一句話總結：一位印度出身的工程師，把客服中心從「樹狀語音地獄」變成「自然對話」，現在更讓AI代理人自主解決問題——每年幫企業省下數十萬美元，還把數年的系統遷移專案壓縮到幾週搞定。
核心要點
- 對話式AI開創者：Mehta在LendingClub設計出美國金融業最早的對話式AI之一，首度將傳統電話網路直接串接雲端自然語言理解服務，解決了同步與非同步架構的致命衝突。
- 每年省下數十萬美元：透過即時音訊串流層，大幅減少錯誤轉接電話，大量合格請求無需人力介入，直接反映在營運成本的數字上。
- 業界標準從他開始：他把語言推論嵌入即時通話路徑的做法，如今已成為全球企業對話式AI的標準設計——換句話說，你打電話給客服聽到的「自然對話」，源頭可能就在這裡。
- 現在轉向代理式AI：2020年加入AWS後，Mehta專注於讓自主軟體代理人「規劃並執行多步驟任務」，不只是回答問題，而是真正幫你把事情做完。
- 時間與成本的破壞式壓縮：他開發的平台把客服中心遷移專案從「耗時數年、花費數百萬美元」壓縮到「數週內自動執行」，已被AWS Professional Services採用為醫療、保險、金融及公共部門的標準加速器。
- 品質驗證也自動化：另一套平台用自主代理人驗證AI行為，把原本數週的人工QA測試週期縮短到幾小時——這不是優化，是打掉重練。
- 給工程師的真心話：「我當年沒學過AI，因為根本沒有這門課。但觀察系統如何失敗、什麼阻礙了它們成長——這個習慣適用於任何技術，包括那些還沒被發明的。」
二〇〇二年，Dipkumar Mehta從印度蘇拉特的C.K. Pithawalla工程技術學院拿到電機工程學士學位時，AI對多數人來說還是科幻小說的範疇。他從電信工程師做起，在HCL Infosystems幫印度企業設計電信系統，接著陸續待過Wipro Infotech、美國運通，甚至飛到華沙幫花旗銀行把客服中心平台升級為現代化多管道架構。聽起來是一條很標準的技術職涯路徑——但如果故事只到這裡，就不會有後來的事了。
二〇一六年，Mehta做了一個關鍵決定：加入舊金山的LendingClub Corporation擔任首席工程師。這不是一般的跳槽，而是從電信與金融服務的「硬」領域，直接切進人工智慧的「軟」核心。他在LendingClub設計並推出的對話式AI系統，是美國金融服務業最早的一批——而且不是做個聊天機器人擺在網站上那種，是直接把傳統電話網路連接到雲端自然語言理解服務。
這裡有個很現實的技術瓶頸：電話網路是同步的、嚴謹的，但雲端AI服務是非同步的、相對較慢的。兩者要對接，就像要讓一個照表操課的公務員和一個即興發揮的藝術家同步工作。Mehta的解法是建立即時音訊串流層，讓系統能在真人可接受的時間內完成處理。結果呢？錯誤轉接的電話大幅減少，大量符合條件的請求直接由AI搞定，不需要人工介入。公司每年省下數十萬美元的營運成本——這不是概念驗證，這是真正的商業價值。
有趣的是，他這種將語言推論直接嵌入即時通話路徑的做法，現在已經變成全球企業對話式AI的主流設計。換句話說，你今天打電話到客服，聽到對方用自然語言理解你的需求，而不是叫你按一堆數字鍵，背後某種程度上就是Mehta當年開創的路徑。他自己說得很直白：「過去的選單樹狀圖，其實是在承認機器無法理解我們。客戶應該能夠用自己的話語和語言表達需求，並在第一次就被正確引導。」
二〇二〇年，Mehta加入AWS，職涯又轉了一個彎。他把重心從對話式AI轉向所謂的「代理式AI（agentic AI）」——不是只會回答問題，而是讓自主軟體代理人規劃並執行多步驟任務。他開發的平台能把過去耗時數年、燒掉數百萬美元的客服中心遷移專案，壓縮到數週內自動完成。這套系統已被AWS Professional Services採用為醫療、保險、金融服務及公共部門客戶的標準加速器。另外他還做了一套配套平台，用自主代理人驗證AI代理行為，把原本數週的人工QA測試週期縮短到幾小時。
