認識 VINCIS GPT:打造並運作企業 AI 團隊的新方式
了解 VINCIS GPT 如何讓 AI 深度融入團隊的日常工作,協助企業提升效率、加速協作,並持續創造價值。
一項工作的完整紀錄:Work 說明目標,Evidence 提供可回讀的憑據,Outcome 則是系統據此得出的結論——包括「無法確認」。
多數團隊接觸 AI 的方式,是打開一個對話框、提出一個問題、複製一段回答。這條路徑很短,也很實用,但它止於個人。當一項工作需要多人協作、需要留下紀錄、需要有人負責,對話框就不夠用了。
VINCIS GPT 想解決的是後半段的問題:把 AI 從「一個能回答問題的工具」,變成「一個能參與工作、留下證據、接受監督的協作者」。本文介紹它的基本架構,以及團隊通常如何把它導入日常工作。
重點摘要
- 工作被建模為三個物件:Work(要做什麼)、Evidence(憑什麼說做了)、Outcome(系統據此判斷的結果)。
- AI Employee 擁有執行能力,但不擁有核准權——兩者在系統中是分開的。
- 「找不到資料」與「讀取失敗」是兩種不同的狀態,系統不會把後者當成前者。
- 對話內容不會自動成為企業知識,正式的事實需要來源、脈絡與確認依據。
為什麼「使用 AI」和「讓 AI 參與工作」不是同一回事
使用 AI 的門檻很低:你提問,它回答,你判斷有沒有用。整個過程的責任邊界很清楚——判斷在你手上,風險也在你手上。
但當 AI 開始代替你做事——寄一封電子郵件、更新一筆紀錄、呼叫一項外部服務——責任邊界就變得模糊了。誰授權的?做成了嗎?憑什麼說做成了?出了問題誰負責?這些問題在對話框裡找不到答案,因為對話框只有文字,沒有狀態。
模型說「已經完成」,和這件事真的完成了,是兩則不同的訊息。
VINCIS GPT 的設計前提是:模型的自我陳述不構成執行證明。一項工作是否完成,取決於系統能否取得獨立、可回讀的證據,而不是取決於回答裡的措辭。這個前提聽起來保守,卻決定了整個系統的架構。
三個核心物件
為了讓「工作」成為可以被追蹤的東西,VINCIS GPT 用三個物件來描述它。
Outcome 只有四種值,而且刻意保留了「不知道」這一種:
| 狀態 | 意義 | 系統行為 |
|---|---|---|
SUCCESS | 有充分證據證明目標已完成 | 記錄證據來源,結束該 Work |
FAILED | 有證據證明執行失敗 | 保留失敗現場,等待處理 |
UNKNOWN | 現有資料不足以確認成功或失敗 | 停下並要求核對,不重複執行 |
NOT_CONNECTED | 相關的執行或驗證能力尚未連接 | 明確告知缺口,不使用模擬資料 |
多數系統會把「讀取逾時」歸為失敗,或乾脆當作沒有異常。這兩種做法都會製造錯誤的確定性。保留 UNKNOWN 代表系統承認自己不知道,代價是多一次人工核對,好處是不會基於錯誤的結論繼續往下走。
AI Employee 如何加入團隊
AI Employee 是被賦予職責與能力的執行主體。它可以接收任務、拆解問題、提出計畫、在允許範圍內呼叫工具、執行已獲授權的工作,並記錄整個過程。
它不能做的事同樣明確,而且這些限制不是提示詞層面的約定,而是系統層面的約束:
- 不能冒充真人,也不能以真人身分做出核准;
- 不能替自己建立更高的權限,或替自己核准任務;
- 不能把模型輸出直接寫成企業事實;
- 不能在沒有有效證據的情況下宣告任務成功。
換句話說,AI Employee 的能力邊界和權限邊界是兩套各自獨立的機制。能呼叫某個工具,不等於有權決定何時該呼叫它。
權限與核准:誰能決定什麼
系統區分四個經常被混為一談的概念:
- 執行能力——能使用哪些工具、處理哪類任務。
- 請求權限——能不能提出某項請求。提出請求不等於核准請求。
- Owner 權限——只來自系統正式任命並經過驗證的身分紀錄。
- 核准決定——必須來自真實、經過驗證、且有權做此決定的人。
特別值得強調的一點是:電子郵件地址、顯示名稱、職稱、角色標籤、組織名稱,這些都不會產生權限。它們是聯絡方式與顯示資訊,不是授權憑據。一個把自己命名為 admin@ 的帳號,和權限系統裡的 Owner 紀錄之間沒有任何關係。
# 權限判斷的順序(簡化表示) verify identity → 系統中經過驗證的身分紀錄 check capability → 該主體能否執行這類操作 check authorization → 該操作是否已獲有效授權 require approval → 高風險動作需由真人確認 record evidence → 執行結果必須可回讀 # 任一環節無法確認 → 拒絕或暫停,而不是繼續
涉及對外發布、傳送訊息、付款、權限變更或敏感資料處理時,系統會要求確認或核准。未取得有效授權時,它會拒絕執行——這不是故障,而是設計。
企業知識不是聊天紀錄
團隊用得越久,越會遇到一個問題:哪些內容才算數?
VINCIS GPT 的做法是把兩者分開。對話內容、模型推測、AI 生成的文字,預設都不是企業事實。一則資訊要成為正式知識,需要有明確的來源、可還原的脈絡,以及適當的確認依據。無法確認的資訊會維持未知狀態,不會被自動補成一個看似完整的答案。
這條規則的實際效果是:知識庫不會因為用得多而變髒。它成長得比較慢,但成長的部分都是可以引用的。
從試用到日常:一個可行的節奏
多數團隊不需要一開始就全面導入。比較穩健的推進方式是分三步:
- 先做唯讀的事。研究、檢索、整理、分析——這些任務沒有外部副作用,出錯的代價只是重做一遍,適合用來建立對輸出品質的判斷。
- 再接上一到兩個連接器。選擇你能驗證結果的系統,確認授權範圍、操作目標與可能的副作用,然後觀察 Evidence 是否真的能回讀。
- 最後才是自動化。只有在前兩步累積了足夠多、足夠可信的紀錄之後,再討論哪些環節可以減少人工確認。
不要讓 AI 單獨做出可能嚴重影響個人生命、健康、重大權益或法律地位的決定。涉及法律、醫療、財務、稅務、安全或人事的判斷,請由具備相應資格的人員複核。
常見迷思
「輸出看起來很專業,應該沒問題。」流暢度和準確度是兩回事。語言模型在不確定時,也會給出結構完整的回答,這正是需要核對的原因。
「它說呼叫成功了。」請查看 Evidence 與 Outcome。系統提供的執行證明,和模型對執行的描述,不是同一件事。
「這個功能是在本機執行的吧。」除非明確標示為僅在本機處理,否則不要預設如此。實際的邊界取決於你使用的功能、部署方式與呼叫的服務。
把 AI 導入工作,難的從來不是讓它開口,而是讓它說的話可以被檢驗。VINCIS GPT 大部分的設計,都是圍繞著這件事。