Amazon 創辦人 Jeff Bezos 曾經講過一個很值得做生意的人反覆思考的問題：很多人會問未來五至十年有甚麼會改變，但更重要的問題，可能是未來五至十年有甚麼不會變。
放在 Amazon 的語境，客戶長期都會想要更合理的價格、更快的配送和更多選擇。技術、平台、競爭對手會變，但如果有些客戶需求長期穩定，公司就值得圍繞那些穩定的東西投資。
放到今日 AI agent，香港中小企其實面對同一個問題。AI model 會變，agent 工具會變，平台、介面、收費和 API 都會變。如果公司每次都追最新工具，很容易幾個月後又要重砌一次流程。真正應該問的是：當 AI agent 工具不斷變，公司有甚麼營運層不應該跟住變？
1. 直接答案：不要把核心流程寫死在某個 AI agent 工具入面
香港中小企要避免每幾個月因 AI agent 工具換代而重砌流程，重點不是追逐最熱門工具，而是把公司的工作流程、結構化資料、權限與操作紀錄、人手審批與把關，設計成自己的長期營運層。
AI model、AI agent 平台和自動化工具可以更換，但客戶查詢、報價、訂單、付款、交付、售後和內部審批，不應該每次重新設計。當更強的 AI agent 出現時，如果公司的流程事件、資料欄位、權限紀錄和審批規則已經清楚，新 agent 只是接入和強化執行層；公司得到的是能力升級，而不是重新搭建整套營運流程。
換句話說，AI agent 可以換，公司的營運骨架不應該每次跟住換。
2. 為甚麼 AI agent 工具會好快過時？
AI agent 發展很快，這是好事，也是很多中小企猶豫的原因。
今日最熱門的工具，幾個月後可能已經被另一個 model、另一個 agent 平台、另一套自動化流程取代。介面會改，API 會改，收費會改，平台支援的功能也會改。有些工具會變得更強，有些會被整合，有些會慢慢不再適合你的業務。
所以問題不是「有沒有一個 AI agent 永遠不會過時」。這個問題本身可能問錯了。
更實際的問題是：當 AI agent 工具變強、變便宜、變快、變得更懂執行任務時，你的公司是否可以直接受惠？還是每次都要重新搬資料、重畫流程、重寫權限、重做審批？
3. 真正問題不是工具變，而是營運層跟住工具變
很多公司導入 AI 時，會先從工具開始：買一個 chatbot、試一個 agent builder、接一套 automation 工具，然後把流程直接建在工具入面。
短期看，這樣最快有 demo。長期看，風險是核心營運會被工具畫面牽住走。
如果公司仍在分辨 chatbot 和 AI agent 的角色，可以先看這篇比較：AI agent 同 chatbot 有甚麼分別？ 重點是先分清楚「回答問題」和「執行流程」不是同一回事。
例如一間公司把查詢、報價、跟進、提醒、審批全部做在某個 AI agent 工具入面，但沒有清楚定義背後的工作流程、資料欄位、權限和審批規則。到下一個更強的 AI agent 出現時，公司表面上可以換工具，但實際上要重新理解自己原本做過甚麼。
這就是重砌流程的真正原因。不是 AI 發展太快，而是公司沒有把相對穩定的營運層沉澱下來。
以下說「十年不變」，不是指工作流程、資料結構、權限和審批真的十年不用改。香港中小企仍然會因為支付方式、CRM、WhatsApp Business API、私隱要求、平台政策和客戶期望而調整營運方式。更準確的意思是：這些核心業務規則應該比 AI agent 工具、model 和平台更穩定，值得公司長期沉澱，並且定期檢討。
4. 第一個十年不變：工作流程
第一個要沉澱的是工作流程。
工作流程不應該由某個工具的畫面去定義，而應該由公司的業務事件去定義。對香港中小企來說，很多流程其實很穩定：
| 業務事件 | AI 可以幫忙的部分 | 不應該被工具綁死的部分 |
| 收到客戶查詢 | 分類、摘要、提醒負責同事 | 查詢如何分流、誰負責跟進 |
