很多團隊想做 AI 工作流時，會先問「要用 Zapier、n8n、RPA 還是 Agent？」比較好的起點是把任務拆開：資料從哪裡來、規則是否固定、AI 要不要自己判斷、出了錯能不能補救、最後需不需要人確認。
先用這句話判斷：如果任務能寫成「當 A 發生，就照固定步驟做 B、C、D」，優先用工作流自動化；如果任務主要卡在舊桌面系統或沒有程式介面（API），再評估機器人流程自動化（RPA）；如果任務每次都要判斷下一步、查不同資料、處理例外，才進入 AI Agent（AI 代理人）的範圍。
AI 工作流（workflow）不是把所有事情丟給聊天機器人。它更像一條可觀測的生產線：觸發條件（trigger）進來，資料被整理，AI 做有限判斷，工具執行動作，系統留下紀錄，必要時停在人工審核。Anthropic 在 Building effective agents 裡也把工作流和 Agent 分開：工作流沿著預先設計的路徑運作，Agent 則讓 AI 動態決定流程與工具使用方式。
一分鐘看懂：AI 工作流、自動化、RPA、Agent 差在哪
下面這張表先把名詞對齊，避免把所有自動化都叫 Agent。
| 類型 | 它在做什麼 | 適合情境 | 不適合情境 |
|---|---|---|---|
| 一般工作流自動化 | 依照固定觸發條件與步驟串接工具 | 表單送出後建立任務、同步客戶關係管理系統（CRM）、寄通知、整理固定格式資料 | 每次都要重新判斷流程或處理模糊例外 |
| AI 工作流 | 在固定流程中加入生成式 AI 的分類、摘要、改寫、抽取或評分 | 信件分類、會議摘要轉待辦、客服問題分流、報表初稿 | 沒有驗證規則、輸出錯了無法回復、權限過大 |
| 機器人流程自動化（RPA） | 用軟體機器人操作桌面或網頁介面 | 舊系統沒有 API、只能點畫面、複製貼上、下載上傳檔案 | 介面常改、資料格式不穩、流程需要大量語意判斷 |
| AI Agent | 讓 AI 依目標規劃步驟、呼叫工具、觀察結果並修正 | 研究、客服工單判斷、銷售線索整理、程式碼小任務、跨工具例外處理 | 高風險不可回復動作、沒有日誌與人工審核、成本無法控管 |
| 人工輔助流程 | AI 只產生草稿、建議或檢查結果，由人決定 | 法務、人資、財務、品牌聲明、客訴補償 | 想完全省掉責任歸屬時 |
Microsoft 的 Power Automate desktop flows 文件把桌面流程放在 RPA 能力下，用來自動化重複的桌面流程；這和 Zapier、Make、n8n 這類主要串接雲端服務與 API 的工具不同。n8n 的 AI Agent 節點文件則把 Agent 放進工作流節點裡，適合需要工具呼叫與流程控制的團隊。
先選自動化型態，再選工具
工具選錯，常見原因通常是任務類型判斷錯，不一定是工具本身不夠好。先用這個順序：
- 能不能用固定規則寫完？ 能，就先做一般工作流或 AI 工作流。
- 系統有 API 或既有整合嗎？ 有，優先用 Zapier、Make、n8n 或內部程式；沒有，才看 RPA。
- AI 只是分類、摘要、抽取，還是要自己規劃下一步？ 前者放在工作流節點裡，後者才考慮 Agent。
- 錯誤會不會造成付款、寄錯信、刪資料、合約風險？ 會，就要人工審核與停止條件。
- 每次執行能不能驗證？ 不能驗證的流程，不要急著自動化。
| 任務特徵 | 優先選擇 | 為什麼 |
|---|---|---|
| 表單、Email、試算表、CRM 之間的固定同步 | Zapier、Make、n8n、內部程式 | 步驟可預測，失敗也容易重跑或補資料。 |
| 固定流程中需要摘要、分類、抽取欄位 | AI 工作流 | 讓 AI 處理非結構化文字，但流程仍由你控制。 |
| 舊 ERP、桌面軟體、政府網站、內部系統沒有 API | RPA | 軟體機器人可以操作畫面，但要承受介面變動風險。 |
| 客服工單、銷售線索、研究任務需要依內容改路徑 | AI Agent + 工作流護欄 | Agent 負責判斷與工具選擇，工作流負責觸發、記錄、審核和收尾。 |
| 法務、財務、人資、客訴補償、刪除資料 | 人工審核流程 | AI 可先整理與檢查，高風險決策保留給人。 |
一個實用的判斷方式：工作流負責穩定，AI 負責理解，人負責責任邊界。 只要三者混在一起，後面就會很難除錯。
Zapier、Make、n8n 怎麼分
如果你的任務主要在雲端工具之間流動，通常會在 Zapier、Make、n8n 之間選。這三者都能接 AI，但適合的團隊不同。
