AI Agent 工作流徹底打破傳統企業系統嘅三個基本假設：任務毫秒級完成、重試免費、同一輸入同一輸出。試點表現再穩，一轉無人值守就變災，問題往往唔係模型，而係環住嘅基建同管理慣例。
傳統企業軟件建喺三個好簡單嘅假設之上：任務做得快（毫秒級）、重試一次冇成本、同一輸入永遠同一輸出。AI Agent（AI 代理，會自主一步步做嘢、調用工具嘅系統）將呢三樣全部打碎。
正因咁，好多試點（pilot）時表現得好好嘅流程，一轉成人無值守（unattended）就變成營運災難。原文開宗明義：難喺模型，喺環住嘅基礎設施同管理慣例——佢哋仲以為 Agent 仲有呢啲舊性質。
三個假設點樣被打破
第一，時間由毫秒變幾分鐘。 Agent 任務可以跑得夠長，長到超過你整個堆棧（stack）從來冇遇過嘅逾時閾值。本來穩嘅系統，到時先有人查出原來係「跑得太耐」，先至發覺問題。
第二，重試要錢。 舊邏輯重試幾乎免費，所以工程團隊放膽重試。但打住計費模型嘅每一次試，無論結果用唔用得，都照食算力。鬆嘅品質標準加自動重試，就係一場「預算事故」。而雲端同模型 API（應用程式介面）按月非同步計費，呢啲重試成本靜靜疊住，數個星期後帳單嚟先知。
第三，失敗冇得重現。 呢個係最大變。傳統做法：見到壞結果，重跑一次睇佢點壞。但 Agent 介入後呢招冇用。冇逐步 trace（追蹤）佢嘅決定、工具調用同 API 執行，就冇嘢可調查，review 變成瞎估。
試點點樣幫你瞓著
資深團隊中招，正正因為評估環境將呢啲全部瞞埋。人手互動時，人自己就係 error handler（錯誤處理器）：逐個讀結果、發現問題、再試一次。成本睇得到，修正靠手做，根本唔需要審計記錄，亦唔需要重現故障嘅方法。
但自動化嘅 Agent 流程係無頭（headless）運行，未記錄嘅失敗會搞爛下游系統。一條「有人同 AI 傾、逐個回覆睇」就穩陣嘅流程，當排程器半夜自動開 400 次、冇人睇，行為就變咗另一回事。錯一直都在，只係之前由人一口氣一口氣攞住、修正咗。
原文建議：過到自動化上線前，工程主管必須逐項列出之前由人手動做嘅每一個任務，同埋指定邊個自動檢查或系統會接棒。
三個要留心嘅風險
隱形成本。 開支唔再單係用量嘅函數。自主 AI 迴路自動重試壞任務、重生成回覆、反覆打 API，冇人批。開發者揸嘅一個閾值，對月帳嘅影響可以大過成場採購談判。要問「每完成單位成本」，唔好只問「每次 API 成本」，後者冇算被棄嘅嘗試。
回報成功嘅失敗。 原文講最貴嘅缺陷唔係報錯，而係結構上看似正確、實質內容錯嘅結果。機率式 Agent 識唔到自己邏輯錯，所以……（原文此段被截斷）。
阿調搞兩下
呢篇冇新產品、冇跑分，講嘅係一個好多老闆都踩嘅坑：試點時有人幫你執手尾，上線之後邊個執？原文最狠嘅一句，係「錯一直喺度，只係之前由人一口氣一口氣攞住」。試點好看唔代表系統好，代表有人喺度免費做 QA。當呢個 QA 冇人再接棒，你條線就係嘢喺度盲跑。揸住權限嘅，從來都唔係模型，係決定邊個任務轉自動、邊個要人守嘅人。
阿調｜深度調教
