《富比士》報導，企業內部的決策正在經歷一場巨大轉變。PwC 宣布推出 agentic scaffolding（代理式架構），能協助企業落實 AI 專案的工具。此舉是 PwC 現代化其專業服務營運的一部分，公司代表估計，目前其大多數團隊都正在導入這項 agentic 轉型工具，該工具使用 Claude 4.6 與 GPT-5.5/5.4。
作為四大會計師事務所之一，PwC 對 AI 驅動的變革管理的轉向，代表企業在 AI 試點設計與部署方式上的重大轉變。Microsoft AI 執行長 Mustafa Suleyman 等產業領袖預測，未來 12 至 18 個月內，律師、會計師、行銷人員等職業中的多數專業任務，將被 AI 完全自動化，企業也正尋求更有效的 AI 部署方式以提升成果。
AI 試點為何難以規模化？PwC 指出關鍵問題
在 AI 競賽中，如何從 AI 中獲取價值對許多組織而言是一大挑戰。《富比士》提及，一份 2025 年 MIT 發布、被廣泛引用的報告指出，高達 95% 的 AI 試點未能帶來顯著投資回報，其中的原因，就是生成式 AI 工具與企業流程整合不佳。
PwC 進一步指出，企業 AI 專案之所以難以產生實質價值，常見原因包括：既有流程仍是線性、規則式設計，原本是為「人搭配簡單自動化」而設計，不是為「人治理自主 AI agents」而設計；AI 缺乏內建治理，導致利害關係人不信任；許多試點停留在實驗室有效的「pilot theater」；以及控制與稽核往往在 AI 完成工作後才補上，反而增加成本與延遲。
根據 PwC 官方資料，這次推出的 agentic scaffolding 結合了工具、人員與流程，使企業能安全地設計、模擬、視覺化、壓力測試並建立新的 agent 驅動流程。PwC 美國數據、分析與 AI 實務合夥人 Rima Safari 在視訊訪談中表示：「agentic scaffolding 是用來幫助企業從試點走向規模化 AI。」
透過 agentic scaffolding，企業領導者可以將策略目標與流程需求輸入系統。該工具是一個應用層，能以視覺化方式編排 AI 工作流程，同時生成執行與管理 agents 所需的底層程式碼。Rima Safari 表示：「阻礙規模化的其中一個瓶頸是變革管理本身，例如角色轉型所需的調整，agentic scaffolding 可以協助解決。」該工具提供早期視角，讓企業預覽一個流程在 AI 自動化後的樣貌。
例如，團隊可以建立視覺化模擬，呈現流程中的步驟、任務、交接、例外處理、驗證機制、證據需求、資料流與文件等，並可在進入正式生產前進行壓力測試，找出效能優化空間。PwC 表示，某家財富 500 強保險公司已利用該工具設計並驗證 agent 工作流程，涵蓋受理、報價、核保、註冊與帳單流程，依複雜度不同，將報價到帳單的時間縮短 50% 至 80%。保險公司也利用 scaffolding 拓展不同市場，為員工數 100 人以下的小型企業及其配偶、家屬提供保險服務，在提升市場滲透率的同時，降低成本結構，並具備進一步規模化的能力。
從專案轉向持續演化：agentic AI 重塑企業管理邏輯
IT 資訊科技研究機構 Info-Tech Research Group 研究總監 Shashi Bellamkonda 指出，成功推進 AI 的企業，已不再把變革管理視為實施之後的階段，而是將其當作基礎。壓縮的時間表不是暫時現象，而是新的運作環境。Shashi Bellamkonda 認為，傳統變革管理建立在有明確終點的轉型之上，但 agentic AI 沒有終點。系統會持續學習、流程會持續演化，而組織也必須同步持續調整。
重構工作流程以容納 AI agents 是一項艱鉅任務。ActiveCampaign 產品與技術長 Chai Atreya 指出，成功推動 AI 試點需具備三項關鍵：穩固基礎、明確治理界線與營運模型對齊，其中基礎包含資料、情境與系統整合，若無法提供足夠業務脈絡或嵌入流程，試點容易失敗；同時需建立驗證、人為監督與清楚的使用規則。Chai Atreya 強調，AI 正推動企業從「專案式轉型」轉向「能力式轉型」，傳統逐步導入的模式已難以應對快速變動的 AI 環境。
《富比士》補充，企業若要有效推動 AI 試點，需要建立可重複使用的能力、上下文層、治理模型、agent 基礎架構、評估迴圈，以及能持續將 AI 應用到新業務問題的團隊，同時也需要全公司層級的協作。Chai Atreya 表示，AI 試點不能只是被放在一旁當作創新展示，產品、工程、設計、數據、法務、安全與業務團隊都必須圍繞共同目標協作。
PwC 提出企業導入 agentic AI 時，需先做的三項關鍵決策：首先是確認三位核心負責人，包括價值負責人、技術主管與風險或控制主管；其次是選定最適合導入 AI 的流程，通常為高度依賴人工協調、具降本或增收潛力、資料分散且重複性高的工作流程；最後則是明確定義成果目標與限制條件，包括週期時間、成本、吞吐量與準確性等指標，以及合規、資料治理、AI 表現、可解釋性、財務風險與使用者體驗等不可突破的底線。