| 工具 | 最適合誰 | 優勢 | 先注意的限制 |
|---|---|---|---|
| Zapier | 非工程團隊、業務、行銷、客服、快速原型 | 上手快、應用整合多，Zapier 官方頁面強調可連接 9,000+ 應用（apps）；也有 Zapier Agents 讓代理人接公司資料與應用動作。 | 複雜分支、細節控制、成本預估要仔細看；高風險動作不要直接全自動。 |
| Make | 重視可視化流程、想看清每一步資料如何流動的營運團隊 | 情境流程（Scenario）介面適合拆分支、看資料流、做較細的流程設計；官方 Help Center 提供 scenario、錯誤處理與常見應用文件，延伸教學可看 Make AI Agents。 | 初學者需要時間理解資料結構、模組與錯誤處理。 |
| n8n | 技術團隊、需要自架、API、程式節點、內部系統整合的團隊 | 控制力高，可自架；官方 hosting 文件提供自託管指南，n8n AI Agent 節點也能放進工作流。 | 需要維運、權限與部署能力；非技術團隊可能需要工程協助。 |
| 內部程式或平台 | 有工程團隊、流程接近核心系統 | 成本、權限、日誌與測試都可控 | 開發與維護成本高，需求還不穩時不適合先重做平台。 |
價格與免費額度會變，本文不把精確金額當成決策核心。比較時請看三件事：計價單位是任務、操作、座席還是運算；失敗重跑是否計費；AI 呼叫費是否另算。Zapier、n8n 的官方定價（pricing）頁面在 2026-06-19 已重新檢查，Make 的公開定價頁可能因地區或防護機制顯示不同，實際採購前仍應回到官方頁確認。
三個最常見的 AI 工作流場景
場景一：客服或業務信件分流
- 讀者情境：每天有大量 Email、表單或客服訊息，人工先看一次才知道要分給誰。
- 交給 AI 的任務：判斷意圖、抽取客戶名稱與需求、標記急迫度、產生回覆草稿。
- 預期輸出：一筆 CRM 紀錄、一張待辦、一段可編輯回覆草稿、Slack 或 Teams 通知。
- 怎麼驗證：抽樣 30–50 封真實訊息，比對分類正確率、漏掉高優先級訊息的比例、人工修改幅度。
- 風險與不適合：退款、合約承諾、醫療法律建議、客訴補償不要直接自動送出；先停在草稿與分流。
這類任務通常先用 Zapier、Make 或 n8n 做觸發與收尾，中間放一個 AI 分類/摘要節點即可。若每封信都需要查訂單、讀歷史紀錄、再決定下一步，才把 Zapier Agents 或 n8n AI Agent 放進試點。
場景二：週報、會議摘要與營運報表
- 讀者情境：營運或主管每週要整理 Notion、Google Sheets、Slack、會議記錄與工單狀態。
- 交給 AI 的任務：摘要變動、找出阻塞、整理成固定段落，提醒缺資料的負責人。
- 預期輸出：週報草稿、待補清單、風險摘要、下一週行動項目。
- 怎麼驗證：對照原始資料是否漏掉重要事件；檢查每個數字是否能回到來源；讓負責人確認摘要是否扭曲語意。
- 風險與不適合：財務數字、績效評等、公告給客戶的正式內容，要保留人工確認。
這是 AI 工作流的典型起點：AI 負責把非結構化文字整理成草稿，工作流負責拉資料、寄通知、建立任務和留下紀錄。如果你還不知道怎麼拆步驟，可以先看 AI 自動化實戰案例集。
場景三：舊系統資料搬運或對帳
- 讀者情境：公司有 ERP、銀行後台、政府網站或老舊內部系統，沒有好用 API。
- 交給自動化的任務：登入、下載報表、複製欄位、上傳檔案、做格式檢查。
- 預期輸出：下載檔案、更新後的表格、對帳異常清單。
- 怎麼驗證：比對筆數、總金額、檔案雜湊或來源時間戳，保留執行截圖與錯誤紀錄。
- 風險與不適合：畫面常改、驗證碼多、操作會直接付款或刪除資料時，不要只靠 RPA。先降低權限，或把高風險步驟停給人確認。
RPA 的價值在「沒有 API 也能自動化」，但這也代表它常依賴畫面穩定度。若系統其實有 API，優先走 API 或工作流工具，會比模擬滑鼠鍵盤更可靠。
第一個 AI 工作流怎麼做：七步檢查
不要一開始就做「全公司 AI 自動化」。第一版應該小、可測、可停。
- 選一個每週重複的任務：例如信件分流、週報草稿、會議摘要、表單整理。
- 寫出輸入與輸出：輸入是 Email、表單、文件還是資料表；輸出是草稿、任務、通知還是更新紀錄。
- 標記 AI 只負責哪一步：分類、摘要、抽取、改寫、評分、查資料，避免讓 AI 同時負責所有事。
