Claude Code
AI 原生 SDLC 是什麼?寫程式不再是瓶頸後,軟體開發六階段怎麼重寫
寫程式已經不是瓶頸,審查、部署、治理卻還在人的速度。拆解 Anthropic 的 AI 原生 SDLC 六階段:每段交出一份文件,串起來就是稽核紀錄;skills 給建議、hooks 做強制,人只在關卡上做判斷。
工具買了、帳號開了、教育訓練也上過了,為什麼損益表上還是看不到東西?這裡整理企業推動 AI 時真正卡住的地方:組織吸收的速度、流程裡的等待、被寫成 SOP 的判斷,以及上線之後怎麼改進、怎麼算得過。適合要對老闆交代 AI 成效的主管與推動者。
這一頁談的是組織那一層。
個人用 AI 用得很順,跟公司真的因為 AI 變快、變省,中間隔著採購、權限、流程、驗收好幾關。
以前導入一套系統,上線那天就算結案,接下來叫維運。現在導入 AI,上線才是開始:流程要改、判斷要寫下來、失敗要有人記,帳還要算得過。
想像一下,月會上老闆問你:「AI 導了半年,到底省了多少?」你手上有使用次數、有滿意度,就是沒有一個數字接得上損益表。
如果你問我,導入卡住的地方幾乎都不在模型。
模型大家都買得到,差距出在組織吸收它的速度。這裡從瓶頸診斷、第一個題目怎麼挑,談到上線後怎麼改進,適合推動 AI 的主管,也適合被要求「把做法寫下來餵給 AI」的資深同事。個人怎麼把工具串成流程,看 AI 工作流 主題頁;大型組織的平台、治理與成本,看 企業 AI 主題頁。
依 Alexandr Wang 在 Y Combinator 訪談中的判斷,瓶頸不在模型能力,而在「擴散」,也就是技術被推進真實流程、組織適應它的速度。Stanford AI Index 2025 顯示 78% 的組織回報使用 AI,MIT NANDA 的報告則指出約 95% 的企業生成式 AI 試點對損益沒有可衡量影響。見這篇。
沒有這個意思。那份報告量的是損益表上有沒有量得到的改變,並沒有在評模型聰不聰明,報告也寫明落差來自做法。報告也顯示,中型企業的頂尖表現者從試點到全面上線平均 90 天,年營收破一億美元的大企業要九個月以上。見這篇。
挑高頻、資料來源清楚、判斷標準寫得下來、錯了成本可控,而且目前需要大量複製貼上或跨系統查詢的流程,最靠人情判斷的留到第二輪(見這篇)。精誠講堂的評估矩陣則用「商業價值」和「技術可行性」兩個維度打分數,資料不齊的題目分數再高也排後面(見這篇)。
TypeSafe AI 是前 OpenAI 研究員 Diogo Almeida 創立的公司,Jev 是它推出的模型。Jev 不生成文字:你定義輸入和輸出格式(schema),它回傳每個選項的機率。適合分流、評分、路由這類「在已知選項裡做選擇」的事,不適合需要推理鏈或即時外部資訊的任務。見這篇。
Claude Code
寫程式已經不是瓶頸,審查、部署、治理卻還在人的速度。拆解 Anthropic 的 AI 原生 SDLC 六階段:每段交出一份文件,串起來就是稽核紀錄;skills 給建議、hooks 做強制,人只在關卡上做判斷。
AI Agent
企業導入 Grok Bot 先問:你第一個雇誰?拆解官方企業工作坊,客服、補貨、業務三條流程的人工審核點,行銷 Bot 升總監帶三個下屬,1 到 7 個直屬的管理原則,以及先爬、再走、後跑的導入節奏。
AI Agent
同等能力的 AI 推論價格跌了約 280 倍,卻有五分之一企業因為 AI 成本開始踩煞車。麥肯錫的答案是換計價單位:別算每個 token,算每完成一件事。附一條判斷 agent 值不值得的公式,用台灣電商三個情境實際算一次。
AI 導入
精誠資訊科技講堂分享 6 個製造業 AI 決策案例,從報價、8D 品質溯源到 AI 虛擬廠長,並整理導入前的八個提問與專案價值評估矩陣。案例數字皆為精誠自述。
AI Agent
前 OpenAI 研究員 Diogo Almeida 推出 TypeSafe AI 的 Jev:它不生成文字,只回傳你定義好的選項機率。用系統一/系統二拆解,把便宜的判斷層放在昂貴決策前面。
Salesforce
Agentforce ARR 衝破 15 億美元、股價大漲 22.6%,數字都是真的。但這一季 Salesforce 換了兩把尺,而真正的重點,是它把介面交給了 Claude。
AI Agent
Anthropic 官方案例說 Warp 做出了「會自我改進」的 agent。我把它拆完,還去查了它連出去的公開範例,結論跟標題不太一樣:真正在改進的不是 AI,是那道人類核准關卡。這篇拆給台灣電商:怎麼把公司的判斷變成可以看 diff、要簽名才能改的檔案,以及為什麼回饋要挑人,不是越多越好。
AI Agent
你公司那個 AI 客服,上線到現在被問倒過幾次?這個數字多半沒人在記,而那可能是你手上最值錢的資料。Linear 團隊的作法是讓 agent 自己開工單回報做不到的事,再把線上的意外行為變成測試案例。這篇拆給你台灣電商該建的三條回饋管線。
AI Agent
AI 導入的標準動作,就是叫資深的人把做法寫下來。效率是真的,但沒有人問過那份東西是誰的。該交的交,該留的留,這篇談分界線畫在哪。
AI Agent
你導得動的都是「問了就有答案」的事,最讓人抓狂的那幾條流程 AI 一條都沒接住。共同點不是難,是久——而久的原因是大家都在等。
AI Agent
開 MCP server 給的是「能做什麼」,做原生 agent 給的是「預設會怎麼做」。但我查了官方文件發現 Linear 兩個都做,所以真正的問題是預設值歸誰。這篇拆給你:品牌方挑工具該問供應商哪三個問題、自建方該先開哪一層,以及 AI 做到什麼程度才算可以上線。
AI 導入
就算 AI 模型今天全部凍結,你的公司還有幾十年的功課沒做完。Meta 超智慧實驗室負責人 Alexandr Wang 說,瓶頸從來不是模型,是擴散。78% 企業在用 AI,95% 沒賺到錢,差距出在組織吸收的速度。