TrueWatch
立即開始

人機協同 AI Agent:破解審查瓶頸

2026年11月17日

工程團隊導入 AI 是為了加快速度,就某項指標而言,確實奏效。Bain 2026 年對資深技術主管的調查發現,開發者借助 AI 完成的任務約增加 21%,但審查時間約增加 91%。Bain 的結論相當直白:人工審查如今已成為關鍵限制。對任何部署人機協同 AI Agent 的團隊而言,這項發現都至關重要。如果每一份 Agent 產出都要交到人的桌上,這個人就會成為瓶頸,而增加更多 Agent 只會讓佇列更長。

本文將探討數據揭示了什麼、為何審查負擔的成長速度快於產出,以及如何設計 Agent 的交接方式,讓人機協同中的人員查驗的是證據,而不是把工作重做一遍。

AI 讓工程師更快,審查卻更慢

是否採用 AI 已不是問題。Google 2025 年 DORA 研究指出,軟體開發專業人員的 AI 採用率已攀升至 90%,而這項採用目前與更高的軟體交付吞吐量相關。更多程式碼、更多變更、更多工單正在系統中流動。

沒有隨之擴展的是查驗。Bain 於 2026 年 4 月進行的針對 293 位資深技術主管的科技與工程調查為此提供了數據:完成的任務約增加 21%,花在審查上的時間卻約增加 91%。工作的到來速度,快過人們確認其正確性的速度。

DORA 團隊將 AI 視為放大器。用他們的話來說,AI 的主要作用是「放大組織既有的優勢與弱點」。原本就吃緊的審查流程,在湧入的量增加之後不會變得輕鬆,只會更加混亂。

01_after-AI-made-engineers-faster_review-time-chart.png

為何人機協同 AI Agent 會碰到審查天花板

人機協同(Human-in-the-loop)指的是由人員主動參與 AI 運作,提供指引、回饋與監督的系統。對於在生產系統上執行動作的 AI Agent 而言,這種監督通常意味著由人閱讀 Agent 的發現,並決定下一步。模式本身沒有問題,問題在於容量。

Agent 增加五倍,審查者仍只有一人

Bain 的受訪者預期每個團隊的 Agent 數量將成長近五倍。如果每個 Agent 回傳的都只是一個光禿禿的答案(「原因出在資料庫」),審查者在信任它之前,就必須先重建推理過程:重新開啟儀表板、重跑查詢、再次閱讀日誌。到了這一步,Agent 省下的時間所剩無幾,而審查者需要驗證的答案卻多了五倍。

同一篇 Bain 文章描述了一個高產量工程組織如何因應:每週約合併 1,300 個由 AI 撰寫的 pull request,且全數與其他變更一樣經過相同的人工審查。人工審查依然保留,必須改變的是每次審查所需的工作量。

同樣的模式也出現在維運領域

這不僅僅是程式開發的故事。同一份報告的資安章節指出,AI 驅動的掃描已讓弱點警示增加多達八倍,並建議以「人機協同」的方式自動化較簡單的修復。

值班團隊對這筆帳再清楚不過。Google 的 SRE 指引發現,處理單一值班事件(含事後檢討)平均約需 6 小時,因此將負載上限訂為每個 12 小時班次 2 起事件。AI SRE Agent 調查的每一則警示,最終仍由人決定如何處置。如果這個人必須重複調查一遍才能信任結果,事件的處理時間就與以往一樣長。

什麼讓人工審查變快

解法不是移除人,而是改變 Agent 交回的內容。Bain 的受訪者將安全、風險與治理防護機制列為擴展 Agent 的首要推動因素,占 43%,另有 41% 期望採用風險分級模式,將較高風險的變更交由人員處理。良好的 AI Agent 治理能讓審查更快,因為它明確告訴審查者眼前看到的是什麼。

執行前先界定範圍

當審查者事先知道邊界,行動就更快。Microsoft 關於 Agent 治理的指引建議團隊僅授予 Agent 其職能所需的特定資料來源存取權。當 Agent 的角色、資料與工具都事先固定,審查者就不必猜想它還動過哪些東西。

