AI 加入團隊之後：人機協作的四堂課

目錄

• 從單人遊戲到多人遊戲
• 第一課：沒寫下來的，對 AI 等於不存在
• 第二課：每個成員都要有名字、角色和工具
• 第三課：北極星永遠由人來定
• 第四課：信任是掙來的，不是預設的
• 先算帳再組隊：多代理不是免費的
• 對企業的意義
• 結語

從單人遊戲到多人遊戲

大多數人使用 AI 的方式，是一個人對著一個聊天視窗：你問、它答、你再問。這種模式有個貼切的稱呼——single-player（單人遊戲）。

Anthropic 在 2026 年 6 月發表的〈Building effective human-agent teams〉裡描述了正在發生的轉變：AI 的工作模式正在變成 multiplayer（多人遊戲）——人與多個 AI Agent 在同一個工作空間裡，為共同的目標協作。文章裡的原話是：工作現在更像一場多人遊戲，人類團隊設定策略，AI 執行工作。

這聽起來像願景，其實描述的是管理問題的轉移。當 AI 只是個人工具，用得好不好是個人生產力的事；當 AI 成為團隊的一員，問題就變成了組織的事——它知道多少、負責什麼、誰驗收它的工作、犯錯之後怎麼辦。這些問題眼熟嗎？應該眼熟，因為這就是帶新人時要回答的問題。

這篇官方文章總結了 Anthropic 內部團隊的實踐，可以整理成四堂課。

第一課：沒寫下來的，對 AI 等於不存在

第一堂課叫 work in public：在公開、可搜尋的地方工作。

原因很直接。AI Agent 對組織的全部理解，來自它能讀到的文字——文件、對話紀錄、程式碼、會議記錄。私訊裡的共識、走廊上的口頭決定、只存在某位資深同仁腦中的判斷準則，對 AI 而言統統不存在。原文的說法一針見血：對 agent 來說，沒有寫下來、無法存取的東西，就是不存在的東西。

這一課有個容易被忽略的管理含義：權限設計的思路要換。與其每次逐一決定「這份文件要不要開給 AI」，不如設定少數幾條清楚的邊界——邊界之內，資訊對人和 AI 一律流通；邊界之外，一律不開。逐項授權看似謹慎，實際上會製造無止盡的決策疲勞，最後大家嫌麻煩，乾脆什麼都不開，AI 就在資訊真空裡工作。

具體的做法不難：新的討論空間預設公開、重要決策一律落地成文字、寫文件時把「AI 也是讀者」放進心裡。這些習慣在 AI 出現之前就是好習慣，只是以前不做的代價由新同事承擔，現在多了一個承擔者。

第二課：每個成員都要有名字、角色和工具

第二堂課是名冊（roster）：人和 AI 共用一份成員清單，每個成員——不管是人還是 AI——都有明確的角色與合適的工具。一個 AI 管數據分析、一個守設計規範、一個做研究彙整，各司其職。

沒有明確分工會怎樣？文章描述的場景值得警惕：大家開始各自偷跑自己的個人 AI，做重複的工作，把團隊的脈絡切得四分五裂。每個人的 AI 都只知道自己主人告訴它的事，同一份資料被整理五次，五個版本互相矛盾。這不是想像的風險，而是許多組織正在發生的現狀。

Anthropic 內部的解法，是把 AI 的角色定義寫成標準化的檔案，讓任何團隊都能快速複製同類型的 AI 成員。換句話說，AI 的「職務說明書」是一份可以版本控制、可以審查、可以在組織內共享的文件。這件事的深意我們會在這個系列談 Skills 的那一篇展開。

第三課：北極星永遠由人來定

第三堂課關於方向：給 AI 一個北極星（north star）——宏大、清楚的目標，然後允許它在這個目標下主動提議。

文章裡有個具體案例。一個內部工具團隊設定了「讓產品新手上路的體驗更有幫助」這個目標之後，AI 主動建議改寫幾則錯誤訊息的文案，隔週的新手完成率出現了可以量測的提升。重點不是 AI 多聰明，而是：如果沒有那顆北極星，AI 只會被動等指令，永遠不會「順手」把它看見的問題修掉。

但這一課有兩條不能省略的但書。第一，北極星永遠由人類設定——AI 可以提議怎麼走，不能決定往哪走。第二，不是每個 AI 都有資格主動提議；哪些 AI 被授權主動、哪些只能聽令行事，應該是明確的設計決策，而不是放任的結果。

