Agent Washing

Agent Washing 是什麼，跟一般行銷誇大有什麼不同？

Agent Washing 一詞借用「greenwashing（漂綠）」的邏輯：企業把不具備環保實質的產品貼上環保標籤，Agent Washing 則是把不具備自主推理能力的系統貼上「AI Agent」標籤。具體做法通常是把既有的聊天機器人、RPA（機器人流程自動化）腳本，或是「輸入固定 prompt、按幾個按鈕」的簡單串接，包裝成「自主代理人」「AI 員工」對外銷售或募資。

跟一般行銷誇大的差異在於，這不是「產品比較好用」的誇飾，而是對系統的根本能力等級做出不實陳述——買方以為自己買到能自主規劃、執行、修正的系統，實際拿到的是一個每一步都需要人工核可的固定流程工具，落差直接影響採購決策與投資判斷。

Agent Washing 為什麼會出現，是什麼原因造成的？

核心原因是市場對「Agent」一詞的需求與供給嚴重不對稱：真正具備自主推理、多步驟規劃、跨情境記憶能力的系統開發成本高、工程難度大，但「Agent」這個詞在募資簡報與採購決策中能帶來顯著溢價。當買方（企業採購方、投資人）普遍認為「有 Agent」代表更先進、更值得投資，行銷團隊自然有動機把既有產品重新包裝，而不必真的投入自主性所需的工程資源。

另一個推力是「Agent」本身的定義在業界並不精確，落在模糊地帶的產品，廠商可以選擇性地用較寬鬆的自我定義來說服自己「這樣講不算騙」，這也讓 Agent Washing 難以單純用「說謊」來歸類，更多時候是定義模糊被有意無意地利用。

Agent Washing 具體長什麼樣子，怎麼被觀察出來？

業界普遍使用一套分層框架（如 Level 1 到 Level 4）來描述系統的自主程度：Level 1 是需要人工逐步確認的輔助型工具，Level 4 是能持續自主運作、具備治理機制的完全自主服務。Agent Washing 最常見的手法，就是把 Level 1、2 的產品，用 Level 3、4 的語言（「自主」「自我導向」「目標驅動」）對外描述。

實務上可觀察的破綻包括：系統是否能在沒有預先寫死的腳本下處理「沒見過的情境」，還是一遇到輸入變化就卡住或迴圈；系統是否具備跨對話的記憶能力，還是每次互動都從零開始；廠商是否堅稱系統能「完全自主、不需人工介入做高風險決策」——這通常是最明顯的紅旗，因為企業場景中目前沒有真正完全自主、不需人工監督的 Agent。

Agent Washing 對我有什麼影響，該怎麼判斷？

如果你是採購方或投資人，Agent Washing 直接影響的是資源配置：以為買到能減少人力介入的自主系統，實際卻要在每個關鍵步驟持續投入人力核可，不僅沒有節省成本，反而多了一層「維護一個看起來很智慧但其實很依賴人」的管理負擔。Gartner 已將 Agent Washing 列為企業採購 AI 系統時的主要盡職調查風險之一。

判斷方式可以用幾個具體問題測試：這個系統能做到什麼是「一個設定良好的聊天機器人」做不到的？它是否記得上次互動的內容與決策？如果輸入情境跟示範時不一樣，它會怎麼反應？廠商若對這些問題含糊其詞或迴避，就是需要進一步查證的訊號。