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。
个人层面的系统性自我评估（2026-06-28）
- Arielle Shipper 建立每周五自动化流程：让 Codex 回顾她一周的会话历史，评估她在八层框架中的当前位置，并给出具体改进策略。
- 她从 5.5 级(Agent-first 但不编排多个代理)提升到 6.6 级，验证了周期性外部评估对 AI 能力成长的加速作用。
- 可复制 prompt 结构：先问 "Based on everything you know about me... what level would you say I'm at on this guide to AI adoption levels?" 然后追问 "What would take me to the next level up? How can I use you more effectively? What opportunities did I miss?"
- 这一实践将八层框架从静态诊断工具转化为持续改进的反馈系统。
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 |
| Every 2026-06-28 | Arielle Shipper 每周五让 Codex 评估自己的 AI 采用级别，从 5.5 级提升到 6.6 级 | 将八层框架从静态诊断转化为持续改进反馈系统 |
| 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