事件
鴻海科技在 2026 年 AI Agent 論壇中展示 CityGPT 平台，將台灣城市交通安全決策週期從數月縮短至 7 天。核心案例是改善易肇事路口的流程：過去需要承辦人員耗費數週調閱各局處事故數據、人工繪製碰撞構圖、召集跨部門專家開會才能決策；現在 CityGPT 自動整合資料、視覺化風險熱區、搭配 AI 預測與數位孿生技術，大幅壓縮準備時間。
鴻海軟體研發處資深經理闕大順強調：「我們的目的不是要取代決策者，而是讓決策者看得更清楚、決策得更快。」這個論述很關鍵——CityGPT 不是奪取公務員的判斷權、而是把原本分散在各局處的資料整合成「每個人都能用的依據」。
決策成本結構的轉變
理解這個案例的第一步，是認知傳統公共決策為什麼慢。不是因為決策官員蠢、而是因為決策前的資訊蒐集與整合成本極高。
經濟學家 Herbert Simon 在 1957 年提出「有限理性（bounded rationality）」：人類決策者的理性不是絕對的、而是受限於認知能力、資訊可取得性、時間預算。決策的速度 = 取決於「決策者需要花多少時間拼湊決策所需的資訊」。
傳統流程的瓶頸清單： - 資料分散：交通局有事故統計、警察局有肇因分析、工務局有路況檢查、都發局有人口密度——沒有一個系統同時擁有這些。 - 格式異質：有人用 Excel、有人用紙本表單、有人用 PDF、有人用內部系統——整合需要人力翻譯與驗證。 - 視覺化成本：從文字數據到腦海中的「風險地圖」，需要專業人員手工繪製碰撞構圖。 - 跨部門溝通：同一個決策涉及 5 個局處、每個都有自己的時間表與優先級，協調本身就是數週。
這些都不是「決策難」的問題、而是「決策前的準備」難。
CityGPT 做的事情很具體：它把這些準備工作從人力密集的流程變成機器可以並行執行的任務。結果是決策週期從「數月」壓縮到「7 天」——不是決策變聰明、而是決策變快。
為什麼這個模式很重要
### 1. 決策加速 ≠ 決策品質提升
這裡有個微妙但關鍵的區別。CityGPT 加速的是決策週期、不是決策品質。一個決策變快 10 倍，不代表決策變聰明；只是說「現在我們用更少的時間、看到一樣好的資訊」。
為什麼這樣區分很重要？因為:
決策品質的上限仍由決策者決定。AI 系統再強、也只能呈現「已知的事」（歷史數據、預測模型）；無法做出真正的「價值判斷」——比如在道路安全與商業通行速度之間的取捨。
鴻海的說法「把經驗變成每個人都能用的依據」很誠實——它承認 AI 的角色是中介化（intermediation），而不是取代。
### 2. 資訊中介化的經濟效應
當決策的瓶頸轉移，整個成本結構會重新計算。
舊成本結構（人力驅動）： - 固定成本：承辦人員薪資、跨部門協調時間 - 邊際成本：每增加一個決策場景、需要額外的人力時間 - 結果：決策數量受限於人力資源
新成本結構（AI 驅動）： - 固定成本：CityGPT 平台開發、算力、資料整合基礎設施 - 邊際成本：接近零（每增加一個決策場景、系統幾乎無額外成本） - 結果：決策數量可以線性擴展、而成本不線性增加
這意味著一個公務機構原本每年只能做 10 個重大路口改善決策、現在可能做 100 個——不是因為人變聰明、而是因為準備的速度變快了。
### 3. 「AI Agent 是勞力的革命」的含義
鴻海董事長在論壇提出一個對比： - AI Tool（工具）= 效率革命：讓一個人做事變快 - AI Agent（代理）= 勞力革命：改變了需要多少人去做事
CityGPT 就是後者——它不是讓一個承辦人員的速度提升 10 倍，而是讓一個承辦人員現在能做原本需要 5 個人的工作（因為資料整合、視覺化、預測模型、跨部門協調都自動化了）。