數位勞動力名詞辭典是數位勞動力有限公司整理的 30個核心名詞標準定義，分為核心概念、技術元件、導入與治理三類。概念關係：數位勞動力是數位人力的總稱，AI 數位員工是其成員，AI Agent 是數位員工的核心技術，RPA 負責穩定執行。
名詞混用是導入專案最早出現的誤解來源：供應商說的「數位員工」和企業想像的，常不是同一件事。本辭典依數位勞動力有限公司的專案口徑整理，上位概念見AI 數位員工是什麼，「數位勞動力」的完整說明見數位勞動力是什麼。
核心概念：數位勞動力、AI 數位員工、AI Agent、RPA 各是什麼？
數位勞動力（Digital Workforce）
數位勞動力是由軟體系統組成、承接原本由人力處理之作業的數位人力總稱，成員包括 RPA 機器人與 AI 數位員工。企業導入數位勞動力的目的是把重複性作業交給可全天候執行、可監控稽核的系統，讓人力投入判斷與溝通工作。
AI 數位員工（Digital Employee）
AI 數位員工是被賦予明確職責、資料權限、監控機制與人工覆核關卡、能自主完成一段工作的自動化單元。與單純的 AI 工具不同，AI 數位員工像同事一樣有職責範圍、有負責窗口、每次執行都留下可稽核的紀錄。
AI Agent（AI 智慧代理）
AI Agent 是能理解任務目標、自行規劃執行步驟、呼叫外部工具並依結果調整行動的 AI 程式，是 AI 數位員工的核心技術。企業級 AI Agent 由模型、工具呼叫、知識庫、流程護欄與監控紀錄五個部分組成。
RPA（Robotic Process Automation，機器人流程自動化）
RPA 是以軟體機器人模擬人在電腦上的操作、依預先設定的規則重複執行既定步驟的自動化技術。RPA 不具語意理解能力，適合規則明確、量大重複、資料結構化的流程。
聊天機器人（Chatbot）
聊天機器人是被動回應使用者提問的對話介面。與 AI 數位員工的差別在於：聊天機器人回答完問題即結束，不產出工作成果；可作為人與數位員工互動的入口。
生成式 AI（Generative AI）
生成式 AI 是能依輸入產生文字、影像等新內容的人工智慧技術。在數位勞動力架構中，生成式 AI（大型語言模型）是 AI Agent 的大腦，負責理解與判讀，但需搭配工具、護欄與監控才能承擔正式職責。
大型語言模型（LLM，Large Language Model）
大型語言模型是以大量文本訓練、能理解與生成自然語言的 AI 模型，是生成式 AI 與 AI Agent 的核心。企業使用 LLM 時的關鍵決策是部署方式（API 或私有部署）與資料使用條款。
技術元件：RAG、工具呼叫、IDP、工作流編排各是什麼？
RAG（Retrieval-Augmented Generation，檢索增強生成）
RAG 是讓 AI 先從企業知識庫檢索相關文件、再依檢索結果回答的技術。RAG 使 AI 的回答依據企業實際文件，不靠模型通用知識，並可標示答案出處；知識庫的時效治理直接決定回答品質。
工具呼叫（Tool Use / Function Calling）
工具呼叫是AI Agent 在執行任務過程中呼叫外部系統的能力，例如查詢資料庫、操作 API、讀寫檔案、寄送通知。工具呼叫讓 AI 從「只能回答」變成「能實際完成工作」。
IDP（Intelligent Document Processing，文件智慧處理）
IDP 是以 AI 從發票、單據、合約等文件中辨識類型、擷取欄位、經規則驗證後回寫系統的技術。與 OCR 的差別：OCR 給你文字，IDP 給你可直接入帳的結構化欄位資料。
OCR（Optical Character Recognition，光學字元辨識）
OCR 是把影像上的文字轉換成電子文字的基礎技術。OCR 不理解內容意義，是 IDP 管線中的第一層。
工作流編排（Workflow Orchestration）
工作流編排是把 AI Agent、RPA 與人工節點串接成一條完整流程的機制，負責決定每一步由誰執行、失敗時如何重試、例外時轉給誰。混合架構的穩定性主要來自編排層的設計。
API 整合（API Integration）
API 整合是透過系統提供的應用程式介面直接交換資料的整合方式。相對於畫面操作自動化，API 整合不受介面改版影響、執行更穩定，是數位勞動力有限公司優先採用的整合路徑。
畫面操作自動化（UI Automation）
畫面操作自動化是由機器人模擬滑鼠鍵盤操作應用程式畫面的自動化方式，用於無法取得 API 的老舊系統。系統改版可能導致腳本中斷，需搭配監控告警與維運機制。
導入與治理：PoC、人工覆核、信心門檻、整件直通率各是什麼？
PoC（Proof of Concept，概念驗證）
