Anthropic產能暴增8倍有代價!Claude Code主管揭管理痛點,AI如何讓團隊陷入「孤島」危機?
Anthropic產能暴增8倍有代價!Claude Code主管揭管理痛點,AI如何讓團隊陷入「孤島」危機?

2025 年 2 月,Claude Code 以研究預覽版問世,那時 Anthropic 大部分工程師還是用傳統方式審程式碼。約一年四個月後,局面幾乎翻轉。

根據 Anthropic 在 2026 年 6 月 4 日發布的《When AI builds itself》報告,旗下工程師目前平均每季交付的程式碼量,約為 2021 至 2025 年平均值的 8 倍。

官方也提醒,程式碼行數偏重量而非品質,幾乎肯定高估實際生產力增幅;Fung 的核心觀察是,程式碼供給量暴增的同時,驗證端的工作量也同步暴增。

Claude Code與Cowork團隊工程負責人(Engineering Lead)Fiona Fung 近期接受 Lenny's Podcast 訪談,說出了一句讓整篇訪談框架瞬間清晰的話:「寫程式已不再是瓶頸,它反而拉高了任何人所能達成成就的上限。」

換句話說,以前工程師抱怨沒有足夠時間寫程式,現在的問題是:當程式碼的供給速度遠超過人類可以審核的速度,管理者要怎麼辦?

Fung的答案不是「多審一點」,而是重新設計整個驗證機制。

為什麼傳統 code review 在這個節奏下失靈

Fung 在訪談中提到,Claude Code 的 code review 功能甚至到 2025 年都不存在,當時最大的瓶頸之一就是人工程式碼審查。在每季產出 8 倍程式碼的情境下,要維持「每個 PR 都有資深工程師逐行審核」幾乎不可能。

一般人的直覺反應是擴增程式碼審查人力。但 Fung 指出,這忽略了另一個結構性變化:提交程式碼的不再只有工程師,PM 和設計師也在 Claude Code 的協助下提交功能。這意味著傳統「工程師審工程師」的人力配置邏輯本身就需要重寫。

她的解法有兩層。第一層是讓規格書(spec)進版本庫(repo),讓 Claude 自動比對程式碼是否符合最初設計目標。

她在訪談中把這個方式比喻為「測試驅動開發(TDD,Test-Driven Development)的進化版」,差別在於以前要工程師先寫測試(Fung 坦言這像「先吃花椰菜」,自己也一直拖),現在 Claude 可以幫忙生成測試,讓 TDD 的原則在實務中終於變得可行。

第二層是她所稱的「bad vs. sad」品質框架。

「bad vs. sad」:讓每個子團隊自訂品質紅線

Fung 在訪談中描述了這個框架的設計邏輯。

bad 指不可恢復的嚴重錯誤,例如程式崩潰(crash)或資料遺失;sad 指可以恢復但讓使用者不舒服的問題,例如畫面閃爍(flicker)。

關鍵在於:sad 累積到一定程度,會演變成 bad。

框架本身不算複雜,複雜的是落地方式。Fung 沒有替整個組織統一定義什麼叫做 bad 或 sad,而是讓各子團隊依照自己的產品表面自行決定。例如 CLI 介面的 bad 可能是程式崩潰,某個 UI 功能的 sad 可能是按鈕反應延遲超過某個閾值。每個子團隊建立自己的儀表板,追蹤各自定義的 bad/sad 事件趨勢。

這個設計解決了跨產品表面比較的困境。傳統做法是讓所有團隊追蹤相同的效能指標(例如頁面載入時間),但當你同時管理 CLI 工具、瀏覽器擴充套件和 Cowork 介面,這些數字根本無法放在同一把尺上量。

但重點是 bad/sad 框架讓不同性質的產品都能用相同語言(這個體驗是不可接受的,還是只是讓人不舒服?)回報品質狀況。

此外,Fung 的團隊還有一個她稱為「F-word dashboard」的指標(編按:指追蹤使用者對話中出現咒罵詞頻率的儀表板,作為衡量挫折感的代理指標),追蹤使用者在對話中出現咒罵詞的次數,作為衡量挫折感的另一個訊號。

Fung 在訪談中表示,這個做法是 2025 年 9 月由一位工程師提出。

延伸閱讀:Claude Code快捷鍵+指令大全!13大類速查不用背,從Ctrl+C到多Agent協作一次整理

管理工具本身也在被 AI 改寫

除了品質框架,Fung 分享了她作為管理者的日常工作如何被 Routines 功能改變。Fung 在訪談中表示,Routines 於 2026 年 4 月 14 日以研究預覽形式推出,讓使用者設定定時任務,由 Claude 在背景自動執行指定的代理任務。