說真的，從「讓機器聽懂人話」到「讓機器幫人做事」，這中間的跨度不只是技術難度的提升，更是對「信任」這兩個字的重新定義。
Mehta也在學術圈發表多篇同儕審查論文，從強化學習適應性雲端安全政策，到放射學中保護隱私的分散式機器學習，題材相當多元。但比起論文，我認為他對年輕工程師說的一段話更值得被記住：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。但我具備的習慣是仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這種習慣適用於任何技術，包括那些尚未發明的技術。」
編輯觀點
從產業面來看，Mehta的職涯軌跡正好勾勒出AI落地的兩條曲線：第一條是「對話式AI」——解決的是人機溝通效率問題，這條曲線已經成熟到變成基礎設施；第二條是「代理式AI」——解決的是自主決策與行動問題，這條曲線才剛開始。對台灣多數中小企業來說，與其追最新的AI模型，不如先問自己：我的系統哪裡最容易失敗？哪個流程最耗人力？把資源砸在這些痛點上，效益會比盲目導入AI工具高出好幾倍。Mehta的成功不是因為他懂得最多模型，而是他永遠從「系統怎麼失敗」出發——這才是工程思維的真正精髓。
回頭看Mehta在二〇一六年做的那個決定，其實透露了一個很關鍵的訊號：真正的技術轉折點，往往不是技術本身被發明的那一刻，而是有人找到方法讓它「落地」到既有系統的那一刻。對話式AI的技術很早就有了，但Mehta解決的是電話網路和雲端AI之間的「同步／非同步」矛盾——這不是演算法論文會討論的問題，卻決定了這項技術能不能真正被企業用起來。
同樣的道理，現在代理式AI面臨的挑戰，與其說是模型能力不夠，不如說是「我們敢不敢讓AI自主執行關鍵任務」。Mehta做的第二套平台——用AI驗證AI——就是在解決這個信任問題。這背後反映的思維是：信任不是靠保證，而是靠可驗證的機制。
Mehta在訪談最後講了一句話，我認為是整篇報導最值得劃線的部分：「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。這是一個更困難的工程問題，也是未來十年工作的重點。」這句話精準點出了AI從「理解」到「行動」的關鍵跨越，而這個跨越需要的不是更多數據或更大模型，而是更嚴謹的工程設計、更完善的驗證機制、更務實的系統思維。
行動呼籲：這篇文章對你有什麼用？
如果你是技術決策者或產品負責人，Mehta的經驗給了你一個具體的思考框架：盤點你的系統中最常出錯、最耗人力的環節，問自己「這些任務能不能讓AI代理人自主完成」——不是為了取代人力，而是為了釋放人力去做更有價值的事。如果你是工程師，他的職涯路徑告訴你：深度學習可以之後再補，但「觀察系統如何失敗」的習慣，現在就可以開始養成。最後，不管你站在哪個位置，下次打電話進客服被語音選單困住時，你會知道——這不是技術做不到，而是還沒導入對的設計。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
對話式AI和代理式AI有什麼不同？
對話式AI主要負責「理解並回應」使用者的問題，像是一個聰明的客服；代理式AI則更進一步，能自主「規劃並執行」多步驟任務，不只回答，還幫你把事情完成。
Mehta的技術到底幫企業省多少錢？
他在LendingClub時期透過對話式AI減少錯誤轉接電話、自動化解決大量請求，每年為公司省下數十萬美元的營運成本。後續在AWS開發的代理式AI平台則進一步把客服中心數年、數百萬美元的遷移專案壓縮到數週。
台灣企業導入代理式AI需要哪些準備？
建議從既有系統中最耗人力的流程開始盤點，優先導入能快速驗證效益的場景，同時建立AI行為的驗證機制，確保自主代理人的決策品質可被追蹤與信任。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。