AgentCrew 週報 · 這週 AI 有什麼跟你有關 · 2026-08-29
第 4 期
這是「AgentCrew 週報」第 4 期，整理 2026-08-22 到 08-29 的內容。
每則內容固定分三段：是什麼（一句話講清楚）、對你的意義（對應你的工作場景）、你可以這樣試（今天就能動手做的小事）。除非能講清楚選型、成本、能力或限制，否則我們不提模型跑分；不聊融資八卦，也不製造焦慮。
這期有些題目來自 AI HOT。它每天彙整中英文 AI 圈的新消息，省下我們很多翻找時間。所有內容我們都讀過原始出處才動筆。
這期有什麼
- 一、Meta 曾規劃用代理人把部分團隊縮到剩四成，內部數據顯示產出並沒有跟著上來
- 二、美國 FTC 對三家公司開罰九十三萬美元：他們賣的「AI 聽你講話再投廣告」並不存在
- 三、一套研究系統在被判定「免疫冷」的乳癌亞型裡找到免疫活性，已進入實際癌症研究
- 四、一篇說明把模型外面那層外殼拆開講：指令、工具與行為框架都不在模型裡
- 五、我們自己的觀察：大部分 AI 導入的效益，其實跟 AI 沒什麼關係
- 社群在聊什麼：為什麼放心把合約放在 Microsoft 365 卻不敢給 AI 讀、一個人因為太太被裁員而做出求職網站、以及不是工程師的人到底怎麼用
一、Meta 曾規劃用代理人把部分團隊縮到剩四成，內部數據顯示產出並沒有跟著上來
路透社這週發布了一篇調查報導，揭露 Meta 代號為 Project OT（Organization Transformation）的內部計畫。今年一月，執行長祖克柏和高層在他夏威夷的家開年度主管會議，想把公司改造成「AI native」（以 AI 為核心運作的組織）。他們的構想是讓 AI 代理人（能自主執行多步驟任務的 AI 程式）接手多數日常工作，只留少數同仁在旁邊監督。工程師、設計師與產品經理會轉成通用的「builder」（一人包辦開發與規劃的角色），同時縮減中階主管。高層甚至討論過把部分團隊裁掉最多六成的人，原本預計在五月和十一月分兩波執行。不過五月十九日第一波裁員前夕，祖克柏踩了煞車。隔天 Meta 依然裁掉了一成員工，但十一月那波就此取消。
裡面的數據才是重點。Meta 自己的資料顯示，AI 軟體平台與基礎設施的程式碼變更量一年增加了百分之二百二十。但同時間，new or improved features that actually reached users rose just 36 percent——真正交到使用者手上的新功能或改善，只增加了三成六。更麻煩的是其他地方冒出來的問題：the number of technical and security incidents rose 40 percent，技術與資安事故增加四成；The time employees spent on those problems grew by 70 percent，員工處理問題的時間增加七成。簡單來說，系統更動量翻了兩倍多，送到用戶手上的成果只多三成，大家救火的時間反而多了七成。
員工當時也出現反彈。報導提到，Meta 內部普遍覺得公司推動 AI 轉型，很大一部分目的就是想取代大家。
對你的意義：這三個數字直接證明了 AI 不是萬靈丹。以為導入 AI 後產出就會變多，這種想法本身就是錯的。增加的往往只是「動作」，不是真正的「成果」。動作一多，維護、除錯與善後的成本跟著暴增，而大家評估效益時通常會漏算這筆帳。這不是 Meta 能力差，他們技術頂尖、資源豐富，用最好的條件嘗試，結果也是這樣。如果主管要你交出一份「導入 AI 能省多少」的預算數字，請先把這件事說清楚：省下的時間與新增加的維護成本，必須放在同一張表上一併計算。（延伸兩篇：《「自動化」不是大部分事情的解方》談哪些事其實不該自動化；《我卡在 AI 導入的 2.5 階段》談導入通常卡在哪一段。）
你可以這樣試：不要只看「做了多少」，要算「真正交出去多少，以及花了多少時間收尾」。這週挑一條正在用 AI 的流程，記錄三個數字：產出的件數、實際採用或發送的件數、以及你修改內容多花的時間。第三個數字最容易被漏掉，也最常吃掉原本省下的時間。一個月後回頭看同樣這三個數字，你就能清楚知道流程是變快了，還是只是讓大家瞎忙。
來源：Engadget（內部數據引自路透社調查報導）；Slashdot 逐字轉載路透社原文段落
