Claude如何为文本添加水印 - @rasbt
https://generativeprogrammer.com/p/the-ai-adoption-bottleneck-keeps…

组织内部如何推进AI采用进程

来源：https://generativeprogrammer.com/p/the-ai-adoption-bottleneck-keeps
在最近的X帖子中（https://x.com/bcherny/status/2077929379661844559），Claude Code创始人Boris Cherny描述了他反复观察到的一种现象：一位工程师使用Claude后效率显著提升，但组织其他成员可能并未同步进步。

他的框架映射了更广泛采用过程通常如何展开。新工具或实践让个人或团队能够执行更多AI工作（通常是并行处理），直到其他限制条件成为瓶颈。瓶颈依次从访问权限、工程师注意力、代码审查、信任度，最终转移到决定哪些工作应大规模自动化。

这些阶段并非公司整体性的划分——不同人员、团队和工作流可能以不同速度经历这些阶段。Boris的证据和示例基于Claude工具。我将此进程视为通用启发式模型，也可帮助团队思考其他编程代理工具。图片中的代理数量仅作规模参考，非目标要求。

完整的AI采用进程包含具体Claude工具、技术控制及各阶段暴露的瓶颈（https://substackcdn.com/image/fetch/$s_!I-cI!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F391c435d-74cb-44ef-8d9b-1423d7860ef3_2400x1500.png）
理解此背景后，让我们简要探讨各阶段的含义及推动工作进展的关键。

第一阶段关注人们能否在实际公司业务中使用AI。
某些组织不允许将最新模型用于公司代码。另一些组织通过内部服务提供访问权限，需进行身份验证、策略检查并引入延迟。开发者可能被允许在本地实验，但缺乏批准的部署路径来发布代理生成的内容。工作需等待安全、数据、采购和IT部门审批。

此时AI采用栈仅包含少量要素：

• Claude.ai对话界面作为批准入口
• SSO、SCIM和基于角色的访问控制将使用情况与企业身份绑定
• 组织预算上限、数据治理规则及现有IAM/部署控制围绕工作流程

当组织拥有经批准的工作流，能在无需每次申请策略例外的情况下使用Claude并发布成果时，即已跨越关卡阶段。下一个瓶颈是工程师注意力。

随着访问权限开放，采用进程进入开发者日常工作流。一名工程师使用一个代理工具，但仍需审查几乎每个响应和代码编辑。AI使任务加速，但工作仍保持同步：Claude工作时，工程师需持续关注。

实际技术栈从访问控制扩展到一个有界、自检查的任务循环：

• 桌面端/CLI/IDE中的Claude Code，配合计划模式（https://code.claude.com/docs/en/permission-modes#analyze-before-you-edit-with-plan-mode）在编辑前审查方案
• 测试、构建、代码检查、类型检查及端到端测试在真实开发环境中验证代理工作成果
• 自动模式（https://code.claude.com/docs/en/auto-mode-config）在批准策略内消除常规权限中断

对组织而言，Claude Code Analytics（https://code.claude.com/docs/en/analytics）、OpenTelemetry导出、支出上限和集中管理设置使这条新路径保持可见且受控。

当代理能完成一个有界任务，工程师可开始另一项任务时，注意力不再成为直接约束。工作转向并行处理。

工程师现在可协调多个代理。每个代理在独立检出环境中工作，运行检查并返回最终差异。产出快速增长，但单个人员的审查能力有限，瓶颈转移至代码审查。

新工具专为并发设计：

• 代理视图（https://code.claude.com/docs/en/agent-view）保持多会话可见，工作树（https://code.claude.com/docs/en/worktrees）防止编辑冲突
• Claude Code Review（https://code.claude.com/docs/en/code-review）和Claude Security（https://claude.com/product/claude-security）在人工批准前分析代码与安全发现
• 移动端Claude Code、桌面端云端执行及远程控制（https://code.claude.com/docs/en/remote-control）允许工程师脱离终端监控工作

这些会话继承前阶段的验证循环。新护栏用于并发管理：在settings.json中预先批准常用安全的Bash和MCP命令，隔离各任务，保留人工合并与安全审批环节。Chrome扩展或移动端模拟器MCP可将验证延伸至端到端行为。

这并非要消除审查，而是避免审查人员关注代理本可自行发现的失败案例。当并行会话返回证据而非另一批未检查的输出时，此阶段即生效。

当重复性并行任务变得可靠后，团队可将其转化为循环流程。操作员无需启动和引导每个会话。Claude能自主收集上下文、分配工作并执行计划或事件驱动的任务。

此时信任度成为瓶颈。深度代理树无法逐步监控，在循环获得信任前扩展规模只会倍增失败决策和token消耗。

此阶段新增：

• 子代理将工作分配给独立执行单元
• 程序集（https://code.claude.com/docs/en/routines）、/loop、/batch、/goal及动态工作流（https://code.claude.com/docs/en/workflows）处理计划性、重复性或多代理工作
• Claude Tag（https://claude.com/product/tag）监控频道、利用共享上下文并主动启动任务
• CLAUDE.md文件与技能库（https://code.claude.com/docs/en/slash-commands）编码标准规范，配合代理沙箱（https://code.claude.com/docs/en/sandboxing）限制文件系统和网络访问

此规模下，运营成本成为信任度的一部分：正确但低效的循环无法扩展。Boris指出应通过顾问工具、语言服务器、模型选择及将大型CLAUDE.md指令迁移至懒加载技能库来减少token消耗。

当后台循环能自主收集上下文、验证结果并按预期停止或返回人工处理时，即跨越此阶段。问题从“能否运行？”转变为“哪些工作应大规模自动化？”

最终阶段中，受信循环转化为领域特定自动化：代码迁移、模糊测试、功能构建或反馈修复。多个代理可能同时运行，部分由其他代理启动。人员设定意图并监控异常，而非分配和检查每个任务。

瓶颈在于识别有价值的自动化工作，并为各类工作选择合适的防护措施。

产品清单简洁：

• Claude Agent SDK（https://code.claude.com/docs/en/agent-sdk/overview）用于编程构建和调度代理
• 针对每种自动化的成本控制与模型选择

统一的自主策略无法适应所有工作流。每个流程需要独立的权限范围、检查机制和成本上限。人类判断力成为新瓶颈：决定运行哪些工作、何等证据足够充分、以及在哪些环节必须保留人工干预。

这些阶段描述演进过程，但并非公司整体成熟度评分或强制线性路径。它们映射了如何使更多AI工作实现并行处理，以及每个工作流后续等待环节。

随着技术限制消除，瓶颈常转移至人类注意力、审查、信任或判断力。定位工作流的等待环节，添加最精简的工具与防护措施以消除约束，然后观察队列向何处推进。

更多token无法推动团队跨越这些阶段，而更优的运行循环才能实现。

基于Boris Cherny的X帖子（https://x.com/bcherny/status/2077929379661844559）与《AI采用步骤》文档（https://docs.google.com/document/d/1R91ayvj7uvlxgNi–__2-Bf3w8x5r1nF-xIBN7ds8Ns/edit?tab=t.0）

本文讨论区

探索更多内容？