擁抱非確定性的未來：AI 時代軟體設計、工程革命與企業落地的深度指南
在人工智慧技術呈現指數級爆發的今天，軟體開發的本質正經歷一場前所未有的範式轉移。近日，在思科（Cisco）舉辦的第二屆 AI 峰會上，Anthropic 首席產品官麥克·克里格（Mike Krieger） 帶來了震撼業界的深度分享。作為 Instagram 的聯合創始人兼前技術長（CTO），以及 AI 新聞應用程式 Artifact 的聯合創始人，克里格擁有極為罕見的跨界視角。他在 2024 年 5 月加入 Anthropic，隨後更親自轉入 Labs 團隊，站上了前沿 AI 研發的第一線。
這篇文章摘要了該場深度分享，探討人工智慧如何徹底翻轉軟體開發與企業管理的傳統邏輯。他指出 AI 時代的軟體核心是非確定性模型，因此產品開發必須捨棄靜態原型，改採早期介入真實模型並持續迭代的研發模式。對於企業而言，AI 落地的障礙往往不在於技術，而是內部組織慣性與流程瓶頸，因此需選擇核心業務進行積極嘗試。同時，AI 程式編寫已大幅提升效率，讓開發重點轉向程式碼審核與產品設計原則的對齊。Krieger 強調設計匠心依然不可取代，未來的殺手級應用將在於挖掘企業中未被利用的數據流價值。
原始影片
在這場深度對話中，克里格傳遞了一個顛覆傳統的核心觀點：AI 產品的打造方法已經發生了根本性的改變。產品經理（PM）與設計師再也不能躲在漂亮的需求規格書（PRD）和靜態線框圖（Wireframes）背後。因為在 AI 時代，軟體的核心引擎不再是按部就班的程式碼，而是一個「非確定性的動態模型」。同時，企業在導入 AI 時，必須揚棄「安全但無關痛癢的小試點」思維，轉而直擊核心業務流程。當 AI 模型的能力已經突破天際，真正阻礙技術落地的，往往不再是技術本身，而是企業內部的權限審批流程、基礎設施瓶頸與組織慣性。
本文將帶您深度拆解麥克·克里格的分享脈絡，從產品設計的未來、工程開發的顛覆，到企業級 AI 落地的實戰指南，為所有科技從業人員與企業決策者提供一份全方位的 AI 時代生存手冊。
第一章：跨界思維的啟示——從符號系統到 AI 浪潮的最前線
要深刻理解克里格對 AI 產品的洞察，必須先回顧他獨特的學術與職涯背景。這不僅是一個矽谷成功創業家的故事，更是技術與使用者體驗（UX）交匯演進的縮影。
1.1 科技與人文的十字路口：符號系統的洗禮
克里格表示，貫穿他整個職業生涯的核心主線，就是對「軟體運算的技術潛力」與「使用者如何實際操作」這兩者交匯點的強烈興趣。這份熱忱源自於他在史丹佛大學就讀的「符號系統（Symbolic Systems）」學系。這是一個高度跨領域的學科，完美融合了認知科學、設計、計算機科學、哲學、心理學以及人工智慧。
雖然當時的 AI 技術大多還停留在「幫迷宮尋找最佳路徑」的初階階段，但這種跨學科的洗禮讓他建立了一個堅不可摧的核心信仰：「就算你擁有世界上最頂尖、最強大的軟體，但如果人們無法理解它、不知道如何使用它，那這款軟體就沒有創造出任何實質性的真實價值。」。這個理念成為了他日後打造所有數位產品的北極星。
1.2 兩大絕對趨勢驅動的職涯轉型
畢業後，克里格首先加入了 Meebo 公司，這段經歷讓他見識到了強大的企業文化與招募體系，並初步掌握了軟體從研發到落地的完整生命週期。隨後，他迎來了職涯的第一個高峰——與凱文·希斯特羅姆（Kevin Systrom）共同創立了 Instagram。在那個智慧型手機與行動網路剛剛興起的年代，他們專注於極致的簡化：讓使用者在每一個螢幕畫面上都清楚知道自己該做什麼，讓發布照片與建立社交圖譜變得「簡單到近乎愚蠢（stupidly easy）」。
