自動化和委派有甚麼不同

在討論 AI 時，自動化和委派經常被當成同一件事。其實兩者並不一樣。

自動化是執行一個已知流程。委派是把追求某個結果的責任交給系統。

這個分別很重要，因為執行規則的系統，和自行選擇步驟的系統，需要不同的治理方式。如果逾期七日就自動發出發票提醒，要檢查的是流程本身。如果你要求一個 AI 系統降低逾期發票，它可能要判斷聯絡誰、用甚麼語氣、哪些例外重要、何時升級，以及下一步是否合適。這就不再只是自動化，而是被委派的工作。

在難以自動化的專業工作。

自動化的工作定義

自動化，是用軟件在有限人手介入下，執行一個已定義的任務或工作流程。

IBM 把工作流程自動化描述為使用軟件完成原本需要人手處理的任務、活動和流程（IBM^{1IBM: What is workflow automation?}）。在實務上，當流程穩定、觸發條件清楚、輸入已知，而期望行動可以預先指定時，自動化最有效。

例子包括：

• 截止日期前三日發出提醒。
• 表格提交後建立工單。
• 把文件複製到相關案件資料夾。
• 開支超過門檻時送出審批。
• 收到已簽署文件後更新狀態。

自動化不是次等選擇。很多時候，它反而是最可靠的設計。如果一條規則已經足夠，一條規則通常比更自主的系統更容易測試、解釋、監察和審計。

委派的工作定義

委派，是在界定權限邊界的同時，把某個結果的責任交給系統。

在本文，AI 委派指要求系統透過收集背景、規劃、使用工具、支援決策或採取行動去追求一個目標，同時留在明確權限和審閱點之內。

Anthropic 對 workflows 和 agents 的區分在這裏很有用：workflows 依照預先定義的程式路徑行事，而 agents 可以動態指揮自己的流程和工具使用（Anthropic）。

當系統不只是被要求執行一個步驟，而是要判斷需要哪些步驟，委派就開始了。

委派可以很克制。例如「為每個超過 GBP 10,000 的供應商準備續約風險摘要」，即使每份摘要都由人審閱，仍然是委派。系統要識別相關供應商、收集背景、比較合約條款、查看使用或擁有人訊號，並組合一份支援判斷的輸出。

這個區分有助避免誇張語言。一個按規則發出的提醒，不會因為用了 AI 文案就變成 agent。一個被委派的系統，也不會因為目標聽起來合理就自然安全。

為甚麼混淆會製造風險

風險不是自動化和委派有重疊。它們經常重疊。真正的風險，是把被委派的系統假裝成單純自動化。

自動化風險通常關乎規則是否正確。委派風險更闊：系統是否理解目標、選對背景、用對工具、尊重權限、處理例外，並在應該停下時停下。

這個分別會直接影響設計和責任分配。自動化流程出錯，通常可以追問觸發條件、輸入、規則和輸出是否正確。委派系統出錯，問題會更接近管理責任：它為甚麼認為可以用這種方式追求目標？它為甚麼選了這些來源而不是那些來源？它為甚麼沒有把不確定性升級？它為甚麼有權採取這一步？

在專業服務、財務、法律、項目管理或客戶關係工作中，這類錯誤未必表現為系統故障。它可能是一封語氣不合適的客戶更新、一個太早推進的採購要求、一份漏了關鍵文件的審閱摘要，或一個沒有把例外交給負責人的建議。表面上系統仍然「完成任務」，但責任其實已被錯誤委派。

所以，稱一個系統為「AI automation」有時反而會遮住真正風險。把支援工單分類，和直接處理支援個案不是同一件事；草擬客戶更新，和發送客戶更新不是同一件事；識別續約風險，和重新談判合約也不是同一件事。每一步需要的證據、權限、審閱和補救能力都不同。

NIST 的 AI Risk Management Framework 把可信 AI 視為一套生命週期紀律，涉及治理、映射、量度和管理風險（NIST AI RMF^{4NIST: Artificial Intelligence Risk Management Framework}）。當系統由固定執行走向被委派的責任，這套紀律會變得更重要。