| 需要報價 | 草擬內容、檢查資料是否齊全 | 報價規則、折扣權限、審批要求 |
| 客戶確認 | 更新狀態、產生待辦事項 | 訂單流程、付款要求、交付承諾 |
| 等待付款 | 提醒、整理未付款清單 | 付款政策、追款節奏、例外處理 |
| 安排交付 | 整理資料、通知內部人員 | 交付責任、時間承諾、客戶通知規則 |
| 售後跟進 | 摘要對話、提醒下一步 | 投訴升級、退款、補救決策 |
工具可以幫你執行這些步驟，但流程本身應該屬於公司，而不是屬於某個 agent 平台。
當工作流程是用業務事件定義，將來換 AI agent 時，新工具只需要接入這些事件和規則。公司不用重新問一次：「收到查詢之後究竟應該點做？」
5. 第二個十年不變：結構化資料
第二個要沉澱的是結構化資料。
AI agent 要做得好，不只是因為 model 夠聰明。它還需要讀到正確、清楚、有結構的資料。客戶資料、產品資料、價格、訂單、對話紀錄、任務狀態、審批紀錄，如果全部散落在 WhatsApp、Excel、電郵、個人筆記和不同工具入面，再強的 AI agent 都很難穩定工作。
結構化資料的重點不是把所有東西變得很複雜，而是令公司和 AI 都知道：
- 客戶是誰
- 現在處於哪個流程狀態
- 上一次溝通講過甚麼
- 有哪些資料未齊
- 下一步應該由誰處理
- 哪些行動需要審批
- 哪些紀錄將來需要查得回
如果資料有結構，AI agent 進步時，公司會更容易受惠。新的 AI agent 可能更懂總結對話、更懂判斷優先次序、更懂草擬回覆、更懂發現異常。但前提是它可以讀到一致、可靠、可追溯的資料。
相反，如果資料本身只困在某個工具入面，將來有更強 AI agent 出現，公司第一件事不是升級，而是搬資料。
6. 第三個十年不變：權限與操作紀錄
第三個要沉澱的是權限與操作紀錄。
很多人講 AI agent 時，會自然想像「AI 幫我自動做晒」。但在實際公司營運裏，AI 可以做甚麼、不能做甚麼，比 AI 有多聰明更重要。
如果想再深入看權限分層，可以參考：香港中小企用 AI agent，權限應該點樣設定？
權限設計不是單純限制 AI，而是令 AI 可以安全地進入公司流程。至少要分清楚幾個層級：
| 權限層級 | AI 可以做甚麼 | 例子 |
| 只讀 | 讀取資料、摘要、分類 | 摘要客戶查詢、整理未完成任務 |
| 草擬 | 產生建議內容，但不直接發出 | 草擬報價電郵、草擬 WhatsApp 回覆 |
| 提交待審批 | 準備動作，由人確認後執行 | 提交折扣申請、提交退款建議 |
| 禁止自動執行 | 高風險動作必須由人處理 | 改價、刪資料、改權限、承諾合約 |
操作紀錄則是令這些動作可追溯。公司需要知道 AI 建議過甚麼、人改過甚麼、邊個批准、最後執行了甚麼。
權限和操作紀錄應該放在同一個控制層看待。只有權限而沒有紀錄，出事時很難追查。只有紀錄而沒有權限，風險已經發生才回頭檢討。兩者結合，AI agent 才能成為受控的營運工具，而不是一個看似方便但責任不清的黑盒。
7. 第四個十年不變：人手審批與把關
第四個要沉澱的是人手審批與把關。
AI agent 可以提升速度，但不應該令責任消失。尤其是香港中小企，很多決策牽涉真實客戶、真實金錢、真實承諾，不能只看自動化是否方便。
以下類型的動作，即使 AI 將來更強，也應該保留人手把關：
- 涉及金錢，例如報價、折扣、退款、付款安排
- 涉及合約或服務承諾
- 涉及客戶敏感資料
- 涉及資料刪除或大量更新
- 涉及權限變更
- 涉及投訴、爭議或高價值客戶關係
人手把關不代表所有事都慢慢等人批。好的設計應該讓 AI 做準備工作：整理背景、指出風險、草擬選項、提醒負責人、把需要審批的事項推到正確位置。
人要做的是判斷和承擔責任，而不是重複整理資料。
同時，人手審批本身不等於安全。如果員工太忙，只是見到 AI 建議就按批准，審批會變成形式。比較好的審批設計，應該讓批准人看到風險摘要、變更前後對比、金額或敏感資料標示、批准責任，以及之後查得回的操作紀錄。
