OpenAI 最近出了 Dots。同樣的主題，幫我從大陸用戶的觀點寫，要簡體字，很多人可能根本不知道有 dots 出現, 所以可以簡介一下再開始文章
看到這個東西，我第一個反應不是：
「哇，又有新的 AI Agent 了。」
而是：
「完了，以後連 AI 都要分工了。」
以前我們是一個人開十個分頁。
以後可能是一個人養十個 Agent。
一個幫你看信。
一個幫你追進度。
一個幫你整理會議。
一個幫你盯客戶。
最後你自己負責什麼？
可能負責：
問它們到底做完了沒。
但玩笑歸玩笑，Dots 背後其實代表一個很重要的變化。
以前我們用 AI，是「有事情再問」。
以後很可能變成：
直接把一件事交給它負責。
這個差別非常大。
以前是工具，現在開始像同事
以前你問 AI：
「幫我整理這份資料。」
它整理完，事情結束。
以後你可能會說：
「這個專案你幫我盯著。」
它會持續看資料、追進度、整理變化，真的需要你決定時再回來找你。
這時候 AI 就不只是工具了。
開始有點像一個：
不用領年終、也不會說要離職的數位同事。
當然，前提是它不要把事情做錯。
所以未來企業可能不會再只問：
「我們要不要導入 AI？」
而是會問：
「哪些工作可以正式交給 AI？」
問題來了：大家都有 Agent 之後，差別在哪？
這才是我覺得真正有趣的地方。
如果以後每家公司都有：
Recruiting Agent
Sales Agent
Learning Agent
Customer Service Agent
Manager Coach
甚至連老闆都有一個「幫我看大家有沒有在工作的 Agent」。
那 Agent 本身很快就不稀奇了。
就像現在沒有人會說：
「我們公司很厲害，因為我們有 Email。」
真正拉開差距的，會變成：
你的 Agent 到底知道什麼？
第一個真正缺的：不是資料，是經驗
現在很多企業講 AI，第一句常常是：
「我們公司很多資料。」
這句話我聽過很多次。
但資料多，不代表 AI 就突然變成資深員工。
你有十年的客服紀錄。
這是資料。
但一個做了十年的客服主管知道：
哪種客人是真的要走。
哪種客人只是想罵一下。
哪種時候要立刻升級處理。
哪種時候最好的策略是：
先閉嘴，讓他講完。
這些才叫經驗。
HR 也是一樣。
你可以有十萬份履歷。
但資深 HR 一聽候選人說：
「我希望尋找更大的舞台。」
腦子裡可能已經開始跑十種可能性。
是真的想成長？
跟主管處不好？
薪水太低？
快被資遣？
還是只是面試標準答案？
這些東西通常不在資料庫裡。
在人的腦袋裡。
所以未來真正重要的，不只是 Data Asset。
而是：
Experience Asset。
也就是：
怎麼把那些「老員工才知道」的東西，變成 AI 也可以用的東西。
第二個缺的：情境
LLM 很會回答問題。
但企業真正麻煩的，往往不是知識不夠。
而是：
現在這個情況，到底該怎麼辦？
例如 PIP 面談。
教科書可以寫：
「主管應提供具體、建設性的回饋。」
很好。
那員工突然說：
「這個 KPI 本來就不合理。」
怎麼辦？
他開始沉默呢？
他開始怪別部門呢？
他開始說：
「那我乾脆離職。」
你還要繼續照 SOP 嗎？
這時候你就會發現：
知道知識跟會工作，差非常多。
所以 Agent 真正要能工作，需要的不只是 Knowledge。
還要有：
Scenario。
角色是誰？
現在發生什麼事？
雙方目標是什麼？
可能出現什麼反應？
什麼時候該追問？
什麼時候該停？
這些才是真正的工作。
第三個缺的：到底怎樣算做得好？
這也是很多 AI 專案最尷尬的地方。
Agent 做完了。
大家看了一圈。
然後問：
「所以它做得好嗎？」
全場安靜。
這就像請了一個新員工，三個月後才發現：
我們根本沒定 KPI。
所以 Agent 越普及，企業越需要 Rubric。
例如 AI 幫忙面試。
不是它問完五個問題就算完成。
