ARTICLE · 1066543
AI 应用的 五个阶段,你的公司卡在哪一级 ?
你的公司卡在 AI 的哪一级？一张从 0 到 1000 个智能体的路线图
前几天刷到 Shelly Palmer 转述 Boris Cherny 的一张AI应用进阶表（翻译简化后见上图），越看越觉得对公司AI应用进化路数。
Boris Cherny 这人你可能没听过，但 Claude Code 就是他搞出来的，现在在 Anthropic 管产品，每天的工作就是指挥成千上万个智能体。
所以，他说"你们公司 AI 到底走到哪一步了"，这话是从实战里长出来的，不是咨询报告那种拍脑袋的空想。
他给的表把一家公司分成了五个阶段：从"员工根本碰不到像样的模型"，一直排到"高管靠一句意图就能调度上千个智能体"。
我下面把这张表拆开讲一下我的理解，分享给你，期望对你有所启发。
Stage 0：门禁森严（智能体数量：0）
这个阶段的画面很具体：安全部门攥着访问权限不撒手，法务盯着合规，采购管供应商，CFO 管钱，CTO 管运行环境。
每个部门都能让部署慢下来，但没有一个部门能拍板让整套系统上线。
你品品，这像不像你们公司？
员工感受到的不是谨慎，是瘫痪。
于是他们要么干等，要么偷偷用消费级工具，要么做几个"合规演示"——演示里从不碰真业务。
说白了，公司以为自己在谨慎，员工以为自己被卡死了。
跨过去其实有路子：指派一个真正有权的执行发起人，去协调安全、法务、采购、财务、技术五方；给他 30 天，逼出一份"批准工具清单 + 数据分级规则 + 预算上限 + 禁止用途 + 事故处理流程"，每个决策点都得落到一个具体的人头上。
然后挑一小批人，在边界内给他们开当前模型的权限。
第一个里程碑不是"上了多少课"，而是"被批准的人，用被批准的工具，在真实任务上用真实公司数据，把活干完了"。
Stage 1：人机搭档（智能体数量：约 1）
进了这一步，变成"你 + 一个智能体"的一对一。
员工派活、补上下文、改错、对每一个重要决定点头。
这些来回会教会员工几件事：这技术哪里强、哪种指令出活好、它缺什么信息、哪些错老反复犯。
瓶颈不在产出，在审查：一个打磨得很漂亮、却拿不出出处的答案，反而更费人工。
所以，我自己的体会是，这阶段最该狠抓的是"要证据"——研究类任务附来源链接，财务类附对账，法律类附引用和术语核对，软件类附测试结果，营销类附版权和品牌检查。
再建一个共享库，专门收"好用的任务简报 / 翻车案例 / 验证流程 / 已批准信息源"。
要盯的是员工从接活到批准的总时长，包括返工。
先出个快稿、再花一小时逐条核查，这笔账并不划算——我以前就犯过这毛病，稿子出得快，审得慢，最后还没省下时间。
Stage 2：并行调度（智能体数量：约 10）
这级开始上量：一个人同时跑 5 到 10 个智能体，每个拿到边界清晰的独立任务。
2026 年一份针对职业软件工程师的长期追踪研究里有个数挺扎眼，82% 的参与者把更多精力花在"指挥、评估、纠正 AI 产出"上，研究者管这叫"监管式工程工作"。
说白了，写代码的时间少了，盯着 AI 的时间多了。
瓶颈也跟着来：十个智能体出活的速度，可能快过一个人理解和批准它们全部结果的速度。
任务边界一松，就会出现重复劳动、互相打架的修改、对不上的建议，最后审查队列把省下的效率全吃掉。
跨过去的办法，是把活拆成"一个目标、一个负责人、最少必要上下文、明确产出、显式质量测试"的单元；工作区互相隔离，别让智能体互相覆盖；常规失败自动退回给智能体，人只管例外和重大决定。
并发量要按审查能力来卡——五个智能体给一个被压垮的员工吐 50 份交付物，谁都帮不了。
这点我特别有感触，因为加再多智能体，最后卡住的还是那个看不过来的真人。
Stage 3：受监督的自主（智能体数量：约 100）
这级开始有"经理的经理"的味道：智能体把有限任务再派给别的智能体，定时任务和定义事件会触发周期性工作。
人只管结果、成本、优先级和例外。
没人能逐个检查 100 个智能体及其子智能体的每个动作，小错一旦攒起来就是大事。
所以这一步要把政策变成系统能强制执行的"控制项"：每条工作流都要有明确的负责人、批准信息源、允许动作、预算上限、质量测试、升级阈值、审计记录和经过测试的停止开关，指令要版本化，让每份产出都能追到当时管它的规则。
在加量加速之前，先做"失败演练"：撤回一个权限、灌入坏数据、逼一个质量测试失败、超预算、模拟供应商挂掉，看系统会不会安全停下、留好证据、通知对的人，并且只有负责任的人类批准后才恢复。
不演练就上量，等于闭眼开快车。
Stage 4：AI 原生（智能体数量：1000+）
最高一级，成百上千个智能体在全公司做边界清晰的活。
高管定目标、约束、预算、成功指标；人监督的是"自动化组合"本身，结果越过红线才介入。
技术成功会掩盖分配失败：一个智能体系统可能把低价值活动自动化了，或把一个早该砍掉的流程加速得更猛。
所以要把这些工作流当投资组合管：每个系统都要有担责高管、业务目标、完整成本模型、质量度量、风险分级和复盘日期；该扩的扩、该改的改、经济账算不过来的就关掉。
还有一条挺关键：模型和供应商要能替换。
公司真正该握住的是目标、流程、证据、接口和责任结构。
重要工作流要拿别的模型测一测，保留随时迁移的能力。
Stage 4 没有终点线，因为模型在变、价格在降、法规在改，公司自己的流程也在长。
这事没个完。
文化债，才决定你能走多快
这张表最扎心的地方在最后。
技术能力和组织能力之间的差距，Palmer 管它叫"文化债"。
更微妙的是，这回还多了一层"对 AI 的沉默恐惧"——每个人都得在简历上写会 AI、要学、要表现得像自己掌握了它，可心里又隐隐觉得自己在训练自己的替代品，甚至未来的"上位者"。
把文化债和这种恐惧叠在一起，问题有多大就清楚了。
多数公司里，五个阶段的人同时存在。
这张表的价值，就是帮你把各种卡点说清楚、指到具体负责人、定义清"要拿什么证据才算打通瓶颈"，然后能量化结果。
它不是灵丹，但至少让你知道卡在哪。
你们公司现在卡在哪一级？
| 企业 AI 落地热门文章推荐：