關鍵數字：每年節省數十萬美元營運成本、將耗時數年的客服中心遷移專案壓縮至數週內完成、品質測試週期從數週縮短到數小時——這不是科幻小說的情節，而是 Dipkumar Mehta 過去十年在 AI 領域實實在在交出來的成績單。
如果你曾經在電話裡對著語音選單鬼打牆，按了 1 再按 3 再按 9，最後還是被轉接到一個不相干的部門，那你應該會對 Mehta 說的話很有感：「過去的選單樹狀圖，其實是在承認機器無法理解我們。」這位在印度長大、如今在亞馬遜網路服務（AWS）擔任自然語言人工智慧首席交付顧問的工程師，花了十幾年時間，把「讓機器聽懂人話」這件事從實驗室推到生產線，再從對話機器人推進到下一個階段——讓 AI 自己會做事。
📊 數據總覽
先看幾組數字，你會比較清楚這個人到底做了什麼事。
這些數字背後的意義很直接：他做的事情不是「讓 AI 變聰明」，而是「讓 AI 變有用」。前者是學術競賽，後者是商業現實——而 AWS 顯然很清楚這兩者之間的差距有多大。
關鍵突破：當電話網路撞上雲端 AI
Mehta 在 LendingClub 時期面對的技術難題，其實很有代表性。電話網路是同步的、嚴謹的，一句話講完之前線路是佔著的；但雲端 AI 服務是非同步的，你丟一句話過去，它需要時間運算，然後才回傳結果——而且那個「時間」可能長到讓電話那頭的真人直接掛掉。
他設計的解法，是在中間建立一個即時音訊串流層，讓系統能夠在真人可以接受的時間內完成語音辨識與意圖判斷。白話文來說，就是讓 AI 的反應速度快到你不覺得自己在跟機器講話。這套設計後來被全球企業廣泛採用，某種程度上已經成為產業標準。
有意思的地方在這裡：這個技術聽起來很「產品面」，但它背後其實是一個更根本的哲學轉向——Mehta 把 AI 從「回答問題的工具」變成「解決問題的管道」。客戶不需要被訓練成懂機器的人，機器應該反過來配合客戶說話的方式。這聽起來很基本，但在 2016 年，金融業敢這樣做的人並不多。
編輯觀點：從產業面來看，Mehta 職涯中最關鍵的轉折不是加入 AWS，而是他在 LendingClub 時期那個「把語言推論嵌入即時通話路徑」的設計決策。當時金融業對 AI 的態度普遍保守，多數人還在用規則式的關鍵字比對，他選擇直接用深度學習模型處理語音進線——這在 2016 年算是相當大膽的技術賭注。事實證明這條路走對了，而且走得很遠。如果當時他選擇了更安全、更主流的路徑，現在大概不會有機會在 AWS 主導代理式 AI 的架構設計。這給台灣金融業的啟示是：技術領先的紅利，往往來自於敢在主流之外開一條新路，而不是跟在別人後面等規格成熟。
從對話到行動：代理式 AI 的野望
2020 年加入 AWS 之後，Mehta 把重心轉移到一個更難的題目上——代理式人工智慧（agentic AI）。這套系統不只是理解和回應，而是能夠自主規劃並執行多步驟任務。
打個比方：傳統對話式 AI 像是個很會聽的客服人員，你講完需求他會轉給對的人；代理式 AI 則像是個有權限的經理，聽完你的需求之後，他可以直接進系統改訂單、調庫存、發通知，全部自己來。
Mehta 在 AWS 做的兩個平台，一個用來把傳統客服中心遷移到雲端——原本要耗時多年、燒掉數百萬美元的專案，現在幾週內自動跑完；另一個則是用自主代理人去驗證 AI 的行為是否正確，把原本數週的人工測試週期壓縮到數小時。這兩個平台都已經被 AWS Professional Services 採用，用在醫療、保險、金融服務和公共部門的客戶身上。
你可以想像一下這對台灣企業的意義。我們的金融業、電信業、政府單位，哪一個沒有堆積如山的 legacy 系統？每一次系統升級或遷移都是大工程，動輒以年為單位計算。如果代理式 AI 真的能把這些專案壓縮到「數週」，那不只是省錢的問題——它改變的是企業對「改變」這件事的恐懼。
一個沒有學過 AI 的 AI 專家
Mehta 的背景有個很有趣的 contradiction：他 2002 年在印度蘇拉特的 C.K. Pithawalla 工程技術學院拿到電機工程學士學位，畢業後從電信工程師做起，在 HCL Infosystems 設計電信系統，後來陸續待過 Wipro Infotech、美國運通，還在華沙幫花旗銀行升級過客服中心平台——這些經歷裡，沒有一段是「AI 專案」。