PoC 是在正式建置前，以去識別化的真實資料在測試環境驗證自動化可行性的階段，量測正確率、例外比例與單件處理時間。PoC 樣本必須包含實際發生過的異常案例，只測正常件的 PoC 會造成上線後的認知落差。
人工覆核（HITL，Human-in-the-Loop）
人工覆核是在自動化流程的關鍵節點保留人工確認的設計，例如 AI 產出草稿由人確認後送出。上線初期採全面覆核的雙軌模式，累積正確率數據後再逐步放寬，是控管 AI 誤判風險的標準做法。
信心門檻（Confidence Threshold）
信心門檻是AI 對自身判讀結果的確定程度低於設定值時，自動停止並轉人工處理的機制。信心門檻是「把不確定性設計進流程」的核心手段，避免 AI 在不確定時仍強行輸出。
例外處理（Exception Handling）
例外處理是預先定義「什麼情況要停下來轉人工」的規則，常見條件包括信心分數低、金額超過門檻、資料缺漏與來源異常。缺少例外處理的自動化一遇異常就會產生錯誤結果並持續累積。
執行紀錄與可觀測性（Observability）
執行紀錄與可觀測性是每次自動化執行留存輸入、輸出、耗時、依據與例外訊息的能力，包含失敗告警、自動重試與版本管理。可觀測性決定自動化出錯時能否回溯、成效能否量測、內稽能否查核。
最小權限原則（Least Privilege）
最小權限原則是只授予數位員工完成其職責所必需的系統與資料存取權限，並保留完整存取紀錄的資安原則。這是企業導入 AI 自動化時控管資料風險的第一道防線。
雙軌運行（Parallel Run）
雙軌運行是自動化上線初期，AI 產出與人工作業（或人工覆核）並行的過渡模式，用實際數據驗證正確率後再逐步放寬人工介入。雙軌期需要預先安排覆核人力與退場條件。
整件直通率（Straight-Through Rate）
整件直通率是一件案件從進入自動化流程到完成，全程不需任何人工介入的比例。與欄位級正確率不同：一張發票只要有一個欄位低信心就會轉人工，因此欄位正確率高不代表直通率高，驗收時兩個口徑都要看。
勾稽（Cross-Document Verification）
勾稽是把一份文件的內容與另一份相關文件核對以驗證正確性的程序，例如發票對採購單、對帳單對應付帳款。勾稽規則的明確程度（對哪張單、容許多少差異）直接決定文件自動化的自動通過率。
假差異（False Discrepancy）
假差異是對帳或核對流程中，因規則未涵蓋（手續費未扣除、沖銷規則未定義、對照表未更新）而被誤判為異常的案件（數位勞動力有限公司的實務口徑）。假差異應在規則層修正，不靠人工消化；差異佇列持續膨脹是規則該修的訊號。
效益基準值（Baseline）
效益基準值是導入自動化之前，對同一流程實際量測的件數、單件處理時間與錯誤率。ROI 只能用「導入後的執行紀錄」減去「導入前的基準值」計算；沒有基準值的效益數字只是推估，無法對內報告。
自動化需求單（Automation Brief）
自動化需求單是向供應商詢價前，用同一組欄位描述單一流程的書面文件：流程步驟、每月件數與尖峰量、涉及系統、輸入資料型態、例外情況、資料敏感度與成功標準。同一份需求單發給多家供應商，報價才能放在同一基準上比較。
資料流向說明（Data Flow Description）
資料流向說明是標示流程中的資料從哪裡取得、傳到哪裡處理、是否留存、留存在哪裡的書面文件，供企業資安團隊在建置前審查。它回答「資料會不會出公司」這一題，是資安審查與私有部署決策的依據。
去識別化（De-identification）
去識別化是在測試或展示前，把資料中能識別特定個人或客戶的欄位移除、遮蔽或替換，讓資料仍保有流程所需的結構與異常型態。PoC 應以去識別化的真實資料執行，供應商準備的示範資料不算數。
私有部署（Private Deployment）
私有部署是把 AI 模型或自動化系統部署在企業自己控制的環境（內網或專屬雲端），讓資料不離開企業環境的部署方式。適用於高度敏感的流程；代價是企業需自行負擔運算資源與部分維運工作。
預算上限（Break-even Budget）
預算上限是在企業要求的回本年數內，一次性導入費用加上各年訂閱與維運費用的合計不得超過的金額，等於年度化效益乘以回本年數。它是損益兩平線，報價應明顯低於此數，保留可自動化比例不如預期時的緩衝。
名詞之間的關係，在三篇核心觀念指南裡有完整說明：AI 數位員工是什麼、RPA 是什麼與AI Agent 是什麼。
看完名詞之後，下一步讀什麼？
想從單點定義走到概念全貌，可依系列閱讀數位勞動力知識庫的完整指南；想直接評估自家流程的自動化就緒度，DW-Fit 8 適性快篩三分鐘可完成，評分規則全文公開。