1393 個 AI Agent 改一個檔？企業別被多 Agent 迷思燒錢

最近業界流傳一個案例，有人砸了兩萬美金的 token，派出超過一千個 AI agent 去重構一個 Python 檔案。結果另一位工程師出來說，這事一個 agent 花零頭就能做完，而且品質沒有比較差。他把這種現象取名叫協調稅，agent 一多，大家都在互相檢查彼此的作業，沒人真的在做事，只是在開會。

這劇本，人類團隊也演過

我帶團隊十幾年，看到這個案例第一反應不是驚訝，是熟悉。一個人兩週能做完的案子，加到十個人，常常變成開會開三週。人數增加不是效率乘法，是溝通成本的指數成長。AI agent 現在也走進同一個坑，agent 彼此不信任對方的輸出，就會互相重檢，重檢就是成本，成本疊上去，工作本身反而被稀釋掉。

• 超過兩個平行 sub-agent，多數時候在燒token不是在解問題
• 每個agent疊加自己的system prompt，成本會悄悄疊加
• 任務切太細，agent之間互相等待、互相確認，形成隱形的協調成本

賣token的人，沒有理由勸你少開

這裡有個利益結構要看清楚。指出協調稅問題的是模型供應商的工程師，被點名燒錢的案例剛好用的是對手陣營的模型。這不代表誰說謊，但企業在看任何一邊的示範影片時，都該多問一句，這個demo燒的token誰付錢，供應商的商業模式是不是剛好鼓勵你多開幾個agent。工具廠商教你怎麼用工具，立場永遠不會是中立的。

企業導入AI該問的不是要幾個agent

我們在幫企業做系統開發跟AI整合時，第一件事從來不是討論要跑幾個agent，而是先把任務邊界切清楚。任務範圍模糊，開再多agent都在做重複確認的白工。任務邊界清楚，一個agent做完該做的事，做完才回報結果，不用一路輪詢狀態，成本反而可控。這跟帶團隊的邏輯一樣，先把工作拆到每個人能獨立完成、不用互相等，再談要不要加人。

• 先定義單一任務的完成標準，再決定要不要拆多線並行
• 獨立執行緒做完才通知主流程，減少來回輪詢的隱形成本
• 定期檢視token帳單跟產出的對應關係，不是看agent數量看成效

下次看到一百個agent同時開工的demo，先問一句，油錢誰付。