# Claude Code 之父畫了一張表：你把 AI 用到第幾階？

Claude Code 創造者 Boris Cherny 公開了一張 AI 採用五階表：從 AI 被鎖在門外，到上千個 AI 代理自己跑。這篇整理五階的樣貌、每一階卡住的原因，以及一份五題自測，幫你量出自己在第幾階、下一步補哪一塊。

你有沒有過這種時刻：把一件工作丟給 AI 之後，你哪裡都不敢去，就坐在螢幕前看著它一行一行寫。它在工作，你也在「工作」——你的工作是盯著它。

我常常提醒自己：如果 AI 在忙的時候我只能等，那我其實還沒有把它用起來。

上週，一張表把這件事講得非常透徹。

### 這張表是誰畫的

Boris Cherny 是 Claude Code 的創造者。2026 年 7 月 16 日，他公開分享了一張叫《Steps of AI Adoption》的表（[原文連結](https://claude.ai/code/artifact/bfdfaef9-bc62-4dfe-ba9e-c58a26c9accf)），把一間公司採用 AI 寫程式的過程分成五階，每一階寫了四件事：長什麼樣、卡在哪裡、用什麼工具、要設什麼防護欄。

先說結論：這張表表面上在講「怎麼多開幾個 AI」，實際上從頭到尾只講一件事——信任。

### 五階長什麼樣

![五階木塊模型：門禁、搭檔、並行、授權到 AI 原生](https://be-ai-curator.com/images/blog/ai-adoption-five-steps-trust-ladder-five-steps-wide-v1.jpg)

五階的差別，是同時在跑的 AI 代理數量，以及你的角色：

**第 0 階：門禁。** AI 被擋在門外。公司只批准舊模型、流程層層審批、AI 寫出來的東西沒有地方可以部署。這一階你手上的工具，只有網頁版的問答。卡住它的，是「只盯成本、不看成果」的舊流程。

**第 1 階：搭檔。** 你＋一個 AI 結對。工具的代表是編輯器裡的 AI 助手——像 Claude Code 這類。它寫、你看，幾乎每一行都要過你的眼睛。日常長什麼樣？大概就是這個畫面——丟一件事給它、看著它整理完、你再核一次：

![Claude 對話畫面：把會議記錄整理成三項待辦事項](https://be-ai-curator.com/images/blog/ai-adoption-five-steps-trust-ladder-chat-step1-real.jpg)

原文把這一階的瓶頸寫得很誠實：

> “Due to low trust for the model's output and lack of self-verification, you feel you must read everything, so you never look away.”

> （因為對模型輸出的信任還很低、又沒有自我驗證，你覺得每一行都得讀，所以你的視線從來離不開。）

**第 2 階：並行。** 你同時指揮五到十個 AI，各自在隔離的工作區跑，AI 先自我檢查（測試、建置、掃描）你才看到。撐起這一階的配備是隔離工作區、自動測試與自動程式審查。你審的是最終成果，不是每一個鍵擊。原文形容這一階的解鎖：

> “A backlog that used to take the team weeks becomes one engineer's afternoon of orchestration.”

> （過去團隊要花好幾週的積壓工作，變成一位工程師一個下午的指揮調度。）

**第 3 階：授權。** 上百個 AI 在跑，AI 會自己啟動 AI。這一階的關鍵配備是排程、子代理，和讓 AI 盯著訊號自己開工的機制。問題從「你讀過這段程式碼嗎」變成「模型缺了什麼背景資訊、下次怎麼補給它」。

**第 4 階：AI 原生。** 上千個 AI，多數工作由 AI 自己發起——到這裡，代理是用程式批量建立和排程的。原文的描述是：

> “You steer by intent and monitor by exception.”

> （你以意圖導引，以例外監控。）

每升一階，AI 數量大約乘十，你的位置往後退一步：從打字的人，到結對的人，到指揮，到管理規則的人，最後只給方向。

### 我讀出來的三件事

**第一，瓶頸永遠是人，不是模型。** 五階的「瓶頸」欄，寫的全是你的注意力、你的審查速度、你的信任。模型的能力早就跑在前面，卡住進度的是人敢不敢放手。

**第二，升階的方法只有一種：把人工檢查換成自動驗證。** 從第 1 階升第 2 階，原文開的條件是：

> “A self-verification loop you trust (tests + build + lint + e2e testing with a real dev environment).”

