上週某新創創辦人傳訊息問我：「AJ，我用 Claude Code 兩個禮拜做了三個 prototype，現在不知道要 ship 哪一個。」這句話我這半年聽過至少十次。換掉「Claude Code」就變成 Cursor、Lovable、v0；換掉「prototype」就變成簡報、SOP、Notion 模板。AI 把生產力放大了十倍，可是「要選哪一條路繼續走」這件事，反而變得更難。因為選項變多了，每條路看起來都跑得動。
剛好最近 Anthropic 發了一份《創始人手冊：打造 AI 原生初創公司》（Founder's Handbook），把 AI 原生創業切成四個階段。我看完很有共鳴——這四階段不只是初創公司的問題，跟我過去一年陪企業、公部門、學校導入 AI 看到的卡點幾乎一樣。差別只在「創辦人」要換成「導入負責人」、「PMF」要換成「內部使用率」而已。
這篇把四階段整理成繁體版，每一段後面加上我自己在內訓與顧問現場看到的例子。如果你正在組織內推 AI、或是在做 AI 原生的新產品，可以對照看看自己卡在哪一階段。
階段 1想法階段：別把 AI 生成的原型誤認為需求已驗證
第一階段要做的事很單純：確認你想解的問題，是不是值得解。Anthropic 點出的核心風險很有趣——AI 把「做一個能 demo 的原型」這件事變得太便宜，導致很多創辦人把「我做出來了」誤認為「市場想要」。原型只是證明技術可行，不等於需求被驗證。
這件事在我看的企業 PoC 現場一模一樣。最常見的劇本：某部門用 Midjourney / Nano Banana 生了一組超漂亮的視覺，老闆看了很興奮，拍板說「我們來做一套 AI 視覺設計 SOP」。三個月後 PoC 結案，沒有任何一張圖被真的拿去用——因為品牌規範對不上、字型授權沒處理、實際出稿的同事根本不是當初做 PoC 的那組人。
問題不在 AI 不夠強，問題在「能 demo」跟「能 ship」中間隔了一條非常深的溝，而這條溝跟 AI 沒關係，跟組織的真實工作流有關係。Anthropic 在這階段建議的 AI 協作技巧很值得抄：讓 AI 扮演反對者、主動找反駁證據、分析競爭格局。我自己在帶導入會議時，會直接開一個 Claude session 叫它「以最挑剔的客戶角度問我們十個問題」——通常前三題就會把房間裡所有人問安靜。
AI 不是縮短時間，是把「誰能判斷」這件事推到台前。—— 改寫自 Anthropic《創始人手冊》的觀察
階段 2MVP 階段：vibe coding 跑太快，回頭看代碼變天書
MVP 階段的核心是聚焦核心價值、避免功能蔓延。Anthropic 提出兩個現在很流行的風險詞：「智能技術債」與「架構漂移」——意思是當你用 AI 一直丟需求進去，它每次都會給你一個能跑的版本，但這些版本之間的邏輯與架構慢慢就對不上了。
這跟我自己這半年寫 vibe coding 的痛苦完全吻合。那個數位的官網就是用 Claude Code 蓋的——前兩週爽到爆，每天都有新頁面長出來。但到了第三週開始改設計，我才發現：不同頁面的 CSS 變數名稱不一樣、有些頁面的 nav 是用 component、有些是直接 hardcode。AI 每次都很努力，但因為我沒先講清楚規矩，它每次都重新發明一次。
後來那個數位內部跟我合作的工程顧問跟我說的解法很簡單：寫一份 CLAUDE.md（如果用 Codex 就是 AGENTS.md），把架構原則、命名規則、絕對不要做的事情列清楚，每次開新 session 都讓 AI 先讀。這份文件就是 Anthropic 在手冊裡提到的 cloud.md 概念——你不是在管 AI，你是在管「AI 的工作環境」。MVP 階段花一天寫這份文件，省的是後面三個月的重寫。
階段 3上線階段：為什麼很多老闆變成自家公司的瓶頸
第三階段的轉折很關鍵：創辦人要從「執行者」變成「系統搭建者」。Anthropic 講的場景是把客服、帳務、合規（SOC2、GDPR）這些 repeatable 的事情交給 AI Agent 跑，自己退到設計與監督的位置。
