而且牽涉人際感受、法律責任或組織風險。
這時候，AI Agent 可以協助整理資料、提出建議、生成草稿或提醒風險，但不適合完全自主決策。
在這類場景中，Human-in-the-loop 仍然必要。
因為人類不只是審核 AI 的輸出，更是在補足情境判斷、責任承擔與倫理判斷。
但也有些任務比較像軌道系統。
例如例行報表生成、資料同步、會議摘要、客服初步分類、內部知識查詢、固定格式文件整理、系統狀態監控、標準作業流程提醒。這些任務的輸入相對明確，規則可以定義，錯誤可以追蹤，結果也比較容易驗證。
在這類場景中，如果每一步都要求人類審核，反而會讓 AI Agent 失去效率。
更合理的方式，是讓 Agent 在清楚邊界內自主運作，由人類站在流程之上監督。也就是 Human-on-the-loop。
甚至有些任務，如果規則非常清楚、風險很低、錯誤可回復，也可以讓 Agent 在一定程度上 Human-out-of-the-loop，自動完成任務，只在例外、異常或定期稽核時回到人類視野。
但這不是 AI Agent 的初始設定，而是組織成熟之後的結果。
這時候，組織要設計的就不是「每一步要不要給人按確認」，而是更系統性的問題：
Agent 可以做哪些事？不能做哪些事？可以讀取哪些資料？可以調用哪些工具？可以代表誰發送訊息？哪些任務可以自動完成？哪些任務必須升級給人類？哪些行為必須留下紀錄？哪些結果需要抽查？出錯時如何回溯責任？
這些問題已經不是單一使用者會不會寫 prompt 的問題，而是組織設計問題。
換句話說，企業導入 AI Agent，不只是導入一個工具，而是在重新設計工作系統。
如果一個組織的流程本身非常混亂，規則不清楚，權限不明確，資料品質不穩定，責任邊界也沒有定義，那麼再強的 AI Agent 進來，也只能被迫變成「需要人類隨時接管的輔助駕駛」。
這時候怪 AI 不夠聰明，其實有點冤枉。
就像你把高鐵開進菜市場，然後抱怨它轉彎不夠靈活，這不是車的問題，是場景選錯了。
反過來說，如果一個組織已經把流程、權限、資料、例外狀況與責任邊界設計清楚，AI Agent 才比較有機會像高鐵或飛機的自動駕駛一樣，在可控範圍內穩定運作。
因此，AI Agent 能不能自主工作，不只取決於模型能力，也取決於組織成熟度。
沒有軌道的自動駕駛，只能要求人隨時握著方向盤。
沒有邊界的 AI Agent，也只能要求人每一步審核。
這也是 Human-in-the-loop、Human-on-the-loop 與 Human-out-of-the-loop 最大的差異。
Human-in-the-loop 解決的是 AI 還不夠可信時，如何讓人把關。
Human-on-the-loop 解決的是 AI 開始自動執行任務後，組織如何維持控制。
Human-out-of-the-loop 則只適合那些高度標準化、低風險、可追蹤、可回復的任務。
前者的核心問題是：「人要不要審核 AI？」
中間的核心問題是：「組織有沒有設計好讓 AI 被監督、被追蹤、被接管的工作系統？」
最後一種則是在問：「這件事是否已經成熟到可以讓系統自動完成，而人類只做例外管理或事後稽核？」
這不是說 Human-in-the-loop 不重要。
在高風險決策、法律責任明確、倫理判斷複雜，或 AI 輸出可能直接影響個人權益的場景中，人類仍然需要留在關鍵流程裡。問題在於，企業不能把「每一步都有人看過」當成唯一的治理方法。
因為這樣很容易形成一種假的安全感。
看起來有人類參與，但實際上人可能沒有足夠時間、資訊或能力判斷 AI 的輸出是否正確。最後，人類只是形式上按下確認鍵，責任卻被轉移到個別使用者身上。
這種情況就像副駕駛一路滑手機，車子快撞了才說：「我剛剛其實都有在看。」
有在 loop 裡，不代表真的有在管。
真正有效的治理，不只是把人放進流程，而是清楚定義人在不同層級上的角色。
有些情境，人需要是決策者。
有些情境，人需要是審核者。
有些情境，人需要是監督者。
有些情境，人只需要是例外處理者。
也有些情境，人應該是制度設計者，而不是每一筆任務的人工檢查員。
從這個角度看，Human-in-the-loop 比較像是 AI 導入早期的安全機制；Human-on-the-loop 則是 AI Agent 規模化之後，企業必須面對的治理模型。至於 Human-out-of-the-loop，則不是一開始就該追求的終點，而是當任務真的足夠穩定、規則真的足夠清楚、事故真的可控時，才有資格談的自動化狀態。
當 AI 只是工具，人類要學會使用它。
當 AI Agent 開始成為工作流程的一部分，人類就必須學會管理它。
而管理 AI Agent，不是把 AI 當成人，也不是把 AI 完全視為軟體，而是重新設計人、系統、流程與責任之間的關係。
所以，企業在導入 AI Agent 之前，真正需要反思的不是：
「這個 Agent 能不能幫我們省多少人力？」
而是：
「這個任務，現在適合放在哪一種人機關係裡？」
有些任務需要 Human-in-the-loop，因為情境太複雜，風險太高，人類必須在流程裡把關。
有些任務適合 Human-on-the-loop，因為流程已經有一定規則，AI 可以在邊界內自主運作，人類負責監督、例外處理與接管。
也有些任務可以 Human-out-of-the-loop，因為它高度標準化、低風險、可追蹤、可回復，人類不需要每一次都出現在現場。
真正的問題，不是 in、on、out 哪一個比較潮。
真正的問題是，組織有沒有能力判斷：哪一條路可以自動駕駛，哪一條路需要人坐在駕駛座，哪一條路根本還沒鋪好。
很多企業導入 AI Agent，常常以為買了更強的模型，就像換了一台更好的車。
但很多組織真正缺的不是引擎，而是道路、交通號誌、駕駛規則，以及出事時到底誰要下車處理。
最後，企業導入 AI Agent，最怕的不是 AI 不會開車。
最怕的是，組織自己都還沒決定路在哪裡、紅綠燈誰管、超速誰負責，然後就急著問：
「為什麼它不能全自動？」
這時候，問題可能不在 Agent。
問題在於，我們還沒有把組織設計成一個適合 Agent 行駛的地方。
Human-in-the-loop，是過渡期的安全帶。
Human-on-the-loop，是企業開始修路、畫線、設號誌。
至於 Human-out-of-the-loop，不是把 AI Agent 放出去自由奔跑。
那比較像放生。
真正成熟的 out-of-the-loop，是當道路夠清楚、規則夠穩、事故可控、責任可追蹤時，企業才有資格說：這一段路，可以讓它自己開。