離開 Instagram 後，這對黃金搭檔再次攜手，創立了 AI 驅動的新聞推薦應用 Artifact。儘管 Artifact 營運三年後因發展軌跡不符預期而選擇出售給雅虎（現為 Yahoo News），但這三年的 AI 創業經歷，讓克里格敏銳地捕捉到了兩個不可逆轉的產業趨勢：
- 寫程式的根本性顛覆：在 Artifact 創業晚期，克里格就已經開始使用早期的 AI 程式碼生成模型來加速開發。當時的模型甚至還不具備視覺能力，他只能用文字和符號（如點和破折號）向模型描述介面設計，要求模型用 Swift 語言實作。即使當時生成速度極慢（每秒只有兩個 Token，他甚至有時間去泡杯咖啡或散個步），但生成的程式碼框架已經具備了極高的可用性，這讓他深信「寫程式的方式即將被徹底改變」。
- AI 將成為全新的軟體「智能層」：過去如果要在產品中加入「文章摘要」或「將農場標題改寫為客觀事實」的功能，企業必須組建專門的機器學習研究團隊，耗費數個月的時間開發。但在 AI 時代，這些強大的功能僅需透過一個簡單的 API 呼叫，在幾個小時內就能完成部署。
基於這兩大趨勢，克里格深刻認知到，下一代軟體的研發必將由頂尖的 AI 實驗室來驅動。因此，在與 Anthropic 團隊交流並高度認可其願景與文化後，他決定加入這個站在技術最前沿的團隊，親自參與這場軟體革命。
第二章：破除科技圈迷思——「設計已死」是 AI 時代最大的誤判
隨著自然語言生成程式碼的技術日益成熟，科技圈瀰漫著一種悲觀的論調：「既然使用者可以直接用一句話向模型描述需求並生成應用程式，那麼設計師和產品經理是否將面臨職業危機，甚至徹底消亡？」。
2.1 「能用的軟體」與「熱愛的軟體」之間的巨大鴻溝
對此，克里格給出了極為堅定且具啟發性的反駁。他直言，「設計將會消亡」是一個被廣泛持有但卻根本性錯誤的信念。他精闢地指出，在「你使用的軟體」和「你熱愛的軟體」之間，始終存在著一道 AI 無法輕易跨越的鴻溝。
目前那些僅憑 AI 快速生成的「即興產品」，往往缺乏讓人主動想去回訪、甚至忍不住推薦給身邊親友的產品體驗。一款真正優秀的產品，必須具備以下三個不可或缺的要素，而這些都不是單純依賴自然語言提示詞就能自動生成的：
- 獨具匠心的工藝細節（Craftsmanship）
- 存在的絕對核心理由（Core reason to exist）
- 鮮明的品牌認知與情感連結（Brand identity）
2.2 設計師角色的演變與重要性升級
克里格強調，所謂「精心設計的軟體即將死亡」的說法被嚴重過度渲染了。相反地，在 AI 時代，使用者對於優質體驗的渴望不僅沒有降低，反而一如既往地關鍵。
在 Anthropic 的 Labs 團隊中，克里格每天與設計師密切交流。他發現設計師的角色確實正在發生轉變，但其重要性正在急劇攀升。未來的科技產業更需要專業的設計人員，來將 AI 模型深不可測、甚至有些抽象的強大能力，轉化為普通大眾能夠輕易理解、順暢使用的產品體驗。
第三章：產品研發的新範式——擁抱非確定性的動態引擎
如果設計沒有死，那麼產品經理和設計師在 AI 浪潮中犯下的最大錯誤是什麼？克里格一針見血地指出：「在真正把產品做出來之前，花太多時間停留在了靜態設計稿、假原型（Mockups）和產品需求文件（PRD）上。」。
3.1 告別瀑布流：軟體已成為「有生命的動態系統」
