一個震撼業界的數字：每年節省數十萬美元的營運成本，靠的竟不是裁員或外包，而是一套能「聽懂人話」的AI系統。這不是科幻電影的情節，而是印度出生的工程師 Dipkumar Mehta 在2016年就已經做到的事。
那時候，ChatGPT 的創辦人還在讀高中，大多數人對「對話式AI」這個詞還很陌生。但 Mehta 已經在舊金山的 LendingClub 設計出美國金融服務業最早的對話式人工智慧系統之一。他的做法很簡單，卻顛覆了整個行業的思考方式：把傳統電話網路直接連接到雲端自然語言理解服務。這聽起來只是「連起來」而已，但真正的挑戰在於——電話網路是同步且嚴謹的，雲端AI服務卻是非同步且相對較慢的。就像叫一個慢郎中跑百米，怎麼跑都對不上節奏。
Mehta 解決這個問題的方式，是建立一個即時音訊串流層，讓系統能在真人可以接受的短時間內完成處理。結果呢？錯誤轉接的電話大幅減少，大量符合條件的請求不再需要人工介入。他開創的這種將語言推論直接嵌入即時通話路徑的設計，如今已成為全球企業對話式AI的主流標準。
「過去的選單樹狀圖，其實是在承認機器無法理解我們。」Mehta 直言，「客戶應該能夠用自己的話語和語言，表達他們的需求，並在第一次就被正確引導。」
這句話值得停下來想一想。你上一次打電話給客服，對著語音選單按了十幾次按鍵、轉了五六個部門，最後還是沒解決問題，是什麼時候？大概不會太久以前。Mehta 要摧毀的，就是這種折磨人的「選單地獄」。
表象：從電信工程師到AI專家的「非典型」路徑
回顧 Mehta 的職涯，會發現一條很不「AI」的軌跡。2002 年，他在印度蘇拉特的 C.K. Pithawalla 工程技術學院拿到電機工程學士學位，第一份工作是電信工程師，在 HCL Infosystems 負責企業電信系統設計。後來陸續去了 Wipro Infotech、美國運通，甚至飛到華沙幫花旗銀行升級客服中心平台。
那個年代，沒有人工智慧這門學科可以選修。他學的是電機，做的是電信，跟現在大家熟知的機器學習、深度學習，八竿子打不著。
「我當年並沒有學習人工智慧，因為那時它還不是一門學科。」Mehta 說，「但我具備的習慣是仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這種習慣適用於任何技術，包括那些尚未發明的技術。」
這句話，其實點出了一個被很多人忽略的關鍵：AI 領域最頂尖的人才，往往不是「學AI出身」的。他們是從別的領域跨界進來的——電機、物理、數學、語言學——帶著不同的思維框架，解決那些「AI科班」看不到的問題。
真相：真正的突破不是「聽懂」，而是「信任」
Mehta 職涯的兩次重大轉向，其實反映了整個 AI 產業的演進。第一次轉向（2016年）：從傳統工程走向對話式AI。他做的是讓機器「聽懂人話」——這是自然語言理解（NLU）的範疇。第二次轉向（2020年後，加入AWS）：從對話式AI走向代理式AI（Agentic AI）。這套新系統不再只是回答問題，而是讓自主軟體代理人規劃並執行多步驟任務。
區別在哪裡？前者是「問答機器人」，後者是「能幫你辦事的數位助理」。前者告訴你天氣，後者幫你訂好機票、安排行程、調整行事曆。Mehta 在 AWS 開發的平台，能把過去耗時多年、耗資數百萬美元的客服中心遷移專案壓縮到「數週內自動執行」，這個加速器已經被 AWS Professional Services 採用，服務對象涵蓋醫療、保險、金融服務及公共部門客戶。
他另一項更令人驚豔的成果，是開發了一個配套平台——用自主代理人來驗證其他AI代理人的行為。原本需要數週的人工品質保證測試週期，被壓縮到「數小時」。你可以想像一個場景：AI 在幫你寫程式，另一個 AI 在旁邊檢查它寫的程式有沒有 bug。這不是自我吞噬的恐怖故事，這是效率的極致展現。
「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。」Mehta 總結道，「這是一個更困難的工程問題，也是未來十年工作的重點。」
各方角力：矽谷、印度與全球企業的賽局
Mehta 的個人故事，其實是三個力量交匯的縮影：印度的工程教育底蘊、矽谷的技術創新場域、以及全球企業對降本增效的迫切需求。
印度每年產出超過 150 萬名工程畢業生，這是全球最大的技術人才庫之一。但這些人才在過去，多半被描述為「碼農」——承接外包專案、做維護工作、寫測試案例。Mehta 的路徑不太一樣。他沒有停留在外包鏈的底層，而是一路走進美國運通、花旗銀行、LendingClub，最後落腳 AWS 這個全球雲端運算的頂峰。他證明了印度工程師可以不只是「寫程式的人」，而是「定義技術架構的人」。
從企業端來看，這場 AI 競賽的獎品非常具體：節省成本、縮短時程、減少錯誤。Mehta 在 LendingClub 每年省下數十萬美元；在 AWS 把數年的遷移專案壓縮到數週；把數週的測試週期壓縮到數小時。這些不是模糊的「效率提升」，是實實在在的財務數字。任何一家企業的財務長看到這些數據，眼睛都會亮起來。
