謝至恩這套思路並不是以 AI 代理取代所有自動化，而是先讓 AI 理解企業的運作方式，再透過流程編排協調代理、軟體與人員。不過，Daniel Dines 也坦承，保留人工審查並不代表問題已經解決：AI 產出的細微錯誤可能增加檢查負擔，過於簡單的建議則可能讓人淪為只負責蓋章的核准者。
AI 不缺通用知識，缺的是企業如何工作的脈絡
Daniel Dines 以新進員工為例說明企業知識的落差。即使員工具備通用知識或產業經驗，仍得在到職後逐漸理解公司的內部用語、流程例外與客戶處理方式。這些知識可能分散在不同系統，也可能只存在於資深員工的經驗中，並沒有一份文件能完整記錄。
他指出，讓 AI 參與會議並產生逐字稿或摘要，不等於模型本身就像員工一樣，透過經驗逐漸理解企業。因此，要讓代理在企業情境中運作，還需要把組織如何工作的知識整理成可供參考的依據。
Daniel Dines 提出的 Cartographer Agent，扮演類似業務顧問的角色，整合流程圖、標準作業程序與其他文件，也能透過語音訪談領域專家，並記錄員工在螢幕上示範的操作。例如，應付帳款人員可以展示如何處理發票，讓代理蒐集實際工作步驟。這些資訊會彙整成 Map of Work（工作地圖），作為 AI 代理理解流程與提出建議的基礎。
工作地圖不能只做一次，人工修正成為更新線索
企業流程的難題不只是缺乏文件，也在於文件很快就會過時。 Daniel Dines 表示，一次性的流程盤點不可能涵蓋所有例外；當新情況出現、法規或作業方式改變，原本的流程快照就不足以描述現況。
該如何將企業多變的工作流程確實導入至自動化作業中？企業先建立初始工作地圖，再由方案架構師與業務人員共同設計流程，結合 AI 代理、 API 自動化、 RPA 與人工決策，並利用程式開發代理 (coding agent) 建立相關構件。導入初期，人員保留在核准流程中，AI 先提出建議，而非直接執行具重大後果的動作。
人工對 AI 建議所做的修正，則成為發現遺漏規則的線索。 Daniel Dines 以發票核准為假設案例：如果多筆超過特定金額的發票都被人員送交較高層級主管核准，系統便可據此提出可能存在金額門檻的推論，再向人員確認。確認後，規則才補回工作地圖；若能轉成明確的軟體邏輯，也可進一步建立自動化規則。
這種回饋機制並不是讓 AI 自行推論後就改寫企業政策，而是透過實際作業持續找出例外，再由人員確認，讓工作地圖隨企業營運更新。
不只提供編排層，UiPath 要整合判斷與執行
本刊提問：UiPath 究竟是自動化供應商，還是協調 AI 代理、機器人與人員的企業編排層？Daniel Dines 表示答案並非二選一。他指出，當非確定性的 AI 技術進入原本的自動化流程，就需要更上層的編排能力，安排軟體步驟、人工決策與不同代理之間的交接。
「我們不想只做編排。」Daniel Dines 表示，他不認為編排引擎應完全獨立於下層自動化，因為兩者需要交換文件與資訊。 UiPath 的方向，是把編排、自動化與 AI 代理整合在同一平台，讓工作地圖也能在其中持續發揮作用，而不是為企業再增加一套孤立工具。
UiPath 既有的 UiPath Maestro 可編排 AI 代理、自動化工作流程與人工決策。其 UiPath for Coding Agents 則將程式開發代理接入企業自動化的開發、測試、部署與治理流程，首波支援 Claude Code 與 OpenAI Codex 。這些能力也呈現其平台定位：代理可以負責推理或協助建立軟體，但執行與治理仍需要企業流程承接。
工具權限逐步開放，確定性工作不必每次消耗 token
談到如何治理眾多的 AI 代理，Daniel Dines 把重點放在它能呼叫哪些工具，以及這些工具可能造成什麼後果。舉例來說，讀取限定資訊、搜尋更大範圍的資料、寫入系統、寄送客戶郵件與執行付款等工作，授權標準當然不盡相同。企業應依風險設定不同信任等級，並根據代理在實際案例中的表現，逐步擴大可使用的工具範圍。
他以付款判斷為例，表示企業可以累積足夠的決策紀錄與驗證結果，再考慮小範圍對特定案件移除人工核准步驟，而不是一開始就開放代理自主執行。當底層模型更換時，也不能假設新模型必然更可靠；企業可以用過往案例重新測試，必要時降低代理自主權，恢復人工介入。
另一方面，Daniel Dines 認為，如果工作可以用確定性軟體 (deterministic software) 完成，就應優先採用軟體，不必為了使用 AI 而引入額外的不確定性與 token 支出。他區分 AI 協助開發自動化，與 AI 直接執行交易這兩種角色：coding agent 可以在設計階段產生程式，經過測試後，再由軟體依明確規則執行工作。
在這個分工下，Cartographer Agent 協助釐清要自動化的流程，coding agent 縮短建置時間；當既有系統改變、造成自動化失效，也可利用 coding agent 協助分析原因並修復。 AI 的用途不只是在執行階段做判斷，也包括降低傳統自動化的開發與維護負擔。
人工審查也會疲乏，責任不能交給 AI
即使企業保留人工核准，審查品質仍是另一道關卡。 Daniel Dines 指出，目前 coding agent 的一個瓶頸就是人類審查程式碼；部分 AI 生成程式並未獲得充分檢查，結構混亂的程式碼也會帶來風險。類似問題同樣可能出現在 AI 提出的業務建議上。
如果 AI 經常犯下難以察覺的細微錯誤，人員可能花更多時間尋找問題；但如果它只提供人員早已知道的簡單建議，人工核准又可能變成形式。 Daniel Dines 認為，要把建議的內容與介入方式調整到真正有用的程度，並不容易。
「有人必須為錯誤負責。」Daniel Dines 強調，即使工作交由代理執行，企業也不能以「是 AI 做的」理由卸下責任。負責的人員必須能掌握 AI 代理正在做什麼，也必須有能力隨時停止它。監督 AI 因此不是附帶工作，而是企業導入代理後需要建立的職責。
他也認為，人的價值將更多體現在設定目標、主動推動改變、維繫客戶信任，以及理解不同工作構件如何協作。企業仍需培育年輕人才，讓他們更早參與策略討論，並與資深員工建立雙向學習關係。從個人助理走向能處理企業流程的代理團隊，Daniel Dines 預期仍需要多年；關鍵不只是讓 AI 做得更多，而是讓企業能持續理解、驗證並承擔它所做的工作。