你要在團隊導入 AI，第一步不是比價，而是搞清楚「我的需求到底需要哪一層的 AI」。市面上從免費的聊天機器人，到需要專人維運的自動化平台，都被叫作 AI 工具，但它們的能力邊界、風險和成本結構完全不同。搞錯層級的典型後果有兩種：需求其實很簡單，卻買了複雜平台養不起；或者需求需要自動化，卻指望一個聊天視窗解決，最後失望收場。這篇文章給你一套三層分類法，讀完你能用一張判斷表把自己手邊的需求逐一歸類。
三個層次總覽
我們按照「AI 能自己做到什麼程度」把工具分成三層：
| 層次 | 一句話定義 | 誰主導每一步 | 典型例子 | 典型計費型態 |
|---|---|---|---|---|
| 聊天型 | 你問它答，一次一輪 | 完全由人主導 | ChatGPT、Claude 這類對話介面 | 每人每月訂閱 |
| 協作型 | 它讀得到你的資料，在你的工作環境裡回答與產出 | 人主導，AI 有你的上下文 | NotebookLM、接上公司知識庫的助手 | 訂閱，可能加知識庫容量 |
| 代理型 | 它自己決定步驟、呼叫工具、多輪執行到完成 | AI 主導流程，人負責設定與監督 | 自動整理會議並分派任務的工作流、Agent 平台 | 用量計費（API）加平台費加維運人力 |
層次愈高，AI 承擔的自主性愈大，能省的力氣愈多，但你需要投入的「設計、監督、除錯」成本也愈高。三層不是好壞之分，而是適配之分。
第一層：聊天型——你問它答
聊天型工具就是大眾最熟悉的用法：你打字，它回覆。每一輪對話它主要依賴兩樣東西——你當前輸入的內容，以及這次對話視窗裡之前的訊息。
能力：起草文字、翻譯、改寫、腦力激盪、解釋概念、總結你貼上的內容。對「我手上有一段文字，幫我處理一下」的需求，聊天型幾乎都是最快、最便宜的解法。
限制：
- 它讀不到你的公司資料。你沒貼進對話視窗的東西，它都不知道。
- 對話視窗關掉或換一個新對話，之前累積的脈絡通常就沒了（部分工具提供記憶功能，但範圍與可靠度有限，需自行驗證）。
- 它不會「行動」。它只能給你文字，把文字變成實際的工作成果——寄出郵件、更新表格、建立任務——還是你自己在做。
- 對於需要準確引用的內容（法規、財務數字、內部規定），它可能一本正經地給出錯誤答案，必須人工核對。
適用場景：個人日常的文書處理、想快速驗證一個點子、學習新領域時的問答。
成本結構：通常是每人每月的訂閱費，成本可預測、好編列。真正的隱形成本是「用得好不好」——同一個工具，會寫提示詞的人和不會寫的人，產出差距可以很大。
第二層：協作型——讀得到你的資料
協作型工具在聊天型的基礎上，多了一件關鍵的事：它可以存取你指定的資料或工作環境。最常見的形式是「知識庫問答」：你把公司的手冊、FAQ、產品文件放進去，它回答時會先從這些資料裡檢索相關段落，再據此作答。這個技術通常叫 RAG（檢索增強生成），白話說就是「開卷考試」——AI 回答前先去翻你給它的課本，而不是憑印象作答。
能力：回答「我們公司的退貨政策是什麼」這類只有內部資料才答得出的問題；針對你上傳的長文件做摘要與問答；在你允許的範圍內保持對業務脈絡的理解。
限制：
- 回答品質高度依賴你餵給它的資料品質。文件過期、互相矛盾、格式混亂，答案就會跟著亂。
- 每一次互動通常還是「人發起、AI 回應」的單次模式。它不會自己發現該做什麼事。
- 知識庫需要有人維護：新文件要補進去、舊文件要下架，否則答案會慢慢過期。
- 檢索不等於理解全部。資料量很大時，它可能只看到相關的一小部分，跨文件的綜合推理仍不穩定。
適用場景：客服知識庫、內部規章問答、新人快速上手、針對大量文件的反覆提問。想親手做一個，可以照著不寫程式做出你的第一個 AI 工作流的步驟走一遍。
成本結構：訂閱費之外，可能還有知識庫容量、文件處理量的計費項。隱形成本轉移到「資料整理」——把散落的文件收攏、清洗、分級，往往比設定工具本身花更多時間。
第三層：代理型——自己決定步驟並執行
代理型（Agentic）工具是質變：你給它一個目標，它自己拆解步驟、決定先做什麼後做什麼、呼叫外部工具（搜尋、資料庫、發訊息、寫入表格），並且根據中間結果調整做法，多輪執行直到完成或卡住。
能力：把「一連串動作」整包接過去。例如：收到會議錄音，自動轉寫、抽出行動項、寫進任務系統、通知負責人；或者每天定時收集指定來源的更新、比對差異、產出一份報告寄到群組。