真正要問的是：
有沒有追到關鍵證據？
有沒有漏掉矛盾資訊？
判斷是不是有依據？
哪些是事實？
哪些只是模型猜的？
沒有這些標準，Agent 再勤勞也只是：
很努力地不知道自己做得對不對。
第四個缺的：證據
企業最終一定會問一句：
「憑什麼？」
AI 說：
「這個候選人的溝通能力偏弱。」
主管第一句一定是：
「哪裡弱？」
這時候如果 AI 回：
「根據整體語意綜合判斷。」
基本上就跟算命差不多了。
真正可用的系統，應該要指出：
哪一句話。
哪一段互動。
哪個行為。
哪個證據。
怎麼連到最後的判斷。
所以 Evidence Chain 會越來越重要。
未來企業不會只要答案。
會要：
答案 + 證據 + 原因 + 下一步。
第五個缺的：做完這一步，下一步會發生什麼？
這也是我覺得 World Model 真正有價值的地方。
現在很多 Agent 還是：
Observe → Reason → Act
看一下。
想一下。
做一下。
但真正厲害的人，不只是會做下一步。
而是會想：
「我這樣講，對方接下來會怎樣？」
例如主管在 PIP 面談裡直接說：
「你這三個月表現真的不行。」
下一步很可能不是改善。
是防衛。
如果主管改成先確認事實：
「我想先確認一下這三個月的實際狀況。」
對話狀態可能完全不同。
這就是 World Model。
不是只看現在。
而是理解：
Action → State Change → Next Action
這才比較接近真正的工作經驗。
所以未來 SaaS 可能也很尷尬
以前企業軟體的邏輯是：
人 → UI → 系統
使用者每天登入五個系統。
按十幾個按鈕。
填三張表。
最後還要自己記得存檔。
大家已經習慣到不覺得哪裡奇怪。
但 Agent 進來之後，很可能變成：
人 → Agent → 系統
你只要說：
「幫我整理這週所有重點客戶，告訴我誰需要追。」
剩下的系統自己去跑。
這時候很多 SaaS 可能會突然發現：
自己辛苦設計十年的選單，
以後根本沒人點。
有點像餐廳花很多錢設計菜單，
結果客人一進門就說：
「老闆，你看著辦。」
那企業最後真正剩下什麼？
我覺得答案可能很簡單。
不是 Agent。
因為大家都會有。
也不是模型。
因為模型最後會越來越像水電。
真正留下來的是：
你的經驗。
你的流程。
你的判斷。
你的情境。
你的標準。
你的證據。
你的 know-how。
換句話說：
Agent 不缺。
缺的是可以交給 Agent 的東西。
HR 會很早遇到這件事
因為 HR 的工作本來就不是純流程。
它充滿：
人。
情緒。
互動。
判斷。
灰色地帶。
例如面試。
例如績效管理。
例如主管教練。
例如員工輔導。
這些工作不能只靠：
「如果 A，就做 B。」
真正難的是：
A 發生之後，
對方可能變成 C。
那你原本的 B 還適不適合？
這也就是為什麼我一直覺得，
HR AI 下一步不只是做更多 Agent。
而是建立：
HR Experience Model。
讓 AI 不只知道「HR 應該怎麼做」。
還知道：
在什麼情境下，怎麼做比較可能有效。
當每個人都有一個 Dot
所以我看 Dots，最有趣的不是功能本身。
而是它背後透露的一個方向：
未來 AI 會越來越像一個角色。
它會有責任。
有任務。
有工具。
甚至有持續性的工作。
那麼企業真正的問題就會從：
「我們要不要用 AI？」
變成：
「我們公司有哪些經驗，值得教給 AI？」
到最後，
大家都有 Agent。
大家都有模型。
大家都有自動化。
真正拉開差距的，可能不是：
誰的 AI 比較聰明。
而是：
誰比較知道，什麼事情值得交給 AI。
以及：
誰真的知道，事情應該怎麼做好。
所以當每個人都有一個 Dot，
企業真正缺的，
可能還是那個最老派、也最難買到的東西：
經驗。
只是以前經驗放在人腦裡。
以後，我們得想辦法把它教給 AI。