「18,000 個 AI agent」不是重點，90% 才是：AI 正在從你去用的工具變成自己上工的同事

這幾天有支影片在 X（原 Twitter）上被瘋轉，標題大概是這樣：「Claude Code 團隊做了一個 18,000 個 agent 的迴圈系統」。數字很嚇人，轉發的人也多。

我點進去看完，第一個反應是想笑。

不是因為內容差，是因為這個標題至少有三個地方帶你走偏。第一，做這件事的不是 Claude Code 團隊，是 Notion。第二，那不是一個「同時跑 18,000 個 agent」的系統，18,000 是三週內累計建立的 agent 實例數，不是同一時間在運轉的數量，這兩個差了兩個數量級。第三，也是最重要的：18,000 根本不是這場分享裡最該被你抄進筆記本的數字。

真正該抄的那個數字是 90%。

先把場景講清楚，免得你也被標題騙

這支影片其實是一場 Anthropic 官方的 webinar，主題是他們的新框架 Claude Managed Agents（託管代理，簡單說就是把 AI agent 上線要用的基礎設施整包託管起來）。上半場 Anthropic 講架構，下半場請來 Notion 分享實戰。

架構那半段怎麼運作，什麼大腦跟雙手拆開、憑證怎麼加密、延遲改善幾成，我在另一篇 Code with Claude London 場的解讀 已經拆過一輪，這篇不重講。有興趣看技術細節的，點過去就好。

我要講的是 Notion 那半段丟出來的一組數字。

根據 Notion 在這場 webinar 上自己公布的數據：他們把 Claude agent 接進產品大約三週，累計建立了約 1.8 萬個 agent 實例、跑了大約 14 萬個步驟、燒掉約 580 億個 token。這些數字很漂亮，但都是廠商自報，你就當成一個參考量級，別當成客觀鐵證。這場分享的性質，本來就是一半實戰、一半行銷。

但底下有一句話，我認為是整場最有價值的：他們說，用戶跟 Claude 的互動裡，大約有九成是「自動化觸發」的，不是有人坐在那邊打字聊出來的。

排程時間到了、Slack 來了一則訊息、Notion 頁面狀態變了，agent 就自己上工。真人打開一個對話框，一句一句問，反而只佔一成。

這句話，比 18,000 重要一百倍。

你導入 AI 卡住的原因，可能從第一步就錯了

先問你一個問題。

你公司是不是也花了錢導入某個 AI 工具，開了帳號、發了公告、開了教育訓練，結果三個月後打開後台一看，真正在用的沒幾個人？

你知道為什麼嗎？

多數人導入 AI 的預設動作，是「部署一個聊天視窗」，然後想辦法逼員工願意去用它。你等於是請了一個很聰明的新人進來，但這個新人有個怪毛病：他不會主動做事，你不去找他講話，他就一直坐在位子上發呆。

員工本來手上事情就做不完，誰有空一直去跟一個對話框聊天？於是你的 AI 使用率就卡在一個很低的天花板，不是因為模型不夠聰明，是因為你把它擺在一個「你不主動，它就不動」的位置。

Notion 那個 90% 告訴你的，是另一種玩法。

聊天視窗是 demo，觸發器才是產品

我先講一個判斷。

AI 導入的「單位」變了。不再是「一個聊天機器人」，是「一個事件，配一個自己會上工的 agent」。

這個轉變，其實台灣的零售電商老闆一點都不該陌生。

想想超商的自動訂貨。POS 系統看到某個品項庫存低於安全水位，系統就自己把補貨單帶出來，不需要店長每天巡店、拿紙筆抄、再打電話叫貨。這就是最原始版本的「事件觸發」：一個條件成立，一個動作自動發生。

以前，這種自動觸發只能綁在很簡單、很死板的規則上，庫存低於幾件就補幾件，多一點判斷就做不到。現在不一樣了，事件觸發後接上的不是一條死規則，是一個會讀資料、會推理、會自己決定下一步的 agent。這就像從「裝一個定時灑水器，時間到就噴水」進化到「請一個會看天色的園丁住在你花園裡，天一乾、土一裂，他自己就去澆，澆完還跟你回報哪一區的土特別不對勁」。

放到你店裡更具體一點。一筆退貨申請進來，agent 自己就啟動，把這張訂單的購買紀錄、客服對話、退貨原因整理成一頁，對照你的退貨政策先判斷該不該准，只有卡在灰色地帶、或金額特別大的那幾筆，才跳出來 ping 你的客服主管。你不用先去「打開」它，它是被「退貨進來」這個事件叫醒的。

聊天視窗那個 demo，是給你看「這個 agent 有多聰明」用的。

真正在幫 Notion 用戶幹活、跑出九成流量的，是那些你根本沒去打字、它自己就啟動的觸發器。

說個我自己的例子。我現在寫這種解讀文，流程其實已經沒有「打開一個 AI，從頭跟它聊」這個動作了。來源進來，先自動整理成摘要；摘要好了，自動去查有沒有撞題、順便找內部連結；文章寫完，自動跑一輪 SEO 健檢跟配圖。我在整條線上只做一件事：最後那關，人來審。