二、美國 FTC 對三家公司開罰九十三萬美元：他們賣的「AI 聽你講話再投廣告」並不存在
美國聯邦貿易委員會（FTC，負責保護消費者權益的官方機構）在八月二十七日通過三份裁決。受罰的是喬治亞州的媒體行銷公司 CMG Media Corporation（以 Cox Media Group 名義營業），以及合作的兩家行銷公司 MindSift 與 1010 Digital Works。官方指控寫得很直接：這幾家公司 deceived customers by claiming they used a special algorithm to listen in on and detect pertinent conversations from smart devices in order to target ads to consumers within a specific geographic region——也就是騙客戶說自己有特殊演算法，能偷聽智慧裝置附近的對話，再針對特定地區的消費者精準下廣告。
但事實上根本沒這回事。委員會調查發現，這項服務完全沒用到語音資料，消費者也從來沒有同意過這項服務。官方文件還特別提醒：如果這項技術真如廣告所說，那在沒有充分同意的情況下蒐集與使用消費者的語音資料，本身就已經違法。最後三家公司總共要繳九十三萬美元，其中 CMG 負擔八十八萬，另外兩家各付兩萬五千，全數用來賠償受害客戶。三家公司也被禁止再對廣告功能、語音蒐集授權或定位技術做任何誇大不實的宣傳。
對你的意義：這起案件裡吃虧的是買方。付錢的廣告主買了一項看似強大、實際上根本做不到的技術，而且被蒙在鼓裡很久。要檢驗廠商的說法，問「你確定做得到嗎」沒什麼用，更好的做法是：先想好「如果這項技術是真的，必然會留下什麼具體證據」，直接拿那個證據去問。以這次事件為例，問題就是「語音資料是從哪台裝置抓來的、經過什麼授權步驟、同意紀錄長怎樣」。對方拿得出證明才是真的；拿不出來，簡報做得再漂亮都不必信。（延伸一篇：《你的 AI 工具已經是攻擊媒介》談工具與服務裝進公司之前該先掃過哪些東西。）
你可以這樣試：挑一個你正在評估或使用的 AI 工具，寫封簡短的信問業務：「這項功能需要的資料從哪裡來、經過誰的授權、能不能提供一個實際範例。」這封信只要求可被查證的事實，而不是要對方口頭保證。
來源：美國聯邦貿易委員會新聞稿
三、一套研究系統在被判定「免疫冷」的乳癌亞型裡找到免疫活性，已進入實際癌症研究
艾倫人工智慧研究院（Ai2）與 Providence Swedish Cancer Institute 旗下的 Paul G. Allen Research Center（PARC）合作開發了一套研究系統 AutoDiscovery。它針對侵襲性小葉癌（ILC，一種乳癌亞型）提出了一個打破醫界共識的新假設。原文描述這個亞型：invasive lobular carcinoma (ILC), a breast cancer subtype affecting roughly 15 percent of U.S. patients each year and long considered unresponsive to immunotherapy——每年約占美國患者一成五，醫界長期認定它對免疫療法（利用人體自身免疫系統對抗癌細胞的方法）完全無效。
一旦被認定無效，研究人員通常就不會再往那個方向投入資源。但 AutoDiscovery 沒有這個先入為主的觀念，它直接在數據中抓出過去被忽略的免疫活性訊號。後續研究團隊透過獨立資料集與實驗室檢驗，證實了這些訊號確實存在。報導指出，這套系統至今已在腫瘤學、神經科學與社會科學等領域產出約六萬五千個研究假設，目前也正式投入癌症研究計畫。
對你的意義：這個案例的重點不是 AI 比人聰明，而是 AI 沒有既定成見。醫學專家不再研究 ILC，不是因為不努力，而是十幾年前的結論成了不可動搖的共識，從此沒人再去挑戰。公司裡常有類似狀況：某個市場「大家都知道賣不動」、某個做法「以前試過不可行」。這些結論當年也許沒錯，但現在早就沒人記得當初是根據哪份資料、在哪個環境下做出的決定。（延伸兩篇：《AI 自我驗證的盲點——為什麼要請一個不知情的 agent 來稽核》談為什麼複查的人不能是原本那一個；《不要用 AI 的摘要驗收 AI》談驗收該看什麼。）
