← iPAS 補充教材總覽
iPAS AI 應用規劃師 2026 考點補充
AI 自動化的發展
從傳統自動化到 AI Agent，理解 RPA、工作流引擎與智慧代理的演進脈絡，掌握企業自動化轉型的選型策略
為什麼「AI 自動化」是 2026 必考重點？
2026 年的 iPAS 考題已從「AI 是什麼」轉向「AI 如何改變工作方式」。自動化是企業導入 AI 最直接的切入點，考試越來越重視規劃師能否區分不同自動化層級，並為企業選擇合適的方案。
考試重點：傳統自動化 vs AI 驅動自動化的本質差異 — 從「照規則做」到「會思考再做」
典型考題場景
- 「企業想將重複性表單處理自動化」→ RPA / 傳統自動化
- 「客服系統需要理解模糊語意並做出判斷」→ AI Agent 自動化
- 「行銷團隊要根據市場變化自動調整策略」→ Agentic Workflow
自動化的三個世代
第一代：規則式自動化（Rule-based Automation）
最早期的自動化形式，以固定規則和條件判斷為核心。
| 特徵 | 說明 |
|---|---|
| 運作方式 | if-then-else 邏輯判斷 |
| 觸發機制 | 事件驅動（Event Trigger） |
| 彈性 | 極低，規則變更需人工修改 |
| 代表工具 | cron job、shell script、IFTTT |
事件觸發 → 條件判斷 → 固定動作
（收到郵件） （來自 VIP？） （轉寄給主管）
第二代：流程串接自動化（Workflow Automation）
以資料傳遞和系統串接為核心，將多個應用程式的操作串成工作流。
| 特徵 | 說明 |
|---|---|
| 運作方式 | 事件觸發 → 資料轉換 → 系統連接 |
| 核心能力 | 跨系統資料搬運與格式轉換 |
| 彈性 | 中等，可視覺化拖拉調整流程 |
| 代表工具 | Zapier、Make (Integromat)、Power Automate、n8n |
┌──────────┐ ┌──────────┐ ┌──────────┐
│ 事件觸發 │ ──→ │ 資料轉換 │ ──→ │ 系統連接 │
│ (Trigger) │ │ (Transform)│ │ (Action) │
└──────────┘ └──────────┘ └──────────┘
Google Form 格式化資料 寫入 Notion
收到回覆 擷取欄位 建立待辦事項
特點：流程串接，無決策能力 — 每一步都是預先定義好的，遇到規則外的情況就會卡住。
第三代：AI 驅動自動化（AI-Powered Automation）
以 AI Agent 為核心，具備理解、判斷、決策、執行的完整能力。
| 特徵 | 說明 |
|---|---|
| 運作方式 | AI 理解意圖 → 分析情境 → 決策 → 執行 |
| 核心能力 | 自然語言理解、上下文推理、自主決策 |
| 彈性 | 高，能處理模糊指令和非預期情況 |
| 代表工具 | Google Workspace Studio、Microsoft Copilot Studio、Claude Agent |
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ AI 驅動 │ ──→ │ 理解意圖 │ ──→ │ 分析決策 │ ──→ │ 執行產出 │
│ (AI Agent)│ │(Understand)│ │ (Decide) │ │ (Action) │
└──────────┘ └──────────┘ └──────────┘ └──────────┘
接收任務 解析語意 評估選項 產出結果
「幫我整理 理解「重要」 判斷優先序 自動分類
重要郵件」 的定義 篩選關鍵郵件 產出摘要
核心：AI 主動理解、決策並執行 — 不再需要人類預先定義每一條規則。
三代自動化比較（必背表格）
| 面向 | 第一代：規則式 | 第二代：流程串接 | 第三代：AI 驅動 |
|---|---|---|---|
| 觸發方式 | 事件/排程觸發 | 事件觸發 + 資料流 | 自然語言指令 / 自主偵測 |
| 決策能力 | 無（固定規則） | 無（預設流程） | 有（AI 推理判斷） |
| 處理模糊輸入 | 不能 | 不能 | 能 |
| 適應變化 | 需人工改規則 | 需人工改流程 | 自動適應（學習） |
| 建置門檻 | 需寫程式 | 低代碼/無代碼 | 自然語言描述 |