限制：
- 自主性帶來不可預測性。同樣的輸入，它可能走出不同的執行路徑，偶爾卡住或做錯，需要設計「出錯了誰來接」的機制。
- 錯誤會被放大。聊天型答錯，你看到就攔住了；代理型答錯之後可能已經執行了後續動作（發了通知、改了資料）。
- 需要監督與維運：看執行紀錄、處理例外、更新流程。這是持續的人力投入，不是一次性設定。
- 前置要求最高：流程本身要先被清楚定義，資料要先整理好，權限要先劃清楚。
適用場景：高頻率、跨系統、步驟明確但繁瑣的流程自動化。判斷一個場景值不值得自動化，先讀什麼時候不該用 AI。
成本結構：通常由三塊組成——模型 API 的用量計費（做愈多、花愈多）、平台或工具費用、以及最容易低估的維運與人工審核時間。估算方法見AI 成本怎麼算。
判斷表與成本結構
把你手邊的需求對照這張表，先歸類再選工具：
| 你的需求長這樣 | 屬於哪一層 | 關鍵原因 |
|---|---|---|
| 幫我把這封郵件改寫得更正式 | 聊天型 | 單次文字處理，不需要你的其他資料 |
| 根據這三十頁合約摘要重點 | 聊天型或協作型 | 一次性的文件可直接貼上；若要反覆查詢大量文件，建知識庫更劃算 |
| 新同事問「我們的報銷流程是什麼」要有標準答案 | 協作型 | 需要檢索內部規章，答案要有一致依據 |
| 官網訪客提問，要根據產品文件即時回覆 | 協作型 | 知識庫問答；若要它順帶建立工單，就進入代理型 |
| 每週一定時彙整各部門回報、產出週報草稿 | 代理型 | 定時觸發、多步驟、跨系統 |
| 會議結束自動產出行動項並分派、追蹤 | 代理型 | 需要串接轉寫、任務系統、通知，且多輪執行 |
| 偶爾想確認一個英文單字的用法 | 聊天型 | 量小、單次、零整合，別為它建任何流程 |
歸類之後，用三個維度確認你沒有高估或低估需求：
- 頻率：一個月只做一兩次的事，聊天型手動做就好，不值得建自動化。
- 資料依賴：答案需不需要「你公司才有的資訊」？需要，就至少是協作型。
- 動作依賴：產出是「一段文字」還是「一連串系統操作」？後者才需要代理型。
成本結構的差異整理如下（金額因廠商與方案而異，此處只列型態，實際報價請查各供應商當前的定價頁）：
| 維度 | 聊天型 | 協作型 | 代理型 |
|---|---|---|---|
| 主要費用 | 每人每月訂閱 | 訂閱加知識庫相關計費 | API 用量加平台費 |
| 費用可預測度 | 高 | 高 | 中到低，隨任務量浮動 |
| 一次性投入 | 幾乎沒有 | 資料整理與知識庫建置 | 流程設計、整合開發、測試 |
| 持續性隱形成本 | 學習與提示詞能力 | 知識庫維護、權限管理 | 人工審核、例外處理、監控維運 |
| 出錯的代價 | 低，人當場看到 | 中，答案可能有誤但有據可查 | 高，錯誤可能已被執行 |
常見誤區
誤區一：層次愈高愈先進，直接上代理型。 層次是適配問題，不是進步問題。流程沒定義清楚就上代理型，等於把混亂自動化，錯得更快更貴。
誤區二：用了聊天型效果差，就認為 AI 沒用。 很多失望來自需求與層級錯配：拿聊天型去回答需要內部資料的問題，它當然答不好。先檢查是不是該升級到協作型、把資料餵給它。
誤區三：三層是替代關係，上了新的就淘汰舊的。 實務上三層共存：多數人日常用聊天型，特定部門用協作型知識庫，少數高價值流程跑代理型。規劃預算時應該分層編列，而不是全公司統一買一種。
誤區四：代理型上線後就一勞永逸。 代理型是「僱了一個需要管理的數位助理」，不是「裝了一台免維護的機器」。沒有人看執行紀錄、沒有人處理例外，它遲早會在某個你沒注意的時刻出錯。
誤區五：把層級判斷當成一次性決定。 需求會變。原本一個月一次的手動工作，業務量成長後可能變成每天十次，那時層級判斷就要重做。建議每季重新盤點一次主要場景。
下一步
- 知道層次之後，用選 AI 工具的判斷框架的五個問題把具體工具篩出來。
- 要編預算，先讀AI 成本怎麼算，學會自己估算三層成本。
- 動手做第一個協作型或代理型應用：不寫程式做出你的第一個 AI 工作流。
- 工程師讀者想深入協作型的底層原理，見RAG 深度解析；想看代理型的完整架構設計，見三層 Agent 協同框架。