答案附帶證據

附有證據的發現,才是可以查驗的發現。這包括執行過的查詢、查詢回傳的結果,以及結論所依據的訊號。Forrester 明確點出標準:每一項自主行動都必須被記錄,並能向稽核人員自證合理。滿足稽核人員的同一份紀錄,也能讓工程師不必從頭來過就能確認根因。

依風險調整核准層級

並非每項產出都需要同等程度的審視。Forrester 建議讓 Agent 從設有核准關卡與回復路徑的有限任務開始,並在控管機制獲得驗證後再擴大自主權。一份核准請求若載明動作內容、影響範圍以及能否復原,審查者只需讀一遍就能做出決定。

02_after-approval-sized-to-the-risk_risk-ladder.png

應用於 AI SRE 與事件應變

試想 14:25 時結帳服務出現延遲警示。只給答案的 Agent 回覆「可能是部署有問題」,審查者隨後得花半小時來證實。

以證據為先的 Agent 則會回覆:14:20 的部署事件、自 14:22 起連線池指標持續頂在上限、日誌中的逾時次數,以及取樣追蹤得出的 p95 延遲,並附上一個等待核准的預備回復方案。審查者掃過四項證據、確認回復的範圍,然後做出決定。同一個人、同樣的責任歸屬,重工卻少得多。

隨著 Agent 數量增加,AI 事件應變需要的正是這種轉變:人依然在迴路之中,但迴路變短了。若想進一步了解如何將調查與決策分開,請參閱我們的文章:IT 維運中的 AI:Agent 負責調查,人負責決策。

Toby AI Agents 如何提供協助

Toby AI Agents 是在您的 TrueWatch 工作空間中、基於既有遙測資料運行的 AI 隊友,並圍繞上述交接方式而設計。

  • 由您設定範圍。 您可定義每個 Agent 的角色、資料範圍與可使用的工具。角色包括 SRE、Security、AppDev、FinOps 與 Custom。
  • 先調查,再提出發現。 Agent 會進行調查、執行檢查,並回傳發現與建議修復方案。以 SRE Agent 為例,它會讀取其範圍內服務的指標、日誌與追蹤,並提供可能原因、相關證據,以及待您核准的回復或擴縮變更。
  • 每次執行皆留有證據。 每次執行都會記錄所呼叫的工具、工具回傳的內容,以及答案背後的證據。
  • 每項變更都需經您核准。 任何會變更系統的動作都會等待您的核准。請求中會顯示動作內容、影響範圍以及是否可逆,並提供「核准」或「拒絕」選項。
  • 在您的團隊慣用的地方運作。 Agent 可從儀表板、警示、DQL 查詢、Slack 或行動裝置啟動,沿用時間範圍、服務與篩選條件等上下文,並可由警示、排程或提問觸發執行。

若想了解這些控管機制背後的設計思維,請閱讀我們如何將信任設計進 Toby AI Agents。

03_after-how-toby-ai-agents-help_approval-card.png

常見問題

什麼是人機協同 AI Agent?

它們是執行調查或分析等工作,再將決策交還給人的 AI Agent。人員負責審閱結果,並核准或拒絕任何動作,尤其是會變更生產系統的動作。

為什麼 AI 會增加審查時間?

Bain 2026 年調查發現,開發者借助 AI 完成的任務約增加 21%,審查時間卻上升約 91%。產出越多,需要驗證的也越多,而缺乏佐證的產出會迫使審查者重複工作才能信任結果。

AI Agent 治理如何加快審查?

明確的範圍、有紀錄的證據與基於風險的核准,能讓審查者知道 Agent 能存取什麼、發現了什麼,以及想要做什麼。這會把審查變成對證據的查驗,而不是一次全新的調查。

Toby AI Agents 會自行對生產環境進行變更嗎?

不會。Toby AI Agents 在您指派的範圍內進行調查並提出修復建議。任何變更都會等待您的核准,且每次執行都會保留所呼叫的工具、其回傳內容以及答案背後的證據。

委派調查,保留決策

AI 已讓工作變得更快。下一步是在不將人排除在外的前提下,讓審查也變快。Agent 交回範圍明確、附有證據的發現並等待核准,既讓工程師保有主導權,也讓他們省回重複查驗所耗費的時間。了解 Toby AI Agents 如何運作。

Get in touch background

開始使用 TrueWatch