| 適用場景 | 高度重複、規則明確 | 跨系統資料搬運 | 需要判斷的複雜任務 |
| 錯誤處理 | 停止/報錯 | 停止/報錯 | 嘗試修正/求助人類 |
考試重點：三代自動化不是「取代」關係，而是疊加關係 — 企業通常三者並存
從 RPA 到 AI Agent 的演進路徑
RPA（Robotic Process Automation）
RPA 是第一代與第二代之間的重要技術，模擬人類在電腦上的操作（點擊、輸入、複製貼上）。
| 面向 | RPA | AI Agent |
|---|---|---|
| 操作方式 | 模擬滑鼠鍵盤操作 | API 呼叫 + 工具使用 |
| 理解能力 | 無（靠 UI 座標定位） | 有（理解語意與上下文） |
| 維護成本 | 高（UI 改版就壞） | 低（API 相對穩定） |
| 適用場景 | 舊系統無 API | 有 API 的現代系統 |
| 代表廠商 | UiPath、Automation Anywhere | OpenAI、Google、Anthropic |
演進路徑
規則腳本 → RPA → 低代碼工作流 → AI 輔助工作流 → 全自主 AI Agent
(cron) (UiPath) (Zapier) (Copilot 建議) (Agent 自主執行)
完全人工定義 ──────────────────────────→ 完全 AI 自主
確定性高 ──────────────────────────→ 靈活性高
維護成本低 ──────────────────────────→ 建置成本低
常見題型：「以下何者最能處理需要理解語意的自動化任務？」→ AI Agent
AI Agent 自動化的核心架構
四大能力
| 能力 | 說明 | 範例 |
|---|---|---|
| 感知 (Perceive) | 接收多模態輸入 | 讀取郵件、聽語音、看圖片 |
| 理解 (Understand) | 解析語意與意圖 | 「幫我跟進上週的專案進度」 |
| 決策 (Decide) | 分析情境、選擇行動 | 判斷應寄信提醒還是排會議 |
| 執行 (Act) | 呼叫工具完成任務 | 發送郵件、建立日曆事件 |
企業場景對照
| 場景 | 傳統自動化做法 | AI Agent 做法 |
|---|---|---|
| 客服回覆 | 關鍵字比對 → 罐頭回覆 | 理解問題語意 → 組合知識庫 → 個人化回覆 |
| 報表產出 | 固定時間跑固定格式 | 理解需求 → 選擇資料源 → 動態產出 |
| 會議安排 | 檢查日曆空檔 → 發邀請 | 理解優先序 → 考慮時區偏好 → 協調多方 |
| 文件審核 | 檢查必填欄位 | 理解內容合理性 → 標記疑慮 → 建議修改 |
Google Workspace Studio 與 AI Agent 生態
主要平台比較
| 平台 | 核心定位 | AI 能力 | 適合對象 |
|---|---|---|---|
| Google Workspace Studio | Google 生態系 AI Agent | Gemini 驅動 | 已用 Google Workspace 的企業 |
| Microsoft Copilot Studio | Microsoft 365 AI Agent | GPT 驅動 | 已用 M365 的企業 |
| Zapier AI Actions | 跨平台 AI 工作流 | 多模型支援 | 需要串接多種 SaaS |
| n8n + AI Nodes | 開源 AI 工作流 | 自選模型 | 技術團隊、資料敏感企業 |
適合對象
AI Agent 自動化工具的設計理念是降低技術門檻：
- 業務人員：用自然語言描述需求，AI 自動建立工作流
- 專案經理 (PM)：自動化專案追蹤、進度彙報、風險預警
- 主管：快速取得決策所需的資料摘要與分析
核心價值：打造專屬 AI 助理，釋放注意力，專注高價值決策
規劃師視角：自動化方案選型
決策框架
企業自動化需求
├── 任務是否需要「理解」和「判斷」？
│ ├── 否 → 規則明確、重複性高
│ │ ├── 有 API？ → 低代碼工作流 (Zapier/Make)
│ │ └── 無 API？ → RPA (UiPath)
│ └── 是 → 需要語意理解、情境判斷
│ ├── 單一領域？ → AI 輔助工作流 (Copilot 建議 + 人工確認)
