AI 導入的五個階段
Claude Code 之父 Boris Cherny 的企業 AI 成熟度地圖：從 0 個 agent 到 1,000+ 個。你的組織卡在哪一階？下一步要解鎖什麼？
tl;dr
Cherny 把企業導入 AI 分成階段 0（門禁期，AI 還進不了公司）到階段 4（AI 原生，1,000+ 個 agent 自己跑）。每晉一級要跨的門檻都不一樣。全篇的洞察：瓶頸從來沒消失——每晉一級，它就從機器搬回人身上一次。
Cherny 看到的落差
Boris Cherny 是 Claude Code 之父——Anthropic（美國，未上市）旗下這款 agentic coding 工具的創造者與負責人。2026 年 7 月 16 日，他發了一則觀察，後面附上這張成熟度地圖。
— Boris Cherny（@bcherny，2026/7/16）
這張表想回答的問題很直接：你的組織現在卡在哪一階？下一步要解鎖什麼，才能往上爬一級？
（推文說的「4 steps」指四次晉級；表格是階段 0–4 共五格——五個位置、四道門檻。）
五階樓梯：agent 數量怎麼跳
五個階段疊成一道樓梯，agent 數量一階跳一個量級。
五個階段的 agent 數量級
點的數量與密度代表 agent 數的數量級（不是精確計數）：0 → 1 → ~10 → ~100 → ~1,000+，每一階都跳一個數量級。
總覽表
| 階段 | agents | 你的角色 | 解鎖時刻 |
|---|---|---|---|
| 階段 0 · 門禁期 | 0 | 還沒開始 | —（尚未解鎖；這一階重點是先讓 AI 工具合法進得了公司） |
| 階段 1 · 輔助期 | ~1 | 你＋一個 agent（結對） | 本來要花一個下午的改動，開會空檔就做完。 |
| 階段 2 · 並行期 | ~10 | 協調者（orchestrator） | 團隊要花好幾週的 backlog，變成一個人一個下午的協調。 |
| 階段 3 · 監督式自主 | ~100 | 管理者的管理者（帶一棵組織樹） | 以前要等人有空才做的維護與清理，現在在背景自己跑。 |
| 階段 4 · AI 原生 | ~1,000+ | 用意圖帶隊的 VP | 一整季的遷移工程，變成按下去、之後看進度的 workflow。 |
階段 0：門禁期（Gated）
角色：還沒開始 · Agents：0
長什麼樣子
只核准較舊或更輕量、更快的模型；延遲隨著 AI gateway 與客製 auth 層層疊加；沒有 MCP（模型上下文協定，Model Context Protocol）治理；內部要用 AI 工具得走冗長流程，或直接被卡住。沒有 IT 基礎建設或核准流程，能讓 Claude 產出的程式碼或 artifact 上線——產出只存在本機。
瓶頸在哪
舊式資安與核准流程；關注每 token 成本控管勝過關注產出結果；決策圈裡缺乏真正懂技術的聲音。
幫得上忙的產品
Claude.ai chat
護欄（guardrails）
SSO（單一登入，Single Sign-On）／SCIM（跨域身分管理，System for Cross-domain Identity Management）加角色制存取控管 · 組織層級預算上限 · 部署納入既有核准流程／IAM（身分與存取管理，Identity and Access Management） · 資料治理套件
階段 1：輔助期（Assisted）
角色：你＋一個 agent（結對） · Agents：~1
長什麼樣子
一位工程師配一個 agent，幾乎每個改動合併前都親自看過——像個手腳很快的 pair programmer。一次只跑一個 session。
解鎖時刻：本來要花一個下午的改動，開會空檔就做完。
瓶頸在哪
你的注意力。對模型輸出信任低、又沒有自我驗證，你覺得每一行都得讀，視線離不開。工作是同步的：你坐著看 Claude 做，而不是去做下一件事。
幫得上忙的產品
Claude Code · Claude Cowork · Claude Design（研究預覽） · Anthropic API／AWS Bedrock（Amazon，$AMZN）／Vertex AI（Google，$GOOGL）／Microsoft Foundry（$MSFT） · Analytics dashboard · Compliance API · Plan mode
各產品的白話說明見文末〈名詞小抄〉。
護欄（guardrails）
每席位花費上限 · 集中管理模型／effort 設定 · 集中管理政策 · OpenTelemetry（OTel，開源遙測標準）匯出到既有 SIEM（資安事件管理，Security Information and Event Management）／監控系統
階段 2：並行期（Parallel）
角色：協調者（orchestrator） · Agents：~10
長什麼樣子
一位工程師同時盯 5–10 個 agent，各自佔一個 worktree（git worktree）或 git checkout，你在中間切換。Claude 先自己跑過 tests、build、lint、security scan 才讓你看。Auto mode 和自動化 code review／security review 都常態開啟。你審查的是最終 diff，不是逐字盯 Claude 打字；backlog 開始縮小，多數 code 由 Claude 寫。
解鎖時刻：團隊要花好幾週的 backlog，變成一個人一個下午的協調。
瓶頸在哪
審查產出。你手寫的 code 變少，卻要盯六條輸出流，反而更花時間；還得在多個 session 之間切換、下 prompt 引導方向。
幫得上忙的產品