Fung 的使用方式很具體:她在所有 repo 開了一個 Claude Code 遠端 session,這個 session 被授予存取所有 Slack 頻道和內部指標的權限。每天早上,Routines 會自動掃描回饋頻道,整理使用者問題主題,並產出可以直接審閱的 PR 草稿。過去她必須手動做的工作(每天早上喝咖啡、逐一掃描頻道),現在她醒來就有摘要和 PR 等著她。

她也把這個流程導入月度 1:1 管理會議。以前這類會議靠手動整理 bullet list,現在她開著 Claude Code session 開會,讓 Claude 即時分析這個月做了什麼、有沒有達到效果、用戶回饋有哪些主題。她在訪談中說,一年前這些洞察基本上是做不到的。

但 Fung 也坦承,當同時有 20 個代理在跑,脈絡切換(context switching)的認知負荷其實在增加,而不是減少。以前她會刻意排出「進入心流的時間」,現在她發現自己必須改成排出「消化非同步代理輸出的時間」。

菜鳥工程師怎麼教?

Fung 的管理框架在有既有工程背景的人身上相對有效,但她對新一代工程師的培養路徑感到不確定,這是她在訪談中少數直接表示「希望自己有水晶球」的問題之一。

她的觀察是:以前工程師透過親手寫程式累積對架構和底層的直覺判斷,這個過程是無法跳過的。現在新工程師可以不讀程式碼就直接提交功能,這個「理解層」要怎麼建立?她提出的可能方向是師徒制(fellowship 或 apprenticeship model),讓新進工程師在有資深人員陪伴下完成一定數量的實務工作。但她也說,這只是一個方向,不是答案。

她同時提到「trust but verify」是貫穿這整個轉型期的核心原則。模型很強,但仍然有需要深度人工判斷的區域,尤其是分散式系統等高複雜度場景。她在招募上的做法反映了這個判斷:現在只鎖定兩種人,一是有產品直覺的創造型工程師(creative builders with product sense),二是能負責驗證的深度系統專家(deep systems experts)。中間那些一般化角色,她認為已不是主要缺口。

延伸閱讀:「寫程式已經被AI解完了!」Claude Code之父:全員Vibe Coding跨域團隊將成未來主流

AI 讓人人高效,但也讓人人變成「孤島」

最後一個值得關注的面向,與技術無關。Fung 在訪談中被問到什麼事情讓她睡不著覺?她的答案不是技術挑戰,而是文化維持。

她用一句話描述自己的噩夢:管理者說「都沒問題」,但背後其實已經很不妙,就像那個「管家在失火的房間裡安靜喝咖啡」的梗圖。

她的說法是:「文化是一個有生命、會呼吸的有機體,而不僅僅是掛在牆上的一張海報。」

團隊在快速成長下,多元觀點、一體感和「看到同伴跟不上時要等一等」的習慣,是最難保存的東西,也是她認為最重要的東西。

這個觀點背後有一個結構性的提醒。Fung 所描述的那套高效管理系統,讓個別工程師可以在幾乎不需要跨組溝通的情況下完成大量工作,這是效率的來源,但也是孤立感的來源。

她在訪談中提到,最近 Claude Code 團隊啟動了「programming lunches」,讓工程師帶著各自的 Claude session 一起吃飯工作,互相觀察對方怎麼用工具。這不是技術活動,是對抗孤立感的社交設計。

簡單來說,在高速增長中刻意放慢去觀察同事怎麼工作,需要的是管理者對「什麼東西不能自動化」有清醒的判斷。

延伸閱讀:
Claude Code Skill怎麼寫、SKILL.md放什麼?Anthropic官方揭9大實戰用法

白話科技|功率半導體是什麼?MOSFET、IGBT、SiC、GaN差在哪?台股18檔概念股一次看

資料來源:Lenny's Podcast — What happens after coding is solved? Fiona Fung(2026 年 6 月 21 日)

補充查證來源:Anthropic — When AI builds itself(2026 年 6 月 4 日)Fortune — Anthropic engineering head Claude Code lonely experience(2026 年 6 月 23 日)

本文初稿為AI編撰,整理.編輯/李先泰

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