8. 有更強的 AI agent 出現，公司應該點做？
這篇文章最重要的問題，其實不是「AI agent 會不會過時」，而是「有更強的 AI agent 出現時，公司能否即刻受惠」。
如果公司已經有清楚的工作流程、結構化資料、權限與操作紀錄、人手審批與把關，新 AI agent 出現時，理想情況不是由零開始，而是替換或強化執行層。
舉例，一條查詢到報價流程本身沒有變：
- 客戶查詢進來
- 系統分類查詢類型
- AI 摘要需求和缺少資料
- 銷售同事確認資料
- AI 草擬報價或跟進內容
- 超過指定金額或有特殊折扣時提交審批
- 負責人批准後才發出
- 系統記錄整個過程
今日的 AI agent 可能只做到摘要和草擬。明日更強的 AI agent 可能可以更準確地理解需求、更快找出相似個案、更好地提示風險、更完整地草擬回覆。
但只要底層流程和控制設計沒有變，公司就不是重砌流程，而是把更強的 AI 放入同一條業務軌道。
9. 穩定系統設計點樣令公司更容易承接 AI 發展？
穩定系統設計的價值，是把「AI 進步」轉化成「公司能力提升」。
AI 進步通常會發生在幾個方向：
- 更準確理解文字、圖片、文件和對話
- 更好地分類和判斷優先次序
- 更自然地草擬客戶溝通
- 更懂分析資料和指出異常
- 更懂跟隨多步驟任務
- 更容易接入不同工具和系統
如果公司的工作流程、資料、權限、審批本身已經清楚，這些 AI 能力提升就可以直接被吸收。新的 AI agent 不是重新定義公司怎樣做生意，而是令既有流程跑得更快、更準、更少遺漏。
這就是所謂更容易承接 AI 發展：公司不是每次主動重建一套流程，而是因為底層系統夠穩，當 AI 執行層變強時，原有系統有條件接住更多能力。
不過，這不是保證任何 AI 工具一接入就有效。前提仍然是公司已經把業務規則、資料結構、權限和審批設計清楚，並且在更換或升級 AI agent 時做測試、權限審查、資料保護評估和回歸驗證。沒有這些基礎，再強的 AI agent 都可能只是更快地製造混亂。
10. 反面例子：流程和資料困死在工具入面會點？
如果公司把所有東西都困在某個 AI 工具入面，短期可能很方便，長期會出現幾個問題。
第一，流程難搬。公司未必知道哪些步驟是工具設定，哪些步驟是真正業務規則。
第二，資料難查。客戶狀態、審批紀錄、AI 建議和人手修改分散在不同地方，將來換系統時很難完整交接。
第三，權限難控。AI 到底可以看到甚麼、改甚麼、發出甚麼，可能只靠工具入面的零散設定，而不是公司層面的治理規則。
第四，審批難追。當客戶問「點解當時咁樣承諾」，公司未必查得回是哪個 AI 建議、哪個同事修改、哪個負責人批准。
這種情況下，就算市場上出現更強的 AI agent，公司也未必可以即刻升級。因為升級之前，先要清理舊流程、搬資料、重整權限和補回審批紀錄。
要留意的是，綁死公司的不一定只是 AI agent 工具。CRM、ERP、自動化平台、資料庫設計、WhatsApp provider，甚至某些低代碼流程工具，都可能令營運系統失去可攜性。所以公司除了避免把流程困在 agent builder 入面，也要留意資料能否匯出、API 是否穩定、流程是否有文件化、權限是否可以審視。
11. 香港中小企可以怎樣開始？
中小企不需要一開始就把所有流程 AI 化。比較實際的做法，是先選一條高價值、重複出現、容易定義的流程。
例如：
- 客戶查詢到報價
- 訂單確認到交付
- 售後查詢到跟進
- 內部申請到審批
- 重複文件處理到任務分配
如果仍未決定第一條流程，可以先由這篇開始：香港中小企想用 AI agent，應該點開始先唔會嘥錢？
然後按四個營運層整理：
| 營運層 | 要問的問題 |
| 工作流程 | 這條流程有哪些固定業務事件？每一步由誰負責？ |
| 結構化資料 | AI 和員工需要讀取哪些欄位？資料在哪裏更新？ |