傳統軟體開發是確定性的，按圖施工即可。但 AI 時代的軟體已經進化成一個**「有生命的、呼吸著的動態系統」**。它的核心驅動引擎是一個非確定性的、令人驚嘆但有時也令人抓狂的 AI 模型。
因此，產品經理的角色必須被重新定義。把畫得精美的線框圖交給工程師去實作的傳統流程已經徹底失效。產品團隊必須盡早把真實的 AI 模型接入產品原型中跑起來，在反覆的動態測試和邊界探索中，尋找技術能力與產品需求的完美結合點。
3.2 經典案例解析：Computer Use 的漫長等待與奇蹟拐點
克里格分享了 Anthropic 開發「Computer Use」（讓 Claude 驅動使用者的電腦並進行精準點擊操作）的真實血淚故事，這是一個堪稱經典的敏捷試錯案例：
- 初創原型的失敗：2024 年夏天，克里格加入公司的第三個月就做出了原型。但當時的模型能力不足，會在螢幕上到處亂點，根本無法投入實際使用。
- 堅持維護測試框架：儘管看似無用，團隊並沒有放棄這個原型。他們把它當作一個量測能力邊界的工具，每當研究團隊發布新模型，就會接入這個原型進行測試，觀察它是否能突破檔案選單、打開特定應用程式。
- 迎來技術拐點：當 Sonnet 3.7 版本發布時，團隊照例進行測試，雖然原本沒有抱太大期望，但奇蹟發生了——研究員驚呼「它真的變強了，我們可以把它產品化了！」。
克里格總結道，如果當時團隊沒有持續維護那個看似失敗的測試框架，根本就無法及時捕捉到這個技術能力的拐點。這種「先構建原型，等待模型能力追上」的研發思路，在企業級場景中不僅適用，更是尤為重要，因為企業級產品對模型能力與體驗的結合要求極為嚴苛。
第四章：AI Agent 的沙盒化管理：自主創新與安全管控的博弈
隨著大型語言模型能力的進化，AI 智慧體（AI Agents）成為了企業數位轉型關注的焦點。對於 Agent 而言，究竟是給予更多自主性好，還是施加嚴格控制更好？克里格提出了一套極具實操價值的平衡哲學。
4.1 擁抱 Agent 的創造力與解題韌性
克里格指出，現代大模型擁有一種神奇的能力：只要給予它一個明確的目標和相當高層級的指令，它就能自主尋找解決路徑，甚至在遇到阻礙時展現出令人驚嘆的創造性。
他舉了一個 Anthropic 內部的生動例子：一位工程師要求 Claude 準備一份家庭度假的規劃文件，但租賃網站的照片因為伺服器故障無法正常顯示。令人意外的是，Claude 並沒有報錯停機，而是自己畫了一幅它想像中度假房子的樣子放進文件中。儘管畫作與實際房屋可能大相逕庭，但這種「遇到死胡同就嘗試其他方法、極度渴望解決問題」的自主能力，正是 Agent 真正的核心價值所在。完全束縛這種自主性，等同於扼殺了 Agent 的魔力。
4.2 企業級落地的絕對前提：Agent 沙盒化 (Sandboxing)
然而，嚴肅的企業環境無法容忍失控的資安風險。為了在賦能與控制之間取得完美平衡，Anthropic 在企業內部採用了**將 Agent「沙盒化（Sandbox）」**的正確方式。
在建構企業內部 Agent 系統時，必須嚴格界定以下三個核心問題：
- 權限邊界與最小權限原則：Claude 運行的「沙盒」究竟擁有什麼層級的權限？它執行任務所需的最小權限是什麼？。
- 外部通道控管：Agent 與外部世界（內部網路、資料庫、API）之間的連接通道是如何設計的？何時允許它越過沙盒邊界？。
- 全程可觀測性（Observability）：必須確保資訊流入與流出的每一個環節都能被追蹤與記錄。