- 定義驗證規則：欄位是否齊全、數字是否能回來源、摘要是否漏掉關鍵句、任務是否建立成功。
- 限制權限：第一版盡量只讀資料或產生草稿；寫入 CRM、寄信、刪檔、付款要有人工確認。
- 保留日誌與重跑方式：每次執行要知道輸入、輸出、AI 回覆、工具錯誤與誰批准。
- 設定停止條件：錯誤率超過門檻、成本超出預算、資料來源變動、重要欄位缺失時，自動停止或退回人工。
如果這七步寫不清楚，先不要買更大的平台。把流程拆小，通常比換工具更有效。
什麼時候升級成 AI Agent
Agent 適合處理「固定工作流寫不完」的任務，但它不是成熟流程的捷徑。你可以用下面的訊號判斷是否值得升級：
- 每次輸入都不同，AI 需要先判斷缺什麼資料。
- 流程中可能要選不同工具，例如查 CRM、讀文件、搜尋網頁、建立任務。
- 需要觀察工具回傳結果，再決定下一步。
- 任務有明確成功標準，可以測試與審核。
- 錯誤可回復，而且高風險動作能停給人確認。
若任務只是「收到表單就寄信」或「每週五整理固定報表」，Agent 會增加成本與除錯難度。AI Agent 應用案例 會更完整地拆客服、銷售、工程、營運與個人助理該怎麼選；本文的重點是先判斷自動化型態。
工具選型的風險紅線
AI 工作流最容易出問題的地方，通常是權限與驗證設計太鬆，讓錯誤回覆一路進到正式系統。
| 紅線 | 為什麼危險 | 比較安全的做法 |
|---|---|---|
| AI 可以直接寄出外部信件 | 一次錯誤可能造成客訴、法律或品牌風險 | 先產生草稿，人工確認後送出。 |
| AI 可以刪檔、付款、改合約或改客戶資料 | 錯誤不可回復，責任難追 | 只允許建立待辦或提出建議，高風險動作需審批。 |
| 沒有日誌 | 出錯後不知道是資料、提示、AI 判斷還是工具造成 | 保存輸入、輸出、工具回傳、人工批准與錯誤訊息。 |
| 用真實敏感資料直接測試 | 可能外洩個資、商業機密或客戶資料 | 用去識別化樣本與沙盒帳號測試。 |
| 只看 demo，不測失敗案例 | 真實流程常卡在邊界情境 | 準備錯誤格式、缺欄位、重複資料、權限不足等測試。 |
如果你是非工程團隊，先用 零程式碼 AI 工具 或 AI 自動化工具比較 做小範圍驗證。若你需要自架、API、程式節點與更細權限，再往 n8n 或內部平台走。
常見問題
AI 工作流和 AI Agent 最大差別是什麼？
AI 工作流通常沿著你設計好的路徑運作，例如收到表單後分類、建立任務、寄通知。AI Agent 則會依目標動態選步驟與工具，觀察結果後再修正。任務規則固定時先用工作流；任務需要判斷、查資料、處理例外時，再考慮 Agent。
Zapier、Make、n8n 新手應該先選哪一個？
只想快速串接常見雲端軟體（SaaS），先看 Zapier；想把分支與資料流看得更清楚，可以試 Make；需要自架、接 API、寫程式節點或連內部系統，n8n 較適合。真正的關鍵在於你的任務需要多少控制力與維運能力，不用追求表面上功能最多的工具。
RPA 還值得學嗎？
值得，但用途要放對。當舊系統沒有 API、只能在桌面或網頁畫面操作時，RPA 仍然有價值；如果系統有 API 或既有整合，走工作流工具通常更穩、更好測試，也比較不怕介面改版。
第一個 AI 工作流要不要直接接正式資料？
不要。先用去識別化樣本、沙盒帳號或只讀權限測試，確認分類、摘要、欄位抽取與通知都能被驗證，再逐步開放寫入。第一次上線應該保留人工確認與成本上限。
本文來源與檢查範圍
- Anthropic：Building effective agents，用來區分預先設計的 workflow 與動態決策的 agents。
- Microsoft Learn：Introduction to desktop flows，用來確認 RPA/desktop flows 的定位。
- Zapier：Zapier Agents 與 Zapier pricing，用來確認應用整合、Agents 與定價頁資訊。
- n8n Docs：AI Agent node 與 hosting documentation，用來確認 AI Agent 節點與自架文件。
- Make：Help Center，用來確認 Make 的 scenario、錯誤處理與常見應用文件入口。
最後更新：2026-06-19。工具計價、免費額度、整合數和 AI 功能可能變動；採購或正式導入前，請回到官方頁面確認最新限制與資料處理條款。