AI Adoption Levels — 八层采用框架
What it is
Every 于 2026-06-02 提出的八层递进框架，将个人和组织的 AI 采用状态从低到高划分为：Chatbot → Copilot → Agent → Autopilot → Workflows → Assistant → Multi-agent → Orchestrator。每层配有定义、能力边界、示例提示词、人类判断要点，以及"何时升级到下一级"的决策信号。
核心主张：AI 采用不是竞赛，层级之间没有价值判断。模型迭代会自然"拉抬"所有人的基线，关键是找到与自身需求匹配的水平。
Why it matters
该框架将模糊的"用没用 AI"转化为可诊断、可讨论的具体层级，解决了三个常见问题：
- 自我评估：团队声称"在用 AI"，但实际停留在复制粘贴的 Chatbot 层级
- 投资优先级：盲目追求最高层级导致维护成本失控（如 Level 6 Assistant 需要专职工程师维护）
- 能力边界：明确各层级的可靠范围，避免在不适用的场景过度信任 AI
Key points
- Level 1 Chatbot：独立聊天窗口，不嵌入工作流。典型瓶颈是上下文碎片化。
- Level 2 Copilot：嵌入实际工作环境（文档、代码编辑器），能访问当前文件。瓶颈是单文件限制。
- Level 3 Agent：描述任务，AI 逐步执行并请求批准。反应式——等你发起。瓶颈是逐步审批。
- Level 4 Autopilot：跳过权限，AI 独立完成任务后你只审查结果，即 vibe coding。瓶颈是结果不均匀。
- Level 5 Workflows：在 Agent 周围构建 harness，使其输出专业化。从 vibe coding 到 agentic engineering 的过渡。瓶颈是需要工程能力。Anthropic 工程师将其进一步表述为从 "prompt engineering" 到 "system engineering" 的范式转移——不再手动写 prompt，而是构建让 AI 自己决定何时需要信息、何时调用工具的系统。
- Level 6 Assistant：AI 主动行动，无需被提示。瓶颈是设置复杂、记忆问题未解决。企业级部署开始出现财务约束：Uber reportedly 将编码 Agent 的月度预算上限设为 $1,500/人/工具，标志着 Agent 时代的企业治理从"能不能用"转向"花多少钱值得"。
- Level 7 Multi-agent：同时管理多个长期运行的 Agent。瓶颈是记忆管理和角色边界。
- Level 8 Orchestrator：一个编排器 Agent 管理 Agent 团队。高度实验性，即使前沿工程师也主要自己扮演编排器角色。
升级不是线性的：你可以在不同工作流中处于不同层级。例如，对落地页使用 Autopilot，对财务模型使用 Agent，对邮件使用 Copilot。
Fable 5 与 Level 7-8 的实证（2026-06-13）
- Kieran Klaassen（Cora 总经理）以 Level 7-8 方式使用 Fable 5：委托整个项目、异步 Agent 工作、审查结果、反馈循环。他称 Fable 为 "my favorite model ever"。
- 具体成果：设定 "24 小时内修复任何 papercut 或 bug" 的目标，中位修复时间从 "数天" 降至 5 小时（过去一周数据）。
- 两个月内从零构建完整 web + iOS 邮件收件箱（竞争对手 Superhuman 花了两年多）。
- 关键区分：不是「他是开发者」，而是「他以循环方式工作」。这验证了 Level 7-8 的杠杆效应：同样的模型，不同的工作方式，产生数量级的差异。
- 成本不对称的警示：Fable 5 不仅每 token 比 Opus 4.8 贵 2 倍，而且自动启动数十个子 Agent 检查工作，导致实际使用成本极高。Dan Shipper 指出这创造了新的不平等：能负担持续运行前沿模型的人与不能负担的人之间产生距离。这提示 Level 7-8 的采用不仅取决于技能，还取决于资本。
作者实践观察：
- Level 5 "主要是工程师的领域"，但"这一学科的大部分将在未来 6 到 12 个月内被内置到平台中"
- Level 6 的维护成本被低估：Every 的 AI 助理"之所以能可靠运行，是因为有高级工程师维护"
- Level 8 现有工具（Gas Town、Paperclip、Symphony）只是早期示例，尚未形成工业标准
Evidence across sources
| Source | Key Claim | Relevance |
|---|---|---|
| Every 2026-06-03 | 八层框架 + 每层的定义、瓶颈、升级信号 | 框架来源 |
| Every 2026-06-13 — The Moral of Fable | Kieran Klaassen Level 7-8 实证：24 小时 bug 修复目标、5 小时中位修复、两个月构建完整邮件应用；Fable 5 成本不对称（2× token 价格 + 自动子 Agent） | 框架的实证验证和边界条件：层级差异不仅取决于技能，还取决于资本 |
| Vibe Coding Market Dynamics | Vibe coding 抬高下限，Agentic Engineering 保住上限 | Level 4 与 Level 5 的能力边界 |
| Compound Knowledge | Every 团队将复合工程理念扩展到组织知识 | Level 5 的 harness 方法论 |
| Model Routing | 不同模型处理不同任务的路由策略 | Level 5-7 多 Agent 场景的技术支撑 |
| AI Briefing 2026-06-04 evening | Anthropic 工程师提出自提示系统；Uber 设定 $1,500/月/人 Agent 预算上限 | Level 5→6 演进信号；企业采用财务约束 |
Open questions
- 该框架主要针对个人和知识工作者，企业级部署（数百人、合规要求、遗留系统）是否需要不同的分层逻辑？
- Level 5 Workflows 所需的"工程能力"门槛是否会随着平台内置而快速下降？
- Level 6 Assistant 的记忆问题是否有可行的技术路径，还是会成为长期瓶颈？
- 中国市场的 AI 采用路径（以钉钉/飞书/企业微信集成而非独立 Agent 为主）是否适用同一框架？
Prompts for witness
- 你当前的主要工作流分别处于哪一层级？哪些工作流"卡"在某一层的瓶颈上？
- 如果你要选择一个低风险任务实验 Level 4 Autopilot，你会选什么？为什么？
- 你的团队中是否存在"声称在用 AI"但实际停留在 Level 1-2 的情况？如何帮助他们升级？
Related
- Vibe Coding Market Dynamics — Level 4 的详细分析
- Compound Knowledge — Level 5 的 harness 方法论
- Model Routing — Level 5-7 的技术支撑
- Multi-Agent Coordination — Level 7 的工程实现
- Software Factory Ladder — 另一套组织级 AI 采用框架