| 權限與操作紀錄 | AI 可以讀、草擬、提交甚麼？哪些動作要留下紀錄？ |
| 人手審批與把關 | 哪些情況一定要人批准？誰有權批准？ |
整理完這四層，再接 AI agent，通常會比一開始就追工具更穩陣。因為公司不是把未定義的混亂交給 AI，而是讓 AI 進入一條已經有規則、有資料、有權限、有審批的營運流程。
12. oneflash 角度：可接入 AI 的營運系統不是追最新工具
oneflash 對 AI agent 的看法，不是幫公司追逐每一個最新工具，而是幫公司建立一個人和 AI 都能使用、亦能接入未來 AI agent 的營運系統。
在這個系統裏，AI agent 是可替換、可升級的執行層；真正長期保留的是公司的工作流程、結構化資料、權限與操作紀錄、人手審批與把關。
這樣設計的好處是：今日的 AI 可以先幫你做摘要、分類、草擬和提醒；明日更強的 AI agent 出現時，公司可以在同一套營運規則下測試和接入更多能力。公司不是每幾個月重砌一次流程，而是逐步把更強的 AI 能力接入原有業務系統。
對香港中小企來說，這比單純買一個 AI agent 工具更重要。工具會變，但公司怎樣服務客戶、怎樣管理資料、怎樣控制風險、怎樣做審批，才是值得長期投資的部分。
13. 參考資料
- Harvard Business Review: The Institutional Yes, https://hbr.org/2007/10/the-institutional-yes
- Amazon News: Meet Len Edgerly, Kindle superfan and host of the popular Kindle Chronicles podcast, https://www.aboutamazon.com/news/devices/the-kindle-chronicles-podcast-len-edgerly-interview
- Quote Investigator: What's Not Going To Change in the Next 10 Years?, https://quoteinvestigator.com/2021/03/03/not-change/
- OECD: Empowering SMEs in the age of AI, https://www.oecd.org/en/publications/empowering-smes-in-the-age-of-ai_bf5a9816-en.html
- PCPD: Artificial Intelligence: Model Personal Data Protection Framework, https://www.pcpd.org.hk/english/resources_centre/publications/files/ai_protection_framework.pdf
- NIST: AI Risk Management Framework, https://www.nist.gov/itl/ai-risk-management-framework
- HKPC Academy: Leveraging AI Agents to Optimise Your Business, https://www.hkpcacademy.org/en/10018951-14-leveraging-ai-agents-to-optimise-your-business/
- HKT Enterprise: What is Agentic AI? 5 business use cases, https://www.hkt-enterprise.com/en/blogs/what-is-agentic-ai-5-business-use-cases