總結來說，Anthropic 的策略是：在沙盒內部給予 Agent 充分的自主解題空間，同時配合嚴謹的外部連接管控與可觀測性。這是在企業級場景中安全導入 Agent 的絕對不二法門。
第五章：AI 顛覆軟體工程——100% 程式碼生成與全新的效率瓶頸
軟體開發生命週期正在經歷史無前例的震撼教育。在 Anthropic 的 Labs 團隊內部，AI 寫程式的滲透率已經達到了一個令人難以置信的里程碑。
5.1 難以置信的開發效率：100% AI 編程
大約一年前，Anthropic CEO 達里奧（Dario）曾公開預測年底將有 90% 的程式碼由 Claude 編寫，當時外界普遍認為這個目標太過瘋狂。然而，克里格證實，現在對於 Anthropic 的大多數產品而言，實際上已經實現了 100% 的 AI 編程，幾乎所有的程式碼皆由 Claude 撰寫。
這種效率帶來了驚人的工作面貌：團隊成員之間經常互相提交高達 2000 到 3000 行程式碼的 Pull Request (PR)，這在傳統軟體研發時代是完全無法想像的速度。團隊現在的核心任務，已經轉變為圍繞 Claude 搭建完善的品質保障與審查機制（Scaffolds），以確保能夠完全信任 AI 的巨大產出。
5.2 軟體工程的三大決定性變革
隨著 AI 輔助開發的普及，軟體工程領域出現了三個根本性的變化：
- 對抗式程式碼審查（Adversarial Code Review）的崛起：透過專業的提示詞工程訓練，Claude 已經成為極其嚴格的「對抗式」程式碼審查者。當工程師提交 PR 後，Claude 能迅速指出潛在的資安漏洞、建議重構方向與更優的架構方案。
- 重構與技術債的成本革命：在 AI 時代，產品迭代極快，技術債（Tech Debt）累積的速度也以倍數增長。但 AI 徹底改變了償還技術債的成本效益。克里格在開發 iPhone 專案碰壁時，便是讓 Claude 先寫好驗證測試程式，接著對底層架構進行全面重構，讓原本浩大的工程變得輕而易舉。
- 開發者基礎設施成為新的「10倍懲罰」瓶頸：過去，系統修復或持續整合（CI/CD）當機等個一小時，只是微小的不便，因為工程師一天可能只提交一個變更集。但在每個工程師每天產出十幾個巨量 PR 的 AI 時代，任何 CI 系統的阻塞或基礎設施的摩擦，都會對團隊生產力造成令人肉體感到痛苦的 10 倍懲罰。
5.3 重新定義「稀缺資源」
當「寫出能動的程式碼」不再是難題，什麼才是軟體開發真正的稀缺資源？克里格明確指出，真正的稀缺資源已經轉移到了程式碼的「審查（Review）、審計（Audit）和整合（Integration）」。因為當多名工程師同時向代碼庫提交海量程式碼時，系統整合的複雜度與衝突機率已大幅攀升。
此外，在企業級開發中，有兩項核心工作變得比以往任何時候都更加致命且困難：
- 對齊產品方向：確認產品到底要解決什麼問題，這在過去很難，在 AI 時代被放大為最難的部分。
- 對齊設計原則和技術架構：必須確保人與 AI 在修改海量程式碼時，不是在東拼西湊地貼補丁（Duct taping），而是朝著團隊共識的**「北極星」（架構規範、程式碼原則、核心業務邏輯）**持續演進。
第六章：企業落地 AI 的破局之道——拒絕平庸，直擊痛點
企業該如何正確擁抱 AI？Anthropic 的內部哲學是「極致地使用 AI 進行實驗」，但這套方法是否適用於傳統企業？克里格透過與大型銀行和保險公司的合作，總結出了企業 AI 落地的成功與失敗法則。
6.1 失敗的標配：「安全無害的小試點」