Auto mode · Agent view（claude agents） · Claude Code Review／Security Review（預設開啟） · Mobile／Desktop 雲端執行 · Claude Tag（Slack，$CRM） · Worktree isolation · Remote control
護欄（guardrails）
分析工具監看團隊用量 · 自動化程式碼品質把關：lint（程式碼風格靜態檢查）、自動化測試、typecheck（型別檢查） · Claude 驅動的端對端驗證（例如用 Claude Chrome extension 或 iOS/Android simulator MCP） · 人工 code review、code merge、security review，對人類與 agent 產出的程式碼一視同仁 · 在 settings.json 預先核准常見的安全 bash 與 MCP 指令
階段 3：監督式自主（Supervised autonomy）
角色：管理者的管理者（帶一棵組織樹） · Agents：~100
長什麼樣子
Claude 寫掉全部或幾乎全部的程式碼。「你有讀過程式碼嗎？」變成「模型當時少了什麼 context、下次要怎麼補上？」
解鎖時刻：以前要等人有空才做的維護與清理，現在在背景自己跑。
瓶頸在哪
對迴圈的信任，以及團隊的決策吞吐量。agent tree 深到盯不完，最大的陷阱是：迴圈還沒贏得信任，就先擴 agent 數量。用量上來之後還要顧 token 效率——需要監控（OTel／Analytics），也需要既鼓勵實驗、又在內部用例找到 PMF（產品市場契合，Product-Market Fit）後控管成本的文化。自問：這是工程師本來就會做的事嗎？
幫得上忙的產品
Subagents（worktree isolation） · Routines／/loop／/batch／/goal · Dynamic workflows · Claude Tag（主動監看）
護欄（guardrails）
自動化 code review · 自動化 security review · Agent sandboxing（OS 層隔離：macOS Seatbelt／Linux bubblewrap，限制 agent 只能碰指定目錄與網域） · 用 CLAUDE.md 與 Skills 把標準寫下來 · 根據團隊用量調校 Auto mode 分類器 · 用 model selection、advisors（主模型在關鍵決策點諮詢一個更強的模型）、LSP（語言伺服器協定，Language Server Protocol）、把 CLAUDE.md 拆成 lazy Skills 來管理 token 用量
階段 4：AI 原生（AI-native）
角色：用意圖帶隊的 VP · Agents：~1,000+
長什麼樣子
迴圈完全閉合，大多數 agent 由 Claude 自己啟動。數百到數千個 agent 同時跑；你用意圖帶方向，用例外做監控。
解鎖時刻：一整季的遷移工程，變成按下去、之後看進度的 workflow。
瓶頸在哪
找出能規模化的工作並自動化，替每一類配對正確的護欄。
幫得上忙的產品
Claude Agent SDK · Claude Tag（全 channel 自動回應）
護欄（guardrails）
自動化的成本控管 · 針對自動化的 model selection
瓶頸遷移圖：問題從沒消失，只是換了位置
五個階段各自的瓶頸看起來完全不同，但連起來看有一條清楚的軌跡。
五個階段，五個瓶頸
兩個值得停下來想的細節
階段 3（監督式自主）裡，有兩個特別值得停下來想的地方。
自問：這是工程師本來就會做的事嗎？
階段 3 的判準不是「這個 agent 燒了多少 token」，而是：這件事，工程師本來就會做嗎？會——省下的工時就是回報；不會——那是新增的花費。衡量 AI 導入的回報，看省下的工程時間，不是看 token 帳單。
陷阱：信任還沒建立，就先擴規模
Cherny 點名階段 3 的陷阱：迴圈還沒贏得信任，就先擴 agent 數量。agent tree 深到盯不完時，規模本身就是風險——所以這一階要同時有監控（OTel／Analytics）與文化兩條腿。
名詞小抄
這篇夾了不少縮寫與 Anthropic 產品名。這裡一次講清楚，每個都保留原文縮寫與英文全名。
縮寫與名詞
| 縮寫 | 英文全名 | 白話：這是什麼 |
|---|---|---|
| MCP | Model Context Protocol（模型上下文協定） | 讓 AI 模型能標準化地存取外部工具、資料與服務的開放協定，由 Anthropic 提出。 |
| SSO | Single Sign-On（單一登入） | 一次登入就能存取多個系統，不必每個系統都重新輸入密碼。 |
| SCIM | System for Cross-domain Identity Management（跨域身分管理） | 跨系統自動同步使用者帳號與權限異動的標準。 |
| IAM | Identity and Access Management（身分與存取管理） | 管理「誰能存取什麼」的身分與權限框架。 |
| SIEM | Security Information and Event Management（資安事件管理） | 彙整並分析各系統資安事件紀錄的平台。 |
| OTel | OpenTelemetry | 開源的遙測標準，統一蒐集應用程式的用量與效能數據。 |
| PMF | Product-Market Fit（產品市場契合） | 產品真正解決了市場需求、使用者願意持續採用的狀態。 |
| e2e | end-to-end（端對端測試） | 從頭到尾模擬真實使用情境跑一次的測試，涵蓋整條流程而非單一函式。 |
| LSP | Language Server Protocol（語言伺服器協定） | 讓編輯器與「懂某種程式語言」的伺服器溝通，提供補全、跳轉定義等功能的標準協定。 |
