企業 AI Agent 分為對外（客戶端）和對內（員工端）兩種類型，技術架構看似相近，但目標、成功指標、主導者完全不同。本文拆解兩者差異、常見錯誤，以及導入前必須回答的三個問題。
延伸閱讀
企業決定導入 AI Agent，最先問的通常是技術問題：要用哪個模型、知識庫怎麼建、系統要怎麼串接。
但在那之前，有一個更基本的問題值得先想清楚：這個 Agent，是給誰用的？
企業 AI Agent 依據服務對象的不同，分為兩種類型：對外 Agent（Customer-Facing Agent）直接面對客戶，處理產品諮詢、購買引導、售後支援；對內 Agent（Internal Agent）服務員工，協助查詢 SOP、檢索內部知識、輔助複雜決策。 兩者背後都有知識庫，技術架構看似相近，但目標、成功指標、主導者和知識庫內容完全不同。
MIT Sloan Management Review 的研究指出，95% 的企業 AI 專案無法產出可衡量的底線影響——而缺乏明確的問題定義，往往就是失敗的起點。
對外的 Agent，服務你的客戶
對外 Agent 的任務是直接面對客戶——回答產品問題、引導購買決策、提供售後支援、處理諮詢。它代表的是你的品牌，每一個回答都是一次客戶接觸點。
MSI 和 MaiAgent 合作推出的 EZ PC Builder 是一個典型例子。消費者告訴它預算和需求，AI 助理根據 MSI 完整的產品知識庫推薦最合適的零件組合，全球開放，支援多語言。這種 Agent 的核心價值是：讓客戶在沒有業務人員的情況下，也能得到專業的建議，進而降低購買門檻、提升轉換率。
對外 Agent 的形態也不只有文字聊天。一家連鎖餐飲品牌導入電話語音助理，在尖峰時段自動承接訂位與外送電話，讓門市人員專注於現場服務。另一個案例是市政府的一站式智能客服，整合跨局處的服務資訊，市民不需要再打多通電話問不同部門。
產業 | 應用場景 | 核心價值 |
|---|---|---|
消費性電子 | AI 選品助理（MSI EZ PC Builder） | 降低購買門檻，提升轉換率 |
航空業 | 文字客服 Agent | 全天候即時處理旅客查詢 |
連鎖餐飲 | 電話語音助理 | 自動承接訂位與外送，釋放門市人力 |
市政府 | 一站式整合服務智能客服 | 跨局處資訊整合，單一入口服務市民 |
對外 Agent 的成功指標圍繞客戶體驗和業務成果——解決率、轉換率、CSAT，以及客服人力的替代程度。（想了解如何把這些效益量化成投資報酬率，可以參考：AI 導入的 ROI 怎麼算？）
對內的 Agent，服務你的員工
對內 Agent 的任務是讓員工工作得更有效率——查詢內部規範、查找 SOP、從龐大的文件庫裡找到正確答案、輔助複雜決策。它不面對外部世界，失誤的代價是內部效率問題，而不是品牌損失。
MaiAgent 和研華科技合作的製造業導入案例中，工廠現場工程師用手機就能查設備維修 SOP，問題處理時間縮短了 70%，使用者滿意度突破 90%。
產業 | 應用場景 | 核心價值 |
|---|---|---|
製造業 | 機台操作 & 維修 SOP AI 助理 | 現場即時查詢，縮短問題處理時間 |
銀行 | 客服 Copilot | 通話中即時查詢金融商品資訊 |
醫療 | ICD-10 疾病編碼 AI 助手 | 加速病歷編碼，提升編碼一致性 |
公部門 | 內部知識管理（KM）系統 | 跨部門法規與 SOP 統一查詢入口 |
混在一起規劃，為什麼會出問題？
兩種 Agent 看起來長得像——都是 RAG、都是大型語言模型、都是聊天介面。但對外 Agent 上線失敗丟的是客戶，對內 Agent 上線失敗浪費的是預算和內部的信任資本。混在一起規劃，最後建出來的東西兩邊都沒有真正服務到。
導入之前，先問自己三個問題
一、你想解決的問題，發生在客戶那裡還是員工這裡？
客戶常常找不到產品資訊、重複詢問同樣的問題——這是對外 Agent 的場景。員工常常要翻很久才找到正確的 SOP、資深員工離職帶走了大量經驗——這是對內 Agent 的場景。建議先選一個，做完、驗證有效，再做下一個。
二、使用者能不能容忍偶爾的錯誤？
員工知道這是新工具，出錯了會回報，這是一個可以持續優化的環境。客戶不會。這個容錯空間的差異，決定了你需要多久的準備期，以及知識庫需要多高的覆蓋率才能上線。
三、誰來定義成功？
對外 Agent 的成敗跟業務目標直接掛鉤，應該由業務或行銷單位主導，IT 負責執行。對內 Agent 的 owner，應該是最了解員工工作流程的人。不同的主導者，帶出完全不同的知識庫建置優先順序。
常見的錯誤
把對外 Agent 的驗收標準套用到對內 Agent：對內 Agent 更好的策略是先推出八成完成度的版本、收集回饋、快速迭代，讓員工參與共建，反而能加速採用率。
對外 Agent 的知識庫準備不足就急著上線：上線前至少用真實客戶常見問題的 Top 50 做一輪壓力測試，確認 AI 都能正確回答，再逐步開放。
把兩種 Agent 交給同一個團隊用同一個時程推進：兩者的節奏天生不同，強迫同步推進，通常的結果是兩個都延誤。
常見問題
對內和對外 Agent 可以共用同一個知識庫嗎？
不建議直接共用，但可以共用底層技術架構。對外知識庫需要嚴格審核；對內知識庫則需要完整的內部資訊，包含不適合對外公開的內容。實務上的做法是分開建置知識庫，共用 RAG 檢索引擎和模型基礎設施。
對內和對外，哪個比較容易導入？
對內 Agent 通常更容易成功，因為使用者（員工）的容錯空間更大，回饋迴圈更緊密，可以快速迭代。對外 Agent 的準備門檻更高，但成功後的商業影響也更直接可見。
對外 Agent 和對內 Agent 可以同時進行嗎？
可以，但需要分開的團隊、預算和驗收標準。如果資源有限，建議先做其中一個，因為同時推進很容易讓兩個都停在半成品的狀態。
預算有限，應該先做對外 Agent 還是對內 Agent？
看你最緊迫的痛點在哪裡。如果客戶流失或客服成本是眼前最大的問題，先做對外。如果員工效率低落、知識傳承有斷層，先做對內。不確定怎麼評估，可以參考 AI 導入的 ROI 評估框架。
導入 AI Agent 之前，先搞清楚你在解決的是組織外面的問題，還是裡面的問題。MaiAgent 同時支援對內知識管理（AI KM）與對外智能客服兩條路線。
引用來源
MaiAgent x 研華科技合作案例（製造業 -70%、滿意度 90%+）
MIT Sloan Management Review — Expanding AI's Impact With Organizational Learning（95% 企業 AI 專案無法產出可衡量影響）
