10月7日，AWS 喺自家機器學習部落格發了一篇文，介紹一個叫「Agentic Value Model」嘅框架，話以前用嚟計 RPA（Robotic Process Automation，機械流程自動化）投資回報嗰套「省時數×人工成本」計法，唔夠用嚟計 agent（能推理、能適應、能完成任務嘅軟體）嘅回報，因為「漏咗大部分價值」。
舊計法點唔夠用
篇文章話，舊 ROI 模型有四個假設，放喺 agent 身上全部唔成立：第一，假設流程穩定，所以唔計維護自動化嘅成本；第二，假設任務係rule-based，冇例外處理呢一行；第三，假設工作就係全部，唔計人工監督嘅成本；第四，將「省返個鐘」當「銀行入咗錢」，但放返嚟嘅時間往往俾返工堆喺度，根本冇入到損益表（P&L）。
文內引述 McKinsey 2026 年一篇文章話，成功嘅 AI 轉型跟「1:3:5 模式」——每喺 agent 技術投一元，要跟投三塊喺流程重新設計、五塊喺能力建設同採用；「但大部分公司將呢個公式完全倒轉」。呢句係 McKinsey 講，被 AWS 轉載，並非本站獨立查證。
新框架計邊啲數
AWS 將「價值」拆成四個維度：
省時：同以前一樣計，但 agent 可以處理 RPA 處理唔到、或者要寫大量例外邏輯先搞掂嘅工作，所以計算嘅基礎擴大咗。
例外處理：呢個係成本大頭。AWS 自家「Prescriptive Guidance」文件給咗一個規劃範圍：糾正一個錯誤嘅成本可以係原交易嘅 1.5 到 4 倍，人為錯誤可佔營運成本嘅 2% 到 15%。呢兩個數字全部出處係 AWS 自家指引文件，非第三方測量。
決策質素：agent 可以喺大規模下套用同一套政策，且有記錄嘅推理軌跡。AWS 文件話「低量高值決策」值得用 agent 輔助去改善決策質素，而唔單止係減成本——「信貸、定價或風險上面一個好啲嘅決定，可以蓋過一年嘅省時數」。呢句同樣出自 AWS 自家 guidance。
變化韌性：文章喺呢個維度之前被截斷，冇講完整。
阿調搞兩下
呢篇文章嘅核心問題唔係框架本身，係邊個喺度計數。全部數字——1.5-4倍錯誤修正成本、2-15%人為錯誤率、1:3:5投入比——皆出自 AWS 自家 guidance 文件或者佢轉載嘅 McKinsey 報告。冇任何獨立機構驗證過呢啲數字喺實際企業環境入面成立。
框架本身好合理：舊計法漏咗例外處理、漏咗人工監督、漏咗流程重設計嘅成本，呢啲觀察冇大錯。但一個雲端供應商喺自家部落格話「呢個嘢值得買」，佢話個鐘幾多錢就幾多錢，同你哋聽任何金主嘅「產品優點」冇分別。
對打工仔嚟講，呢個框架計嘅係公司幾多錢，唔係你幾多工時。流程重新設計、能力建設、採用——1:3:5 入面嗰個「5」，好多時就係你哋被重新培訓、被改工作流程、被加監督責任。省返嚟嘅時間有冇真係落返你手上，定係老細直接少請人，呢個框架冇計，亦唔會計。
阿調｜深度調教