│ └── 跨領域複雜任務？ → AI Agent (全自主執行)
├── 資料敏感度？
│ ├── 高 → 私有部署 (n8n + 本地模型)
│ └── 中低 → 雲端服務 (Google/Microsoft)
└── 預算與人力？
├── 有技術團隊 → 客製化 Agent 架構
└── 無技術團隊 → 低代碼 AI 平台
導入策略：漸進式轉型
| 階段 | 做法 | 目標 |
|---|---|---|
| Phase 1 | 盤點現有手動流程，找出高重複任務 | 建立自動化清單 |
| Phase 2 | 用低代碼工具串接現有系統 | 消除 80% 重複工作 |
| Phase 3 | 導入 AI 輔助，處理需要判斷的環節 | 提升決策品質 |
| Phase 4 | 部署 AI Agent，實現端到端自動化 | 釋放人力做高價值工作 |
ROI 評估重點
| 評估面向 | 傳統自動化 | AI Agent |
|---|---|---|
| 建置成本 | 低～中 | 中～高 |
| 維護成本 | 高（規則頻繁調整） | 低（自適應） |
| 適用範圍 | 窄（僅限定義好的場景） | 廣（可處理新場景） |
| 回報週期 | 短（立即見效） | 中（需要調校期） |
| 長期價值 | 線性（省多少人力） | 指數型（能力持續擴展） |
風險與治理
AI 自動化的風險
| 風險 | 說明 | 緩解措施 |
|---|---|---|
| 幻覺風險 | AI 可能產生錯誤的判斷或資訊 | 關鍵決策加入人工審核 |
| 過度自動化 | 不該自動化的流程被自動化 | 建立「人在迴路」(HITL) 機制 |
| 權限失控 | AI Agent 取得過多系統權限 | 最小權限原則 + 操作日誌 |
| 依賴風險 | 過度依賴單一 AI 平台 | 多供應商策略 + 可攜性設計 |
治理原則
- 可審計性：所有 AI Agent 的決策和操作都要留下完整日誌
- 人在迴路：高風險決策（金額、合約、人事）必須有人工確認
- 漸進授權：先小範圍試行，確認可靠後再擴大權限
- 回退機制：任何 AI 自動化流程都要有人工接管的備案
考試重點：企業導入 AI 自動化，「人在迴路 (HITL)」是最重要的治理原則
模擬試題
題目 1：以下關於傳統工作流自動化（如 Zapier）與 AI Agent 自動化的比較，何者正確？
- (A) 傳統工作流能理解自然語言指令
- (B) AI Agent 只能處理預先定義的固定流程
- (C) 傳統工作流的核心是資料搬運與系統串接，不具決策能力
- (D) AI Agent 的維護成本一定比傳統工作流高
查看答案
答案：(C)。傳統工作流（Zapier、Make）的核心是事件觸發→資料轉換→系統連接，不具備語意理解和決策能力。(A) 傳統工作流不理解自然語言，(B) AI Agent 能處理非預期情況，(D) AI Agent 雖建置成本較高，但長期維護成本可能更低（自適應減少規則調整）。題目 2：企業規劃師建議客戶導入 AI 自動化時，以下哪項是最重要的治理原則？
- (A) 一次全面導入以降低總成本
- (B) 讓 AI Agent 擁有最大權限以提升效率
- (C) 高風險決策保留人工審核機制（Human-in-the-Loop）
- (D) 優先選擇最先進的全自主 AI Agent
查看答案
答案：(C)。「人在迴路 (HITL)」是 AI 自動化治理的核心原則，高風險決策（涉及金額、合約、人事等）必須有人工確認機制。(A) 應漸進導入，(B) 應遵循最小權限原則，(D) 應根據實際需求選型，不一定需要最先進的方案。題目 3：某公司有一個舊的 ERP 系統，沒有 API 介面，希望自動化資料輸入流程。以下何種技術最適合？
- (A) AI Agent
- (B) RPA（機器人流程自動化）
- (C) 低代碼工作流平台（如 Zapier）
- (D) 差分隱私
查看答案
答案：(B)。RPA 透過模擬滑鼠鍵盤操作來操作沒有 API 的舊系統，最適合處理無 API 介面的自動化需求。(A) AI Agent 通常透過 API 呼叫工具，(C) 低代碼平台需要系統有 API 才能串接，(D) 差分隱私是隱私保護技術，與自動化無關。題目 4：以下哪個不屬於 AI Agent 自動化的核心能力？
- (A) 感知：接收多模態輸入
- (B) 理解：解析語意與意圖
- (C) 記憶：永久儲存所有使用者對話
- (D) 決策：分析情境並選擇行動