這件事在台灣中小企業特別痛。我這一年合作過幾家公司，老闆都是公司裡最早碰 AI、也最會用 AI 的那一個——結果就是他變成自家的瓶頸。每一份重要的 prompt 都在他的 ChatGPT 裡、每一個 Agent flow 都在他的 n8n 裡、每一份報表都還是他用 Claude 親手摘要。團隊不是不想學，是他下放得太慢。
我之前寫過一篇把 AI Agent 當員工帶，那篇講的就是這個階段的解法：你要開始把「自己腦中的工作流」變成可以交接的東西——一個寫好的 system prompt、一份 Notion SOP、一個 n8n / Make 的工作流圖、一個內部 GPT。這件事的難不是技術難，是創辦人/主管願不願意承認「我在做的事，其實 80% 可以拆解」。願意承認的人，公司開始長大；不願意的，公司就停在他一個人的天花板。
另外一個常被忽略的點是 Anthropic 強調的安全合規。我合作過的公部門與金融客戶，PoC 跑很爽，一到上線就被資安卡死——個資邊界、模型來源、log 留存、PII redaction，這些事情不是上線才補，是 MVP 就要開始想。否則上線那天會發現，你做的東西根本不能放進真正的工作流。
階段 4規模化階段：行業 know-how 才是真正的護城河
第四階段是大家最愛討論、但最容易講錯的——AI 時代的護城河到底是什麼？Anthropic 給的答案有三個：行業專有知識、用戶數據飛輪、工作流鎖定（用戶切換成本高）。
第一個最重要，我直接舉個反例。過去一年我看過至少十家「AI + 教育」、「AI + 法律」、「AI + 公部門」的新團隊，技術都很強，創辦人多半是工程背景。九成的 demo 都很漂亮——但 ship 出去之後，現場的人三天就不用了。原因不是 AI 答不出來，是 AI 答的東西「對，但沒用」。一份不知道現場老師期末週多痛苦的教學助理、一份不知道地方政府公文簽核要跑幾關的公文 Agent，技術再強都接不進去。
真正能做大的，是那種創辦人 / 顧問本身就泡在那個領域很多年的團隊。他們的優勢不是寫 prompt，是知道「哪個欄位要留、哪句話不能寫、哪個流程節點絕對不能跳」。這些東西寫進 system prompt、寫進 retrieval 的資料庫、寫進 agent 的決策樹——就變成別人短期抄不走的護城河。純套 GPT API、純做 wrapper 的公司，2026 年會越來越難活。
第二個「用戶數據飛輪」也類似——你的產品被用得越多，累積的 domain-specific 樣本越多，下一版的 AI 表現就比競品好。第三個「工作流鎖定」更直白：當你的 AI 已經串進客戶的 Notion、Slack、ERP、Google Workspace，他要換掉你的成本比續約還高。
純套 API 的時代正在結束。
真正稀缺的不是接 GPT 的能力，是「知道接到哪裡才有用」的判斷力。
四階段共同的提醒：最稀缺的，是判斷力
Anthropic 在手冊最後丟了一句話，我看完直接寫進備忘錄：AI 提升執行速度，但無法替你做判斷。最稀缺的不再是技術與資金，是創始人的驗證紀律、反向思考、系統編排能力。
我把這句話對照過去一年所有專案再讀一次，發現它幾乎適用每一個情境：
- 想法階段——稀缺的是「敢承認 demo 不等於驗證」的紀律。
- MVP 階段——稀缺的是「敢停下來寫架構文件」的耐心。
- 上線階段——稀缺的是「敢把自己的工作交出去」的放手。
- 規模化階段——稀缺的是「對所在領域真的有 know-how」的厚度。
這四件事，沒有一件是 AI 能替你做的。AI 能做的是把每件事的「執行成本」砍到一個禮拜前你不敢想的程度——但你要做哪件、怎麼做、做完誰用、何時停手，全部還是你的事。
這也是為什麼我這一年帶內訓越來越不講「教大家用 ChatGPT」，而是花更多時間在「教大家怎麼決定要把 AI 放在哪裡」。工具學一天就會了，判斷力是組織自己要長出來的。
資料來源：本文四階段框架改寫自 Anthropic 發布的《Founder's Handbook：Building an AI-Native Startup》（創始人手冊：打造 AI 原生初創公司），內文延伸與案例為 AJ 個人在企業導入現場的觀察與補充。