你在 AI 採用的第幾階？從 0 到 4 的成熟度地圖

只准用比較舊、比較輕的模型，要用 AI 工具得經過層層閘道與審批。AI 產出的東西沒有地方部署，只能留在個人電腦裡。

問題在制度而非技術：老舊的資安與審批流程、只盯著「每個 token 多少錢」卻不看產出、決策桌上缺少真正懂技術的聲音。

一個人配一個分身，多半在你監督下工作，像一個超快的協作夥伴。你一次開一個對話，幾乎每個成果採用前都要親自看過。解鎖時刻：一件本來要花掉一個下午的事，現在你在會議之間的空檔就做完。

你的注意力。因為還不夠信任 AI 的產出、它也還不會自我驗證，你覺得每一步都得盯著看，於是工作是「同步的」，你只能坐著看它做，沒辦法同時去忙別的。

一個人同時指揮 5 到 10 個分身，每個在各自獨立的工作區裡跑不同任務，你在它們之間跳來跳去。分身交件前會自己先驗過一輪（跑測試、build、lint、資安掃描），自動模式一直開著，自動程式碼審查與資安審查也預設開啟。你看的是最終成果而非每個操作，積壓的維護工作開始變少。解鎖時刻：一個原本團隊要做好幾週的待辦，變成一個人一個下午的調度。

驗收。你自己動手寫的變少，卻要同時檢查六份不同的產出，這件事反而吃掉更多時間。還有在多個對話間下提示、給方向的功夫。

AI 分身寫下全部或幾乎全部的程式碼。你問的問題從「你看過這段程式嗎」變成「模型這次缺了哪些脈絡，下次怎麼幫它補上」。解鎖時刻：分身會主動去做你以前得手動啟動的工作；過去要等人有空才處理的維護與清理，現在在背景持續自動跑。

對這套循環的信任，以及團隊的決策吞吐量。分身樹深到你沒辦法一個個盯，最常見的陷阱是在流程還沒被廣泛信任前，就急著把分身數量往上衝。還要在使用量增加時控制 token 用得夠有效率，並問自己：這件事，本來會有人力去做嗎？

整套循環完全閉合，多數分身是 AI 自己啟動的，同時有數百到數千個在跑。你用「意圖」下指令、用「例外」來監控，只在出狀況時才介入。解鎖時刻：一個原本要做一整季的大遷移，變成你按下開始、偶爾回來看一下的工作流。

如何大規模地辨識並自動化該做的工作，以及為每一種工作套上對的防護欄。