> （一套你信得過的自我驗證迴路：測試＋建置＋程式檢查＋在真實環境跑一遍。）

翻成白話：AI 動手做，自動驗證把關，驗證過了、你的信任加一格，你就放手更多。這具引擎轉一圈，你就往上爬一點。不用背五個階名，記住這具引擎就夠了。

![飛輪模型四節點：AI 動手做、自動驗證、信任加一格、放手更多](https://be-ai-curator.com/images/blog/ai-adoption-five-steps-trust-ladder-trust-engine-wide-v1.jpg)

**第三，有一句陷阱警告，值得抄在桌上。** 第 3 階的瓶頸欄裡藏著這句：

> “Your trap is scaling agent count before the loop has earned widespread trust.”

> （你的陷阱是：在迴路贏得足夠信任之前，先擴大了 AI 的數量。）

先有驗證，再有規模。順序反了，你只是把混亂乘了十倍。

### 我自己在第幾階

老實說：卡在第 2 階和第 3 階之間。

這個帳號的日常就是好幾個 AI 代理在並行工作：查資料的、寫草稿的、做圖的、檢查發佈狀態的。隔離的工作區有了，發佈前的自動檢查有了，一部分例行工作也已經是 AI 自己排程自己跑。

但我對照那句陷阱警告時，還是心虛的。我踩過一模一樣的坑：有一陣子同時放了太多 AI 進同一個專案，驗證還沒建好，結果互相蓋掉彼此的成果，收拾殘局花的時間比省下的還多。後來我立了一條自己的規則：每多開一個 AI 之前，先問有沒有多建一道「我敢不看」的檢查。

還有一類工作，我認為天花板就在第 3 階：需要品味判斷的產出——內容的觀點、視覺的取捨。這些的最終驗收者是人，機器驗證替代不了。我不覺得這是缺陷，這是邊界。知道邊界在哪，才知道哪些工作值得全力自動化。

### 五題自測：你在第幾階

每題答「是」或「否」，數「是」的題數：

1. AI 的產出，你不用每行都看，因為有自動檢查先把關？
2. 你經常同時跑一個以上的 AI 工作，各自有隔離的工作區？
3. AI 的產出在你看到之前，會先通過測試或驗證？
4. 有些工作是 AI 自己排程、自己啟動的，不需要你按？
5. 你多數時間在給方向、看例外，而不是逐字檢查？

**0–1 題：第 1 階。** 你還在結對期。下一步：替你最常請 AI 做的那類工作，建第一道自動檢查——這比多開幾個視窗有用。

**2–3 題：第 2 階。** 你已經在指揮位上。下一步是把「審產出」也部分自動化：讓 AI 先互相檢查，你只看通過的。

**4 題：第 3 階。** 你在管理一套會自己運轉的系統。記住那句陷阱警告：信任還沒鋪滿之前，別急著擴編。

**5 題：第 4 階。** 剩下的問題只有一個：下一類值得自動化的工作是什麼？

要注意的是，這五題是我從原表整理出來的體感版，不是原文內容，也不是嚴謹的評測工具。它的用途只有一個：幫你找出下一道該補的檢查在哪裡。

### 原文與資源

- Boris Cherny《Steps of AI Adoption》原文：[claude.ai 公開頁](https://claude.ai/code/artifact/bfdfaef9-bc62-4dfe-ba9e-c58a26c9accf)
- 我把五題自測＋每一階的下一步建議，整理成一頁可下載的自測表，放在[資源頁](https://be-ai-curator.com/resources)。

如果這篇讓你想起自己盯著 AI 跑的那個下午——先從一道你敢不看的檢查開始。

---

來源：AI 主理人 https://be-ai-curator.com/blog/ai-adoption-five-steps-trust-ladder · 更新於 2026-07-20