克里格觀察到，失敗的企業往往是在做「極致實驗」的反面。如果一家企業只敢在自認為最安全、無足輕重的邊角料業務中採用一個小功能，或是為低價值的內部流程定制 Agent，這些嘗試幾乎注定會失敗。
失敗的兩大主因是：
- 缺乏雄心壯志：在這些低價值的小試點中，企業無法見識 AI 真實的顛覆威力，也無從評估真正落地需要投入哪些實質資源與架構變革。
- 一遇到阻礙就輕易放棄：因為試點的業務價值太低，一旦遇到路障或模型表現初期不如預期，專案負責人往往會直接放棄，無法形成持續優化與迭代的飛輪效應。
6.2 成功的範本：激進推進核心業務與賦能一線
正確的企業落地模式，是**「挑選企業內部真正關鍵、甚至有點令人畏懼的核心業務流程」**，並與 AI 廠商緊密合作，明確三個核心問題：
- 成功的衡量標準是什麼？
- 安全的護欄與界線在哪裡？
- 如何制定一個激進的時間表以加速落地，保持在技術前沿？
在組織架構上，企業應建立一個精簡的「中央 AI 團隊」，其職責僅限於提供模型存取權限、審計與可觀測性；同時必須賦予一線產品與業務團隊足夠的自主權，讓最靠近使用者的團隊決定如何應用技術。這種堅持不懈、持續增量改進的持久力，將成為企業的新超級能力。
6.3 執著於核心問題，保持產品形態的靈活性
企業在落地 AI 時，必須具備承認「產品形態不對」的靈活性，並勇於推翻重來。克里格分享了 Anthropic 探索讓 Claude 與 Excel 深度整合的血淚史：
- 第一次嘗試：讓 Claude 讀取試算表內容並寫程式碼去更新它（純技術實現，但實際體驗不佳）。
- 第二次嘗試：利用 Computer Use 的視覺能力，讓 Claude 看著螢幕手動點擊儲存格（結果發現電子表格是電腦視覺領域最難的題目之一，操作精度完全不夠）。
- 最終解法：經歷三四次徹底打掉重練後，團隊決定直接在 Excel 內部建立原生的鉤子（Native Hooks），這才實現了完美的深度整合與流暢體驗。
這個真實案例印證了 AI 時代不變的商業鐵律：「企業編寫軟體的能力，已經不再是核心的差異化優勢。」。真正的護城河，是企業長年積累的使用者信任、品牌認知、客戶關係、專有資料，以及深厚的系統整合談判能力。只要專注於解決使用者的核心痛點，產品形態隨時可以根據技術演進而大膽重構。
第七章：前沿佈局——生產力革命、底層可解釋性與無感偏好學習
對話的最後，克里格揭示了 Anthropic 在產品與底層研究上的最新佈局，為我們描繪了 AI 技術的下一個爆發點。
7.1 生產力工具的演進：Claude Cowork 誕生
Anthropic 團隊發現一個有趣的現象：使用者開始大量使用寫程式工具（如 Claude Code）來處理「非程式設計」的事務，例如企業流程編排、制定個人待辦清單等。儘管技術上可以讓 AI 完全接管電腦基礎設施（例如極端自主的 OpenClaw），但大多數人類尚未準備好接受如此高程度的自主 AI 介入。
因此，僅耗時三週就開發完成的生產力工具 Claude Cowork 應運而生。它的定位介於「完全自主 Agent」與「傳統辦公工具」之間，核心價值在於整合與自動化工作片段，讓 AI 成為使用者的「全能工作搭檔」，而非直接取代人類。這標誌著大模型正大舉向企業級生產力工具領域邁進。
7.2 打開 AI 決策黑盒：機制可解釋性 (Mechanistic Interpretability)
人類真的能理解 AI 為何做出特定決策嗎？Anthropic 在機制可解釋性領域的進展十分神速：