第四課：信任是掙來的，不是預設的

第四堂課回答了導入 AI 時最常見的問題：到底什麼該放手給 AI，什麼該人工把關？

Anthropic 的原則濃縮成一句話：給 AI 的自主權，與它已經證明的可靠度成正比，然後刻意地、逐步地擴大。 文章提到他們的工程師最終能一次把五百個修復任務交給 AI 處理——但起點絕對不是這樣。

從零到五百之間，有一道可以複製的信任階梯：一開始，人工逐件審查 AI 的產出，藉此校準它的品質水準；接著把審查標準寫成清單與評分規則；再來，指派一個「驗收型 AI」去檢查「執行型 AI」的工作——這呼應了我們在系列首篇談過的原則，AI 給自己打的分數必然過度樂觀，生成與驗收必須分開；然後要求 AI 定期回顧自己的失誤；最後，按照任務類型逐項擴大它已經掙得的自主權。注意是「按任務類型」——AI 在報表整理上贏得的信任，不能自動轉移到對外溝通上。

這堂課還有一個溫柔但重要的提醒：把人類的注意力當成稀缺資源來管理。 AI 的產出速度遠超過人的審閱速度，如果不設計節流機制——批次提問、附上關鍵脈絡、限制同時呈到每個人面前的事項數量——團隊會被 AI 的勤奮淹沒。快，反而變成負擔。

先算帳再組隊：多代理不是免費的

四堂課講的是「怎麼管」，還有一個問題是「什麼時候值得」。這裡需要一組誠實的數字。

Anthropic 在更早的工程文章〈How we built our multi-agent research system〉裡給過內部評測結果：多個 AI 分工協作的系統，在研究型任務上比單一 AI 高出 90.2% 的表現。但同一篇文章也毫不遮掩成本：單一 agent 的 token 消耗約是一般對話的 4 倍，多代理系統約是 15 倍。他們的結論很務實——任務的價值必須高到付得起這個溢價。

什麼任務付得起？可以平行展開的、需要吞吐大量資訊的、單一 context 裝不下的、產出價值高的——例如跨多來源的研究彙整、大範圍的文件盤點。什麼任務付不起？步驟之間環環相扣、無法平行的日常小事。用多代理去做一件單人就能做好的事，是用十五倍的成本買一份儀式感。

委派的品質也有講究：交給每個 AI 的子任務，要有清楚的目標、明確的產出格式、指定的工具範圍與任務邊界。模糊的指令（「幫我研究一下這個市場」）會換來重工與漏洞——這一點上，AI 和人沒有任何差別。

對企業的意義

把四堂課換成企業導入前的自我檢核，是四個問題：

1. 資訊公開可搜尋嗎？ 你們公司的關鍵知識，有多少寫在 AI 讀得到的地方，有多少還在通訊軟體和某些人的腦中？
2. 寫得出人機名冊嗎？ 如果現在要你列出「團隊裡有哪些人、哪些 AI、各自負責什麼、用什麼工具」，這份清單存在嗎？
3. 驗收機制獨立嗎？ AI 的產出由誰檢查？標準寫下來了嗎？還是靠它自己說「完成了」？
4. 信任有階梯嗎？ 哪些任務類型 AI 已經證明可靠、可以放手？哪些還在人工全審的階段？這個判斷有依據，還是憑感覺？

值得注意的是，這四個問題全部是管理問題，不是技術問題。這正是那篇官方文章最後的收束，也是整件事最令人安心的地方：這些模式沒有一個是新的——明確的目標、清楚的分工、完整的文件、品質標準、從錯誤中學習，都是健康團隊行之有年的老習慣。原文的說法是：AI 只是讓「跳過這些習慣」的代價，變得更加昂貴。

結語

系列首篇我們談過 Agent = Model + Harness：模型人人租得到，差異在模型周圍的工程。這一篇談的是 harness 裡「組織」的那一面——當 AI 成為團隊成員，工作怎麼公開、角色怎麼定義、方向誰來設、信任怎麼累積。

而四堂課裡藏著兩個還沒展開的技術問題：AI 的「職務說明書」具體長什麼樣子？AI 又要怎麼記得團隊的目標與自己學到的教訓，而不是每天上工都失憶？前者是 Skills 的故事，後者是 Memory 的故事。我們接著談記憶。

參考資料

• Anthropic, Building effective human-agent teams（2026-06）
• Anthropic, How we built our multi-agent research system（2025-06）
• Anthropic, How Anthropic teams use Claude Code（2025-07）