他後來接受採訪時說了一句很有意思的話：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。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很現實的問題。現在各大學都在搶開 AI 課程、資料科學系所如雨後春筍，但 Mehta 的養成路徑告訴我們：解決複雜問題的能力，比學會某個特定技術更保值。他從電信、金融科技一路做到 AI，核心能力從來不是「會用哪個框架」，而是「知道系統為什麼卡住」。
接下來十年：從理解到信任
Mehta 對未來的判斷很直白。他說：「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。這是一個更困難的工程問題，也是未來十年工作的重點。」
這個轉向很關鍵。過去十年，AI 產業的努力集中在「提高理解的準確率」——從 80% 到 90% 再到 95%，每一點的提升都耗費大量資源。但接下來十年，戰場會從「理解」轉向「可信任的行動」。一個 AI 系統即使理解正確，如果它執行的方式有風險、無法被稽核、或者出錯時無法回溯原因，企業還是不敢讓它真正接手核心業務。
這其實也是 Mehta 在 AWS 做第二個平台（驗證 AI 行為的那個）的原因。他顯然很清楚：讓 AI 變強是技術問題，讓 AI 變可靠是信任問題，而信任問題往往比技術問題更難解決。
寫在最後：兩個問題給台灣的技術人
讀完 Mehta 的故事，我想留兩個問題給正在讀這篇文章的你。
第一個問題是關於職涯選擇的：你現在學的技術，十年後還會是主流嗎？如果不會，你培養的「習慣」是什麼？Mehta 的答案是觀察系統如何失敗——你呢？
第二個問題是關於產業視角的：如果代理式 AI 真的在未來三到五年內成熟，你所在的行業會發生什麼改變？那些現在需要跨部門協調、層層簽核、耗時數週的流程，會不會被 AI 代理人以「數小時」的規格重新定義？
我不是說 AI 會取代所有人。但懂得用 AI 解決問題的人，肯定會取代不懂得用的人。Mehta 的故事告訴我們，這件事不一定要從「學 AI」開始——從「看懂系統怎麼卡住」開始，有時候反而走得更遠。
數據告訴我們什麼？
回頭看 Mehta 的數據軌跡：數十萬美元的年節省、數年到數週的時程壓縮、數週到數小時的測試縮減——這些數字背後有一個共同的邏輯：AI 的商業價值不在於它有多聰明，而在於它能把原本耗時耗力的流程，壓縮到一個「讓企業願意嘗試」的時間單位。
台灣企業在數位轉型上經常卡住的點，不是技術不到位，而是轉型的成本（時間、風險、人力）看起來太高。代理式 AI 的發展方向，恰好是在拆解這些成本。如果 Mehta 的預測正確，未來十年我們會看到更多「不需要人類介入」的端到端自動化流程——而這對台灣以製造業、金融業、醫療服務為核心的產業結構來說，影響恐怕比我們現在想像的還要深遠。
至於那些還在猶豫「要不要導入 AI」的企業決策者，或許可以參考 Mehta 的經驗：與其問「AI 能不能做」，不如問「如果 AI 能做，我們省下來的時間和人力要拿來做什麼」——後者才是真正的策略問題。
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 跟 ChatGPT 這類對話機器人有什麼不同？
最大的差別在於行動力。ChatGPT 類的對話式 AI 擅長理解和生成語言，但它不會主動幫你完成任務；代理式 AI 則可以自主規劃並執行多步驟任務，例如自動遷移客服中心系統、驗證其他 AI 的行為是否正確，不需要人類逐一步驟介入。
Dipkumar Mehta 的技術對台灣企業有什麼具體幫助？
他的客服中心遷移平台能將傳統系統升級專案從數年壓縮到數週，對台灣金融、電信、醫療等擁有大量 legacy 系統的產業特別有價值。此外，AI 行為驗證平台能將測試週期從數週縮短至數小時，大幅降低導入新系統的風險與成本。
沒有 AI 背景的工程師可以走和 Mehta 一樣的路嗎？
可以，而且 Mehta 本人就是最好的例子。他大學念的是電機工程，職涯從電信系統設計起步，並沒有學過 AI。他認為真正重要的能力是「仔細觀察系統如何失敗，以及是什麼阻礙了它們成長」——這種系統性思維比學會特定技術更保值，也更能適應技術的迭代。
※ 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。
About the Author