這條線之所以順，不是因為某個環節的 AI 特別神，是因為它是「觸發式」的，不是「聊天式」的。每一步都由上一步的完成自動勾起下一步，我不用記得去戳它。

別再用「有多少人在用 AI」衡量導入成效

那組 580 億 token 的數字，除了嚇人，還有一個用途：它證明「這已經不是玩具」。一個 demo 是燒不掉 580 億 token 的，能燒到這個量級，代表背後真的有一大堆工作流，天天在被觸發、被執行。「讓 AI 自己上工」這件事，已經被跑出規模，不再只是一句願景。

這也是為什麼我要提醒你，換一個指標來看自己的 AI 導入。

以前你衡量導入成效，看的是「有多少員工登入了、用了幾次」。這個指標其實很虛，因為它衡量的是「有多少人記得去用一個工具」。

現在你該問的是另一句：你事業裡的重複性工作，有多少比例已經不需要人打字，就會自己發生？

這兩個指標，會把你帶去完全不同的方向。前者讓你一直在辦教育訓練、一直在催員工；後者讓你去盤點流程、去接觸發器。

順帶一提，你現在用的電商後台、CRM（顧客關係管理系統）、客服系統、廣告工具，也正在從「人去點的介面」變成「agent 直接呼叫的工作台」，這是供給端同步在發生的事。我在 Salesforce 把平台變成 agent 基礎設施那篇 談過這個切面，這裡就不展開。

那，具體怎麼做？先做一張「事件盤點表」

講到這，重點是什麼？

不是叫你明天去買一套 agent 平台。是先做一件不用花錢的事：把你事業裡「會固定發生的事件」列出來。

你可以照這幾步走：

► 第一，列事件，不要列功能。 別問「AI 能幫我做什麼」，問「我這門生意裡，每天、每週會固定發生哪些事」。每天早上要對帳、庫存掉到安全量、有新訂單進來要做風控、退貨換貨申請進來、某支廣告的 ROAS（廣告投報率）掉破你設的門檻、每週要出一份營運報表。這些「事件」就是你的觸發器清單。

► 第二，每個事件問一句：這該不該自動叫一個 agent 上工？ 判斷標準很簡單，這件事是不是「重複、規則大致清楚、但又需要一點判斷」？如果是，它就是好的候選。純粹死規則的（庫存補貨）用傳統自動化就好，需要判斷的（客訴分類、風控初篩、報表寫評語）才輪到 agent。

► 第三，把「人」放在例外，不放在流程中間。 讓 agent 做完前八成，只有踩到它不確定、或金額太大、或風險太高的時候，才 ping 一個人來看。人不再是每一步的操作員。至於人的角色會怎麼變、要培養什麼能力，我在 週刊那篇談 AI 接手做事 講得比較細，這篇就點到為止。

► 第四，從一個低風險的事件先試。 別一次全上。挑一個做錯了也不會出大事的流程，先接一個觸發器跑跑看，例如「每週報表初稿」或「客訴自動分類」。跑順了，你對「觸發式」的手感就有了，再往風險高的流程擴。

► 第五，記得留稽核紀錄。 agent 自己上工，好處是快，風險是你沒盯著。所以每個自動觸發的動作，都要留一筆查得到的紀錄：什麼時間、被什麼條件觸發、讀了哪些資料、做了什麼判斷、採取什麼動作、有沒有轉給人覆核。這是把韁繩留在手上的方式。

最後，換一個問法

如果你問我，這場 webinar 最值錢的一句話，不是那些嚇人的數字，是它逼你換一個問題來問自己。

以前大家在會議室裡爭的是：「我們到底要不要導入 AI？」

現在這個問題已經過期了。該問的是：

我這門生意裡，還有哪些會固定發生的事件，到現在都還在等一個人記得去處理？

每一個這樣的事件，都是一個你還沒接上的觸發器，也是一個對手可能已經接上、正在自動幫他們幹活的缺口。

18,000 也好、580 億也好，都是別人家的數字，看看就好。真正跟你有關的那個數字，是你自己算得出來的：你的重複工作裡，現在有幾成，已經不用人打字就會發生？

如果答案是零，那不是壞消息，是機會。因為這代表你要接的第一個觸發器，就在你剛剛列的那張表上。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。

資料來源：本文整理自一場 Anthropic 官方 webinar（介紹 Claude Managed Agents 框架，並由 Notion 分享導入實戰），原始影片經由 X 貼文流傳。文中 1.8 萬個 agent 實例、14 萬個步驟、580 億 token、約九成互動為自動化觸發等數據，均為 Notion 於該場 webinar 上自行公布，未經第三方獨立驗證，引用時請留意其行銷語境。關於 Claude Managed Agents「瓶頸是基礎設施而非模型智慧」的定位，可參考 InfoQ 對 Code with Claude 的報導。