a16z × KAVAK · 原始發布 2026.08.10

不是把 AI 加進公司，
而是重畫整間公司

一家二手車平台的管理者描述：當 agent 能持續服務每位客戶，真正的改造不在工具採購，而在產品、流程、團隊與衡量方式能否一起重寫。

來源為 a16z 對 Kavak 管理層的訪談。本頁清楚區分受訪方的營運陳述與可獨立驗證的事實；涉及成效的數字並非本頁自行驗證。
舊問題替既有工作加一個 AI 工具，通常只改變局部效率。
新問題若 agent 成為服務與決策的基本單位，整間公司的介面、責任與指標要怎麼重畫？
檢查點先看證據、評估機制與風險邊界，再談「AI 原生」的成果。
SCROLL

PART 1

先把「導入」和「重造」分開。

訪談中的 Kavak 把自己定位為二手車交易、整備、融資與物流都得垂直整合的平台。受訪者的起點不是「哪個職位可以換成 AI」，而是假設未來模型能力更高時，重新問：若今天從零開始，這家公司會長什麼樣子？

這個框架的含義是：把 agent 放在舊流程旁邊，可能讓流程更快；但若客戶資料、長期記憶、決策權與跨部門交接都還遵循舊架構，改變仍然是局部的。

工具層讓人更快寫、找、回覆；原本的工作切分大致不變。
流程層把 agent 接進特定步驟，但資料、責任與例外處理仍可能斷裂。
系統層重畫客戶旅程、資料記憶、評估與團隊分工，才是受訪者所說的重造。

PART 2

一位客戶，對應一個持續運作的 agent。

受訪者描述的架構是：客戶進來後，系統會為該客戶建立專屬 agent 與虛擬機，保留過往互動脈絡，再為長期關係制定行動策略。這不是宣稱已被本頁驗證的技術事實，而是 Kavak 對自身設計的說法。

客戶脈絡瀏覽、通話、交易與後續需求若能被安全連接，服務不必每次從零開始。
↓
專屬 agent在受控權限內提出下一步，而不是只回答一次性問題。
↓
可追溯的服務每個決策都需要能被評估、覆核、修正；否則「記得更多」也會放大錯誤。

把服務做成長期記憶系統，同時提高隱私、權限、錯誤傳播與申訴處理的重要性。這些是部署前需獨立檢查的治理問題，不是產品宣傳的附註。

PART 3

聲稱的成效，必須回到評估設計。

影片描述 Kavak 有大量客戶互動及交易由 agent 處理，並提到 agent 銷售轉換、快速核貸與 AI CEO 實驗的成效。這些是受訪管理層提供的案例與數字；它們可以啟發要問的問題，卻不等於外部已驗證的基準。

受訪者特別強調，工程團隊在 evals 上投入的力氣可與建 agent 相當。這是值得保留的操作原則：沒有明確的對照組、失敗案例、持續監測和人類覆核，「更有效率」很容易只是未被測量的故事。

比較什麼？與哪個人類或舊系統相比？樣本是否可比？
漏了什麼？拒絕率、申訴、風險成本、偏差與長期留存是否一起計入？
誰能叫停？何時升級給人、如何回復、誰對錯誤負責？

PART 4

組織改造的瓶頸，是每個人能不能參與建造。

訪談提到「Jedi Academy」：從管理者、工程師到技師都接受訓練，並在短期內把 agent 推到正式環境。它的核心不是把人人變成模型研究員，而是讓第一線理解何處需要自動化、什麼不能自動化，以及如何把經驗寫進可驗證的工作流。

這也帶來一道很現實的分界：若企業只把 AI 視為成本節省，第一線通常只會看見取代；若把它視為重畫服務品質、風險處理與能力分工，訓練、授權與保護措施就必須同步設計。

PART 5

最昂貴的不是模型，而是捨棄舊架構的能力。

受訪者回顧團隊曾放棄一套投入兩年的多 agent 架構，改為一位客戶一個 agent。這種「創造性破壞」是否值得，不能由口號決定；它要靠版本化的實驗、清楚的退出條件與可回復的營運設計。

把這個觀點放到更廣的企業 AI 討論，最有用的問題或許不是「哪個模型最好」，而是：我們是否還在用工業時代的組織圖，管理一個需要持續學習與覆核的數位服務系統？

AI 的價值不只在替舊流程省幾分鐘；更難的工作，是把公司改造成能安全驗證、修正與擴張新流程的系統。

這是對受訪方「重造公司」主張的整理，不是對其成效數字的獨立背書。

你會先審查 AI 改造的哪一層？

這不是測驗；選出你認為最不能被產品敘事跳過的檢查點。

你的觀點

想看原始對談與完整脈絡？

a16z 的原始訪談包含 Kavak 對 agent 架構、評估、融資流程、訓練與組織改造的完整說明。請將受訪方的營運數字視為來源陳述，並搭配獨立證據判讀。

閱讀完整文章 →