自動化有流程風險

主要問題是：

• 觸發條件是否正確啟動？
• 輸入是否有效？
• 規則是否產生預期輸出？
• 是否有審計紀錄？
• 人是否可以推翻或停止流程？

委派有責任風險

主要問題會擴大：

• 系統被要求追求甚麼結果？
• 它用了哪些證據？
• 它獲准呼叫哪些工具？
• 哪些行動可以毋須批准而執行？
• 甚麼不確定性需要升級？
• 誰仍然為結果負責？

所以「AI 自動化」很容易變成含糊類別。把支援工單分類的系統，和處理支援個案的系統不同。草擬客戶更新的系統，和發送更新的系統不同。識別續約風險的系統，和重新談判合約的系統也不同。

實用結構

有用的 AI 營運模型，會把流程執行和責任分開。

觸發

甚麼開始這項工作？表格提交、截止日期、訊息、狀態轉變、審閱週期、用戶要求，還是受監察的情況？

背景

系統在行動前必須知道甚麼？相關紀錄、承諾、證據、政策、過往決定、用戶權限和目前狀態。

權限

它可以做甚麼？讀取、總結、草擬、建議、更新、發送、批准、採購、升級處理，還是只能排隊等審閱？

回饋

它如何知道是否有進展？工具結果、審閱者決定、任務狀態、測試、驗收標準、結果指標或用戶修正。

升級

它何時必須停下？信心低、證據不足、來源互相矛盾、敏感內容、權限邊界、成本門檻、法律風險，或異常例外。

自動化可能只需要其中幾項。委派需要全部。

這個結構的作用，是迫使團隊逐項說清楚「系統只是執行流程」還是「系統正在承擔一部分結果責任」。例如收到已簽署文件後更新狀態，重點是觸發條件、輸入和審計紀錄是否正確。相反，如果目標是確保續約不會被遺漏，系統就要處理背景、擁有人、例外、回饋和升級路徑，而不只是執行一條提醒規則。

實務上，同一個 workflow 也可以同時包含自動化和委派。月度清單、狀態同步和文件歸檔可以是自動化；整理合約條款、標示風險和準備選項可以是委派；是否重新談判、是否向客戶承諾日期，仍然可以留給有責任的人決定。把層次分清，團隊才知道每一步應該測試甚麼、授權甚麼和審閱甚麼。

例子

提醒 vs 跟進到底

自動化是在截止日期前發提醒。委派是要求系統確保團隊履行對客戶的承諾。被委派的系統必須知道承諾內容、負責人、來源、限期、關係背景和升級路徑。

分派 vs 解決

自動化把支援工單分派到正確隊列。委派是要求系統在可行時解決問題。這需要政策背景、客戶歷史、工具存取、信心檢查和人手升級。

草擬 vs 可問責溝通

自動化把範本文字插入文件。委派是要求 AI 根據案件歷史準備客戶更新。系統可以草擬、標示來源和指出缺口，但是否發送更新，仍然可以是人的決定。

報告 vs 營運

自動化刷新 dashboard。委派是要求系統識別今個星期哪些帳戶需要注意。系統必須根據歷史、承諾、風險和時間作推理。

委派不是甚麼

委派不是無限制自主。不是讓系統在整個機構內任意發揮的許可證。也不是逃避問責的方法。

好的委派是有邊界的。它定義目的、範圍、權限、來源要求、審閱點和補救路徑。它清楚說明哪個人擁有結果，以及系統可執行工作的哪些部分。

所以很多團隊應該先由自動化和結構化 workflows 開始，再使用更 agentic 的系統。Anthropic 的建議主張由能有效完成工作的最低複雜度方法開始，只在 agentic 複雜度能帶來足以合理化成本和延遲的結果改善時才加入（Anthropic^{2Anthropic: Building Effective Agents}）。

這個界線對專業團隊特別重要，因為責任不會因為工作交給系統而消失。系統可以準備、提醒、比較、建議和排隊等審閱，但仍要清楚說明哪個人或角色對結果負責。沒有這一點，委派很容易變成把責任藏在工具背後。

