Anthropic 教育報告：AI 流利度指數（AI Fluency Index）與企業採用觀察

AI資訊分享Build School Learn2026-02-24

導言

Anthropic 於 2026 年發表的教育報告提出「AI 流利度指數」（AI Fluency Index），透過分析近萬筆與 Claude 的多回合對話，量化使用者在與 AI 協作時展現的可觀察行為。此報告為企業與技術主管提供一個基準，用以評估組織在導入生成式 AI 時的實作成熟度與風險點。

重點速覽：研究以 4D AI Fluency Framework 中可直接觀察的 11 項行為為主，發現「迭代與精進（iteration and refinement）」與其他流利度行為高度關聯；另外在產出 artifact（如程式碼或文件）時，使用者雖更具指令性，但對 AI 產出的評估行為反而下降。

如何量化 AI 流利度（方法與指標）

本研究採用由學者與 Anthropic 共同提出的 4D AI Fluency Framework，將 AI 流利度切分為多項可觀察行為。報告聚焦於在 Claude.ai 或 Claude Code 聊天介面中可直接辨識的 11 項行為（例如：迭代與精進、質疑模型推理、指出缺失情境、設定格式、提供範例等）。

研究資料來自 2026 年 1 月一週內的 9,830 筆多回合對話，採用隱私保護的分析工具逐一標註每場對話是否出現特定行為，並檢驗結果在不同日與不同語言間的一致性，以確認樣本的穩定性。

核心方法要點：

• 樣本：9,830 筆在 Claude.ai 上的多回合對話
• 可觀察指標：11 項行為（每場對話可同時呈現多項）
• 分析方式：逐條對話二元標註（有/無該行為），檢驗週期與語言一致性

研究限制（方法面）：僅能觀察聊天介面內的行為，無法涵蓋框架中另外 13 項在對話外發生的重要行為（例如對 AI 輸出負責任的使用決策）；此外以二元分類忽略行為強度或部分展現的細節。

圖片：一張流程圖示意 4D 框架到 11 項可觀察行為的關聯。

主要發現：迭代帶動流利度，產出情境降低評估行為

報告揭示兩大重要模式：

1. 迭代與精進是流利度的核心

85.7% 的對話包含迭代與精進（即以先前回覆為基礎反覆修正），而這類對話平均展現 2.67 項流利度行為，相較於非迭代對話的 1.33 項，幾乎多一倍。尤其在評估面向（如質疑模型推理、識別缺失情境）差距更大：迭代對話在質疑模型推理上的發生率高出約 5.6 倍，在識別缺失情境上高出約 4 倍。

此結果對企業意義重大：鼓勵使用者在 AI 互動中維持多回合、以迭代為導向，能顯著提高整體的甄別與驗證行為，降低因過度依賴單次回覆而產生的風險。

圖片：柱狀圖比較有無迭代之下各行為的相對頻率。

2. 在產出 artifact 時使用者更具指令性，但評估行為下降

約 12.3% 的對話涉及生成 artifact（程式碼、文件或互動工具）。在這類對話中，使用者更常進行：

• 明確說明目標（+14.7 個百分點）
• 指定輸出格式（+14.5 個百分點）
• 提供範例（+13.4 個百分點）
• 進行更多迭代（+9.7 個百分點）

然而，相對地，對評鑑/辨識面的行為（例如：識別缺失情境、事實查核或要求模型說明推理）卻顯著下降（分別約 -5.2pp、-3.7pp、-3.1pp）。換言之，使用者在要求具體產出時傾向把重心放在指令性與格式化，而非批判性驗證。

對企業而言，這可能影響產品或服務品質：當 AI 生成看起來「完成」的工件時，若缺乏驗證流程，錯誤或不一致性可能被忽略。

圖片：雙柱圖比較 artifact 與非-artifact 對話在描述/委派行為與辨識行為的差異。

對企業導入的風險與機會（策略性觀點）

根據上述發現，可以從風險治理與效率增進兩面來思考：

• 機會：透過設計鼓勵迭代的使用流程（如內建回饋回圈、範本化的追問提示），可提升使用者在驗證與辨識上的行為頻率。
• 風險：在需要高正確性或法遵的場景（法務文件、財務分析、關鍵程式碼），若僅依賴 AI 所產生的「完成品」而缺少審核，將增加錯誤、偏誤或責任歸屬模糊的風險。

因此企業在導入生成式 AI 時應同時投資於使用者訓練、流程設計與檢核機制，以確保可觀察行為與不可觀察但關鍵的倫理實務同步提升。

發展使用者 AI 流利度的建議（企業視角）

基於研究中的行為模式，對企業與技術主管的建議包括：

1. 把「迭代」納入標準作業流程：在工具或內部培訓中強制或鼓勵多回合互動與逐步驗證。
2. 在產出導向的使用情境中設計驗證檢查點：即便輸出看似完成，也應強制事實查證、同行審閱或自動化測試。

研究限制（面向與解讀）

Anthropic 報告指出多項限制，對企業解讀此指數時應謹慎：

• 樣本為單一週期（2026 年 1 月）且偏向多回合使用者，可能高估早期採用者的成熟度。
• 僅可觀察對話內行為，無法衡量對話外的關鍵行為（如透明揭露 AI 參與、後續風險評估與責任分配）。
• 採用二元標註方式忽略了行為強度與部分表現的差異。
• 研究為相關性分析，無法直接斷定某行為會造就另一行為的因果性。

未來趨勢

1. 隨著模型產能與可用性提升，企業會更仰賴 AI 產生可交付物，但同時會發展更多自動化的驗證工具（如自動化事實核查、靜態分析與合規掃描）。
2. AI 流利度的衡量將從可觀察對話行為擴展到整個協作生態，包括責任揭露、使用者外部驗證與跨工具的能力指標。

給專業人士的實務建議

1. 在團隊內建立「迭代文化」：推動多回合互動與持續回饋，避免把 AI 回覆當成一次性答案。
2. 為關鍵產出設計強制性驗證：包含事實查核流程、同儕審查或整合測試，確保 AI 產物在上線前被檢驗。

參考資料

本文整理自 Anthropic 的《Education Report: The AI Fluency Index》（2026-02-23）。如需延伸閱讀

（來源若需逐條引用，建議以 Anthropic 原報告為主）