深層影響：當 AI 從「工具」變成「同事」
Mehta 的職涯軌跡，帶出一個更深層的問題：當 AI 系統從「回答問題」進化到「採取行動」，人類的角色會怎麼改變？
過去，客服中心的運作模式是「人+電腦」。現在，是「AI+人」——AI 處理 80% 的例行請求，人類處理剩下 20% 的複雜案件。但 Mehta 正在做的事情，是把這個比例進一步推向「AI+AI」——一個 AI 負責執行，另一個 AI 負責驗證。人類的角色，從「操作者」變成「監督者」，再從「監督者」變成「設計者」。
這不是科幻小說的情節。這發生在 2020 年之後的 AWS，發生在全球最大的雲端服務供應商內部，發生在醫療、保險、金融服務的實際專案中。
話說回來，這對台灣的產業有什麼啟示？台灣有強大的硬體製造和半導體基礎，但在 AI 應用層面的佈局，相對來說是落後的。當 Mehta 在 AWS 設計代理式 AI 架構時，台灣多數企業的客服系統還在「選單樹狀圖」的階段。這不是技術能力的問題，是思維框架的問題。
編輯觀點
從產業面來看，Mehta 的案例告訴我們一件事：AI 的護城河不在演算法，在於「領域知識」與「系統思維」。他是電機背景出身，做過電信、金融、客服中心，最後才把這些經驗濃縮成 AI 架構。台灣不缺工程師，缺的是能「跨領域整合」的人才——那種能同時理解電話網路延遲、雲端 API 非同步特性、以及客戶在電話那頭不耐煩情緒的人。如果台灣的 AI 政策還停留在「補助購買 GPU」或「開設深度學習課程」的層次，那恐怕只會繼續複製「AI 碼農」，而不是 Mehta 這種能重新定義問題的架構師。真正的關鍵不是「學 AI」，而是「用 AI 解決實際問題」——這需要的是產業實戰經驗，不是學術論文數量。
未解之問：信任的邊界在哪裡？
Mehta 說，下一個十年的重點是「機器能否被信任來依據句子採取行動」。但這個問題，其實有兩個面向。技術面：如何確保 AI 代理人的決策正確、安全、可解釋？社會面：當 AI 代理人出錯時，誰負責？
試想一個情境：一個醫療保險的 AI 代理人自動拒絕了一位癌症患者的給付申請，理由是「不符合給付條件」。但這個 AI 其實誤讀了病歷中的一個關鍵字。患者收到通知後，沒有申訴，因為他以為這是「系統」的決定，不會有人處理。三個月後，患者病情惡化。
這不是危言聳聽。Mehta 的平台已經被醫療和保險業採用。當 AI 系統的決策速度從「數週」變成「數小時」，它的錯誤也會以同樣的速度擴散。信任，不是技術問題，是治理問題。
Mehta 在學術界發表的論文，主題涵蓋強化學習適應性雲端安全政策、放射學中保護隱私的分散式機器學習——這些都不是「純AI」的研究，而是AI+安全、AI+隱私、AI+醫療倫理的交叉領域。這說明了，他自己也意識到這個問題的複雜性。
但現階段的產業現實是：大家都在搶著做 AI，卻很少有人停下來思考「AI 失敗了怎麼辦」。Mehta 用「代理人驗證代理人」的方式解決了技術面的品保問題，但社會面的問責機制，仍然是一片空白。法律跟不上技術的速度，這不是台灣獨有的問題，是全球共同的困境。
對古吉拉特邦的工程系學生，Mehta 給的建議是「觀察系統如何失敗」。但對全球的企業決策者來說，更迫切的問題可能是：「當你的 AI 系統失敗時，你準備好了嗎？」
這個問題，沒有標準答案。但值得每一個正在導入 AI 的企業，好好想清楚。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
代理式AI（Agentic AI）跟聊天機器人有什麼不同？
聊天機器人只能被動回答問題，代理式AI能主動規劃並執行多步驟任務，例如自動完成訂單、協調行事曆、驗證其他AI的行為正確性，相當於一個能獨立作業的數位助理。
Dipkumar Mehta 的技術如何幫企業節省成本？
他在LendingClub透過對話式AI減少錯誤轉接電話、讓符合條件的請求自動化解決，每年省下數十萬美元營運成本；在AWS則將客服中心遷移專案從數年縮短至數週，大幅降低人力與時間支出。
台灣企業導入這類AI技術的門檻高嗎？
技術門檻已大幅降低，AWS等雲端平台提供現成工具。真正的挑戰在於企業內部的數據整合、流程梳理及跨領域人才培養，這需要從思維框架而非僅從技術採購著手。
代理式AI會取代人類工作嗎？
它會取代重複性、規則明確的任務，但同時創造新的「AI監督者」與「系統設計師」職位。人類的角色將從執行者轉向設計目標、設定邊界與處理例外狀況的高階工作。
Mehta 的學術研究對產業有什麼實際幫助？
他發表的同儕審查論文聚焦於強化學習安全政策、醫療隱私保護等應用導向議題，這些研究直接回應產業導入AI時遭遇的資安、合規與倫理痛點，不是學術象牙塔的紙上談兵。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