甚麼時候自動化已足夠

當工作重複、穩定、歧義低，而且已清楚到可以用 deterministic 行為指定，自動化已經足夠。當失敗必須透過 deterministic 行為盡量減少時，自動化亦通常較可取。

當工作需要收集背景、排優先次序、綜合資料、處理例外或多步跟進，委派就會有用。系統仍然可以受到嚴格限制，也仍然可能需要審閱。重點是它負責推動一個結果，而不只是觸發一條規則。

這也避免低估簡單自動化的價值。不是每個 AI project 都要變成 agent。很多高回報改善來自把已知流程做好：提醒準時、資料夾正確、狀態同步、審批分派清楚。當這些基礎穩定，委派系統才有可靠背景可以使用。換言之，好的自動化往往是好的委派之前提。

因此，選型問題不應只是「要不要 agent？」而應是「這個結果需要委派多少責任？」如果答案只是執行已知步驟，就用自動化。如果答案是推進一個需要背景和例外處理的結果，就要把委派設計清楚。如果答案涉及對外承諾、法律或財務責任，委派也許只應停在準備和建議，而不是直接行動。

這個分辨亦有助和非技術持份者溝通。IT 可能在談 workflow trigger；業務可能在談減少人手跟進；legal 可能在擔心對外陳述；finance 可能在擔心批准權限。把自動化和委派分開，討論就會更精準：哪一步是規則、哪一步是準備、哪一步是建議、哪一步需要人承擔責任。

為甚麼這個區分重要

自動化和委派回答的是不同設計問題。

自動化問：應該運行哪個已知流程？

委派問：系統應該追求甚麼結果、在甚麼邊界內、使用甚麼證據、擁有甚麼權限，並由誰問責？

混淆兩者會製造風險，因為它把責任藏在流程語言裏。系統越會自行選路，就越需要背景、權限、回饋、檢查點和治理。目標不是避免委派，而是準確命名它，讓它可以被負責任地設計。

一個簡單判斷方法，是看系統是否需要回答「下一步應該是甚麼」。如果答案已由人預先寫成規則，這偏向自動化。如果系統要根據證據、狀態和目標推斷下一步，這就是委派。承認這一點，團隊就會自然追問：系統看到甚麼、不能看到甚麼、可以做甚麼、何時要停、誰審閱、錯了如何補救。

所以，自動化和委派的區分不是語義潔癖。它是專業團隊用來分配責任的基本語言。自動化處理穩定重複的部分，委派處理需要背景整理和多步跟進的部分，人保留判斷和問責。這樣，AI 能力擴大時，責任不會跟着變得模糊。

具體例子會令這條邊界更容易執行。系統可以自動建立任務，但不應自動承諾客戶日期；可以草擬供應商電郵，但不應自行接受價格上升；可以把文件送到審閱隊列，但不應自行判斷法律風險已解決。這些不是限制 AI 價值，而是把每一種價值放在合適的責任邊界內。

這樣設計之後，治理也會更務實。團隊不需要在「完全不用 AI」和「完全自動化」之間選擇，而可以逐步說明哪個流程可由規則執行、哪個結果可由系統準備、哪個建議要人批准、哪個行動永遠不能無人審閱。系統越接近自行選路，這些邊界就越重要。

最終，這個區分讓團隊把能力、權限和責任放回同一張圖上。AI 可以更有用，但每一種有用都要配上相稱的背景、檢查和問責。

對香港專業團隊而言，這種語言尤其實用，因為同一個流程往往牽涉業務、財務、法律、採購和客戶負責人。大家先分清「規則正在執行」還是「結果正在被委派」，才容易決定誰可以批准、誰要審閱、哪些例外要停下來處理。

清楚命名之後，系統設計、風險討論和日常操作才會指向同一件事，也更容易被審計、改進和向持份者清楚解釋。

資料來源

1. IBM: What is workflow automation?
2. Anthropic: Building Effective Agents
3. IBM: What are AI agents?
4. NIST: Artificial Intelligence Risk Management Framework
5. NIST: AI Risk Management Framework