- 2024年：發布 Golden Gate Claude 論文，首次展示了能夠具體對應並操縱模型「大腦」中的個別特徵。
- 2025年與未來：深入「迴路（Circuits）」研究。不僅研究單一概念，更探索模型如何執行具體操作（例如 AI 模型明明沒有內建計算機，為何能順暢進行複雜的心算，這並不完全符合它們被訓練的方式）。
這項研究已從純學術走向實際應用。團隊透過極限測試與系統卡（System Cards）來探索模型邊界，探究模型何時保持誠實、何時可能欺騙，並密切觀察模型部署到真實世界後產生的「湧現行為（Emergent behaviors）」，以確保安全性並進行持續迭代。
7.3 無感知的用戶偏好學習：告別冗長表單
未來的 AI 將如何更本能地理解使用者？要求使用者填寫冗長的偏好表單顯然行不通。克里格提出了兩個「讓使用者付出最少額外努力」的探索方向：
- 利用數位痕跡（Digital Ephemera）進行冷啟動：讓 Agent 先進行「旁觀」。例如，透過分析使用者在企業通訊軟體（如 Slack）上寫過的無數文件與對話訊息，Agent 就能精準掌握使用者的線上工作風格與表達習慣，無痛完成個人化建模。
- 動態生成 UI 的微交互：Anthropic 正在賦予 Claude 即時（Just-in-time）生成各種互動介面的能力。透過自然的對話與輕量化的 UI 點擊（如動態生成小選單或分段選項），Agent 能在日常互動中逐步、無痛地學習使用者的核心偏好。
7.4 危機隱憂與下一個殺手級應用
身為天生愛操心的人，克里格最擔憂的並非模型能力會遇到天花板，而是**「人類陳腐的流程問題」**。他直言，配備了正確模型上下文協議（MCPs）權限的 Claude，與沒有配置的體驗有著天壤之別。然而，企業內部冗長、僵化的權限審批流程，往往成為卡死 AI 技術發揮威力的最大阻礙，讓使用者感到極度失望。
但同時，他也對 AI 的發展充滿興奮。他發現Claude 在產品管理領域的能力遠超預期。雖然它還無法憑空發明全新產品，但目前已經能作為一個極為優秀的「產品經理實習生」，協助進行大量的使用者需求收集與綜合分析工作，這比他預期的提早了非常多。
針對下一個殺手級應用，克里格給出了極具商業洞察的預測：「挖掘企業未被充分利用的龐大資料流」。無論是網路資安監控、金融交易訊號，還是製造業的機台感測資料，核心痛點都在於資料準備度不足。未來的殺手級應用將是利用 AI 大幅降低資料攝取（Ingestion）的門檻，並構建強大的聚合與洞察發現能力，徹底釋放這些隱藏在深處的巨量資料價值。
結語：在非確定性的變革中尋找新定位
綜合麥克·克里格的深度分享，我們不難發現，AI 從單純的輔助編程工具向全能生產力工具、從企業級基礎設施向個人化應用的全面滲透，已經是不可逆轉的歷史洪流。
當下科技產業與企業數位轉型的核心痛點，已經從「技術能力的不足」轉向了「企業的流程瓶頸、基礎設施的脆弱與組織慣性」。對於企業決策者而言，打破「安全小試點」的思維定勢，敢於在核心業務中大膽導入 AI 代理並建立完善的沙盒護欄，是確保未來競爭力的唯一破局之道。
而對於廣大的軟體工程師、產品經理與設計師來說，必須徹底拋棄靜態的傳統瀑布流研發思路，盡早將動態模型接入真實產品原型中，將精力轉移至系統架構對齊、程式碼審查與使用者體驗設計，在持續的測試與迭代中，尋找強大運算力與人性的完美交匯點。AI 時代的軟體革命已經真正到來，只有勇於擁抱非確定性、持續創新的團隊，才能在這波宏大的產業紅利中，刻下屬於自己的名字。
