Agentic AI 的轉換率，先從信任流程開始設計
看到 DBS 的 agentic AI 案例，我覺得最值得學的不是「70 個 agent」這個很吸睛的數字，而是它把信任流程直接做進產品裡了 🎯
零售 digibot 在 2026 上半年有 9 成查詢能數位完成，企業客戶則由 DBS Joy 在登入後處理需求。這裡有兩個很關鍵的產品設計：第一，agent 只在 authenticated session 裡工作；第二，只回應客戶主動發起的指令。對金融服務來說，authentication 不是登入頁的技術細節，而是使用者知道「現在誰能讓 AI 動作」的信任邊界。
信用 memo 的 workflow 更有意思。它不是丟一個萬能 chatbot 給 RM，而是拆成 70 多個 specialised tasks，分別整理年報、產業研究與內部紀錄，再合成可供審閱的初稿。RM 和 credit-risk manager 仍然要迭代、判斷並負責最後結果。這其實很像一個成熟的 content workflow：AI 負責把研究和初稿的產能拉高，人負責 context、取捨和 approval。
導入規模也從 150 人 pilot 擴到約 1,500 名員工，但這不代表已經證明 ROI。案例提到信用 memo effort 目標降低 30%，這是 stated goal，不是 measured outcome。更重要的是，公開資料沒有交代架構成本、使用者接受或修改的比例，也沒有 error rate。沒有這些數字，就不能把「多 agent」直接等同於「高轉換率」或「高效率」📈
如果把這個案例轉成行銷團隊可以採用的原則，我會留三條：
- 先定義 authentication 和權限邊界，再決定 agent 能做什麼。
- 把複雜任務拆成可檢查的 steps，讓人知道每一步的輸入、輸出和責任歸屬。
- 報告成效時，把 target、leading indicator 和實際結果分開寫，另外追蹤 acceptance rate、edit rate、error rate。
AI workflow 的轉換率，不只看它能產生多少內容，也看多少內容能被放心採用。這個案例最值得複製的，可能不是 70 個 agent，而是讓人類審核成為產品體驗的一部分！
作者：Stella