你可以這樣試：挑一個部門內「大家認定不用再試」的舊規矩，當成待驗證的題目丟給 AI。請明確要求它拋開既有結論，單純根據你提供的資料找出「有沒有反例」。切記提問時不要預設立場，否則 AI 只會順著你的話迎合你。
來源：The AI Economy（獨立媒體報導，引述 Ai2 與研究中心具名人員）
四、一篇說明把模型外面那層外殼拆開講：指令、工具與行為框架都不在模型裡
八月二十日的一篇技術文章給了 harness（封裝環境，就像模型的外部控制系統）一個清楚的定義：An agent harness is a piece of software that provides an environment for an AI model to operate within——也就是替 AI 模型提供運作環境的軟體。文章把這層外殼的工作分成三部分：第一，提供指令，規定模型該如何回答；第二，提供工具，讓模型能調用外部功能來處理問題；第三，設定行為框架，規範模型的做事範圍與原則。
這剛好解釋了大家常遇到的情況：明明背後是同一個模型，換到不同工具或介面，好用程度就差很多。關鍵通常不是模型本身的強弱，而是外面這層控制系統設計得好不好。
對你的意義：當你覺得 AI 不好用時，問題往往出在外殼沒設定好，而不是模型不夠聰明。你可以把 AI 當成剛進公司的高材生新人：他工作出差錯，通常不是能力不行，而是沒人告訴他公司的作業規範、能用哪些系統、以及哪些事情不能擅自決定。這三點正好對應到指令、工具與行為框架。（延伸兩篇：《只換外面那圈 loop》談為什麼調外殼比換模型有效；《更少的 prompt，不是更少的控制》談規矩寫下來之後換哪個模型都能用。）
你可以這樣試：花二十分鐘寫一份「新人交接清單」。內容不用教他怎麼做事，只要寫清楚規矩：常用檔案放哪裡、偏好的文字格式、哪些事情必須先問過你。每次跟 AI 對話前，把這段話貼在最前面。你會發現同樣的提問，產出的品質好很多。這就是調整外殼帶來的改變。
來源：Earendil 技術說明（產品方自製的觀念說明，定義部分可獨立驗證，文中提到的產品數據未經第三方查核）
五、我們自己的觀察：大部分 AI 導入的效益，其實跟 AI 沒什麼關係
我們這週在部落格分享了一段真心話：企業導入 AI 的過程裡，得先搞定系統權限、資料整理、團隊溝通和冗贅流程。等這些前置作業都做完了，你會發現好像沒有 AI，效率也已經提升了。
這不是在潑冷水。我們過去協助客戶導入系統，表面上省了八成時間；但事後拆解才發現，省下的時間多半是因為流程被重新梳理、資料來源統一，以及砍掉了不必要的步驟，和模型本身的關聯其實很小。這也是為什麼 shadow AI（員工私下使用未經公司核准的工具）會成為許多企業的難題。一味禁止通常沒用，不如找出合理的共處模式。
對你的意義：如果你正在考慮導入 AI，請先調整預期：核心功課是整理權限、資料與流程，而不是花時間比較工具。反過來說，如果這三件事早就打理好，導入 AI 的成效就會比別人快得多。面對同仁私下使用工具的狀況，光發公告或提醒根本擋不住。真正有效的做法是提供一套更順手、更好用的官方流程，大家自然不會想私下偷用。
你可以這樣試：挑一條你最想自動化的工作流程，先不要用 AI，試著回答三個問題：這條流程的資料來源只有一份還是散落各處、誰能查看與修改、有沒有哪些步驟是過去留下來但現在可以刪除的。回答完這三題，你就會明白流程到底卡在哪裡。
社群在聊什麼
這區整理自 Reddit（美國知名網路論壇）上的熱門討論，我們將原文和留言重點翻成中文，讓大家不用點開原文也能掌握要點。內容都是網友的個人經驗，未經查證，當作社群風向參考即可。
為什麼我們放心把合約放在 Microsoft 365，卻不敢讓 AI 讀？
有網友問了一個許多主管常有的疑惑：大家把合約、信件、財務報表放在 Microsoft 365 或 Google Workspace 時很放心；但一旦要讓 AI 讀合約，就會開始擔心資安問題。他好奇這種心理落差，究竟有多少是真實的資安風險，又有多少只是因為大家習慣了老牌軟體。這則貼文獲得了兩百多分和七十多則留言。