| SDK | Software Development Kit（軟體開發套件） | 把某個平台功能包裝成程式庫，讓開發者用程式碼呼叫的工具組。 |
| CLI | Command-Line Interface（命令列介面） | 用文字指令操作程式的介面，相對於圖形介面。 |
| IDE | Integrated Development Environment（整合開發環境） | 把編輯器、除錯器、建置工具整合在一起的開發軟體。 |
| API | Application Programming Interface（應用程式介面） | 讓不同軟體系統互相呼叫、交換資料的規格與介面。 |
| worktree | git worktree | 同一個 git repo 底下，能同時簽出多個獨立工作目錄，彼此不互相干擾。 |
| fuzzing | 模糊測試 | 自動灌入大量隨機或異常輸入，測試程式會不會崩潰或出現安全漏洞。 |
| lint | 程式碼風格靜態檢查 | 不執行程式，單純掃描原始碼找出風格問題或潛在錯誤的工具。 |
| typecheck | 型別檢查 | 確認程式裡每個變數、函式的型別用法前後一致，在執行前就抓出型別錯誤。 |
| pair programming | 結對編程 | 兩位工程師共用一台機器一起寫 code 的實務；這裡指你＋agent 的工作型態。 |
產品／服務
| 名稱 | 白話說明 |
|---|---|
| Claude.ai chat | 網頁版對話介面，最基本的入口。 |
| Claude Code | Anthropic 的 agentic coding 工具，有 Desktop、CLI、IDE 三種介面。 |
| Claude Cowork | 讓 Claude 直接在你指定的檔案夾與應用程式裡執行多步驟知識工作（做簡報、文件、試算表），2026 年初推出，付費方案限定。 |
| Claude Design | Anthropic Labs 的視覺設計產品：對話式產出設計稿、互動 prototype、簡報，研究預覽階段。 |
| Claude Tag | 常駐 Slack 的 AI 隊友：任何人 @Claude 就能指派任務；ambient 模式會主動追蹤 channel 並回報；2026/6 beta（Team/Enterprise）。Anthropic 自稱內部產品團隊 65% 的程式碼由內部版 Claude Tag 產生。 |
| Plan mode | 動手改 code 之前先讓 Claude 提出計畫給你審。 |
| Auto mode | 用一個 LLM 分類器代替人工逐一批准工具呼叫：安全的自動放行、危險的擋下（連續擋 3 次或累計 20 次會暫停回到人工模式）。 |
| Agent view | claude agents：一個畫面看所有背景 session——哪些在跑、哪些要你輸入、哪些完成。 |
| Remote control | 把本機 Claude Code session 橋接到 claude.ai/code 或手機 App：遠端看進度、即時批准工具呼叫（2026/2 研究預覽）。 |
| Claude Code Review / Claude Security Review | 自動 code review／自動安全審查，階段 2 起預設開啟。 |
| Worktree isolation | 每個 agent 各拿一個 git worktree（同一個 repo 的隔離工作副本），平行改 code 不互撞。 |
| Routines / /loop / /batch / /goal | 排程化的重複工作：/goal 設目標讓 agent 迭代到完成、/loop 定時重跑、/batch 把大量同型工作平行分給多個 agent。 |
| Dynamic workflows | Claude 寫一支可重跑的 JS 腳本來編排大量 subagent（大型遷移、程式庫審計、交叉驗證研究）。 |
| Claude Agent SDK | 用程式碼建立、排程、組合 agent 的開發套件。 |
| Agent sandboxing | OS 層隔離（macOS Seatbelt／Linux bubblewrap）：限制 agent 只能碰指定目錄與指定網域。 |
| Advisors | advisor tool：主模型在關鍵決策點（選方案、卡關、收尾前）諮詢一個更強的模型。 |
| Claude Code analytics dashboard / Analytics API | 團隊用量與成本的聚合數據（儀表板＋API）。 |
| Compliance API | Claude Enterprise 的逐事件稽核紀錄 API，給資安／法遵團隊。 |
| OpenTelemetry export | 把 Claude Code 的使用指標匯出到公司既有的 SIEM／監控系統。 |
| Claude Chrome extension | Claude 直接操作 Chrome 瀏覽器，可拿來做端對端驗證。 |
| iOS/Android simulator MCP | 透過 MCP 操作手機模擬器做 App 的端對端測試。 |
| Microsoft Foundry | Claude 模型在 Azure 的託管服務，2026/7 正式 GA。 |
| Claude Teams / Claude Enterprise | 團隊版／企業版方案（集中管理、SSO、admin 控制）。 |
原文與資源
- 原文：Boris Cherny，「Steps of AI Adoption」，發表於 X（@bcherny）與 Claude artifact，2026 年 7 月 16 日。
- 本文出處的公司：Anthropic（美國・未上市）。