隨著 AI Agent 的普及，真正的挑戰在於如何管理它們無法處理的「例外」。例外管理分為兩種：防守型旨在保障系統穩定，避免錯誤擴大；而進攻型則將異常視為創新的信號，需要人類介入判斷。然而，組織內部的人性問題，如害怕麻煩的「沈默螺旋」、扭曲的 KPI 設計和「警報疲勞」，常常阻礙有效的例外處理。最終，成功的關鍵在於平衡 AI 的自動化與人類寶貴的注意力，並將人類的角色從單純的操作員轉型為制定規則的立法者，從例外中提煉新規則，推動人機協作的持續進化。
防守型例外管理：讓 Agent 活在安全區
例外管理的基礎價值在於穩定性，它像是 AI Agent 系統的防護欄。在高風險場景中，承認無知比假裝全知更安全。
- 核心任務： 防止系統崩潰。當 Agent 遇到未知的參數或情況時，它可能會陷入死循環或做出災難性決策。
- 運作方式： 就像生物體的免疫系統，它的任務不是理解病毒，而是識別並防禦外來威脅。它適用於有明確邊界、不允許出錯的封閉系統。
- 潛在風險： 在開放的商業環境中，過度的防守會扼殺所有外部的可能性，就像免疫系統攻擊自身一樣。
如果我們只把例外當作「錯誤」來防守，我們就浪費了例外管理可以創造的價值。因為在商業與創新的世界裡，例外往往是進化的信號。
進攻型例外管理：尋找 Agent 看不懂的信號
隨機不等於創新。Agent 能基於歷史數據排列組合出無數變體，但無法判斷哪一種符合當下的市場脈動。這時，人類的洞見變得至關重要。
當數據出現異常時：
- AI 的視角： 可能會將其視為「數據雜訊」或「異常值」而忽略。
- 人類的視角： 這可能是提出好問題的機會，是必須介入的時刻。
這時，我們需要做的不是「修正」例外，而是「保護」它，並深入研究其發生的原因。
在進攻型的例外管理下，Agent 負責發散（Divergence），人類負責收斂（Convergence）。Agent 窮舉舊世界的所有可能性，人類則負責從中挑選出能開啟新世界的鑰匙。
然而，並非所有例外都值得保護。成熟的管理者會先將例外分層（可逆、不可逆、灰色地帶），在劃定好損害範圍後再進行嘗試，避免將創新變成災難的導火索。
人性的濾鏡：AI 也解決不了的辦公室政治
理論上的人機分工很完美，但現實中總會撞上「人性」這堵牆。例外管理最大的敵人，往往來自組織內部的拉扯力量：
- 沈默螺旋： 組織天生「害怕例外」。員工收到 AI 警報時，為了避免麻煩，最理性的選擇往往是手動修改數據，假裝一切正常。因為上報異常，可能被視為「找麻煩」或承認先前設定的流程有誤。
- 激勵的扭曲： 如果 KPI 是「Agent 自動化率」或「低錯誤率」，員工就會主動隱藏所有例外，直到系統在沉默中崩潰。反之，若只有「救火」才能獲得關注，員工又可能刻意放大異常，以證明自身價值。
- 警報疲勞： 如果系統過於敏感，每天拋出大量誤報，人類管理者很快就會麻痺，進而忽略真正的危機信號。
不管 AI 多強大，只要回報真相的成本高於掩蓋真相的成本，例外管理系統就是無效的。
注意力資本的配置：人機協作的經濟學
如何設定 AI 呼叫人類的「閾值」，本質上是如何分配注意力資本的問題。AI 的算力會越來越便宜，但人類的注意力將變得極其昂貴。
這是一個艱難的取捨：
- 閾值太低（過度敏感）： Agent 頻繁求助，人類淪為保姆，自動化失去意義。
- 閾值太高（過度遲鈍）： Agent 自行處理所有事情，可能累積巨大風險或錯失關鍵機會。
這是一個嚴肅的戰略選擇：你願意用多少「注意力成本」來換取多少「演化機會」？
更重要的是，這個閾值應該是動態的，需要根據戰略目標和發展階段進行調整：
- 需要創新的領域（研發、市場）： 調低閾值，鼓勵回報異常，用注意力換取洞見。
- 需要穩定的領域（會計、運營）： 調高閾值，過濾絕大多數雜訊，保護人類的認知資源。
從操作員到立法者：終極的人類價值
隨著 Agent 越來越聰明，人類將被迫從系統的「操作員」進化為「立法者」。面對 AI 拋出的例外，人類的價值在於：
- 判斷： 區分這是雜訊還是信號。AI 基於過去的數據，而信號往往來自未來的脈絡。
- 處置： 當下解決問題，防止損失或抓住機會。
- 分類與修改： 將處理過程轉化為新的規則或範例，反哺給 Agent，讓系統得以進化。如果你做不到這一步，你永遠只是在幫 AI 善後。
設計或管理 Agent 系統時，可以問自己三個核心問題：
- 這個任務的「不可逆損失」是什麼？
- 什麼樣的異常值得在半夜叫醒我？
- 如果 Agent 做錯了，我能在多久內發現？
當你能清晰回答這些問題，你就不再是單純的使用者，而是在為人機協作的時代制定遊戲規則。
真正的進化不是消滅例外，而是從例外中提煉出新的規則去取代舊的規則，並在此架構上建立新秩序。