獲得最多認同的留言來自一位負責審核 SaaS（雲端軟體服務）採購的主管。他具體指出了差別：微軟和 Google 經營多年，服務條款、資料保護政策以及內部員工調閱資料的法律流程都非常嚴格，過去的外洩事件多半源自客戶帳號被盜或權限沒設好。相比之下，AI 廠商在資料取得方式上，還沒建立起同等水準的信任。也有網友補充兩者的本質不同：傳統雲端硬碟只是單純「存放」資料，AI 服務卻會「處理」資料，兩者在資安考量上本來就不能混為一談。
不過討論並非一面倒。另一位網友給了務實的看法：ChatGPT 剛問世時確實風險較高，公司只能全面封鎖或嚴格限制；但這幾年主流 AI 廠商已經陸續推出企業版安全方案，企業完全可以用審核微軟等傳統供應商的標準，來評估現在的 AI 廠商。
這裡值得記住的重點是：關鍵不在於「AI 安不安全」，而是「這家廠商能不能通過公司原有的採購審查標準」。如果公司本來就有審查軟體供應商的機制，直接拿同一套標準去檢驗即可；如果原本就沒有這套制度，那麼資安漏洞早在 AI 出現前就已經存在了。
他的太太懷孕時被求職平台裁員，於是他做了一個競爭對手
這則貼文累積了一千三百多分與兩百六十多則留言。作者提到懷孕的太太遭到求職平台 Indeed 裁員，他便利用 AI 寫出一個求職網站，最近剛幫前三個人找到工作。多數網友留言力挺，稱這是「復仇式 vibe coding」（靠對話讓 AI 寫程式的開發方式）。發文當天網站因為湧入大量人潮而連線不穩，作者也隨後在留言區表示正在搶修。
討論串中有兩點比創業故事更值得參考。第一，一位自稱面試過五百多場的主管說，除了 VP 與 C-level（副總裁與高階主管）職缺，他平時根本不看求職信。作者對此回應，他的工具會依照求職者個人的語氣撰寫，避免千篇一律。第二，有網友指出另一個問題：如果大家都把相同的職缺內容丟給同一個模型，產生的求職信會相似得非常明顯。他個人的解法是先讓 AI 讀過自己的真實履歷與慣用語句，再開始動筆。
需要補充的是，也有不少網友認為這篇貼文只是用故事包裝的行銷手法，內容並未經過第三方查證。
這裡值得記住的重點是：AI 讓「產出合格文件」的成本變得極低，文件的價值便不再是「有沒有寫」，而是「像不像你本人寫的」。只要是對方會一口氣收到幾百份的文件，一定要融入個人特色才有意義，否則只會淪為一堆罐頭文字。
不是工程師的人，日常到底怎麼用？
一位商業分析師在版上發問：網路上分享的案例幾乎都是工程師在寫程式，非技術背景的人該怎麼把 AI 當工作夥伴。這則討論累積了一百多分與八十多則留言。獲得最多按讚的回答開玩笑說：既然你是商業分析師，就直接叫它做商業分析。底下的具體用法非常集中：整理會議紀錄與長文摘要、擬定報告與信件草稿、製作簡報大綱、爬取網站資料，以及請 AI 扮演特定客戶來測試簡報提案。
這串討論裡有一則工程師的熱門抱怨，特別值得非技術人員參考。這位工程師提到，自家執行長用 AI 產出一堆他形容為「臃腫的靜態網頁報表怪物」的東西，每產一次要燒掉三十分鐘的運算額度（token，AI 處理文字的計費單位），最後資安主管還得出面解釋為什麼不該把那份報表直接當附件寄給客戶（他也承認那些報表看起來確實不錯）。另一位工程師補充：非技術同仁做出一個用靜態資料撐起來的版本，接著就要求工程團隊把它自動化、每天更新、部署上線並確保沒有資安漏洞；但後面這一整段的工作量，其實遠比做出外觀大得多，只是從成品外觀上看不出來。
這裡值得記住的重點是：自己做出版型，跟正式上線給其他人使用，中間還卡著權限控管、資料來源與維護責任。自己動手做原型很方便，但在寄給外部客戶或團隊之前，記得先確認：內容有沒有機密外洩的風險，以及未來資料更新該由誰負責。
如果你想再往前一步
企業與團隊：如果你手上有一條「耗時、規則明確、但一直沒空整理」的作業流程，我們可以先聊 30 分鐘，一起評估這項流程有沒有自動化的價值。這場對談不報價、不推銷，你也不需要事前準備資料。填寫表單即可預約：先聊聊，不用急著談方案
一個實際的例子：8 人服務團隊，每月 160 小時手動報表，導入後 12 小時完成，三週內上線。
— 企業培訓案，服務業
個人：如果你想先自己動手嘗試，可以參考錄影課程，購買後隨時能看，並包含 30 分鐘一對一諮詢；若偏好互動教學，L1 入門班與 L2 綜合實戰班皆為線上 Zoom 小班制工作坊。詳細資訊都在 agentcrew.cc。
喜歡這期內容？
訂閱後每週一封直接寄到信箱，隨時可退訂。