ABC Legal 的代理人艦隊：把 AI 實驗變成可治理的生產系統

以下六張圖卡整理自 Anthropic 官方 case study〈How ABC Legal turned every employee into a builder with Claude-managed agents〉，數據資料截至 2026 年 7 月。

01｜真正的突破不是讓 1,100 人學會寫程式

每個人都能成為 builder？ABC Legal 的真正突破，不是讓 1,100 人學會寫程式，而是把散落在個人電腦上的 AI 實驗，變成一支可治理、可觀測、持續運作的代理人艦隊。

左邊是原本的樣子：一群人、各自的筆電、各自的文件，用虛線鬆散地連著。右邊是現在的樣子：一個主 agent 分層掛著五個子 agent，每一個都帶著自己的人、筆電與文件。

數據是 50+ 生產環境代理人、約 310 名員工每天使用 Claude、部分任務成本最高下降約 50%。

02｜把代理人當成軟體

Agent = structured text。prompt + tool list + schedule + credentials + memory，加起來就是一份可審查的設定。

全部放進 git repository。每次修改都走 pull request，因此每個 agent 都有版本歷史、code review、rollback、audit trail。

ABC Legal 的 starter kit 只有兩種：event-driven agents，有事件就啟動；scheduled agents，按小時、日、週執行。Builder 複製 template，用 Claude Code 描述任務，不必自己寫軟體。

03｜真正的門檻，不是 AI，而是讓非工程師用 Git 與 pull request 工作

ABC Legal 集結 15 人 steering committee，來自 finance、marketing、operations、development，而且沒有任何人是 software developer。

流程是四步：15-person steering committee → 一週內，15 人全部做出可運作的 agent → 一個月內，約 50+ agents 在公司裡運行 → 50+ agents。

每個 agent 都有一個名字、一位 owner、一件工作。兩條起跑線：event-driven，新工作或文件回來就啟動；scheduled，按小時、日、週執行。先讓 builder 做出第一個，再讓他回團隊教下一個。

04｜一支代理人艦隊，不是一個萬能 bot

每個 agent 只負責一件可量化的工作。

AI Code Reviewer：檢查 4 個 codebase 的每個 pull request，找 security bugs、performance regressions 與 committed credentials。

EvidenceChain™ Delivery Agent：每天抓出符合條件的資料、取得 PDF，再送到客戶的 FTP server。一位 account manager 約 1 小時做出第一版，而且過去從未自動化。

eFiling Rejection Diagnoser：法院退件後自動讀取工作細節與 court rules，約 1 分鐘把 diagnosis 貼到 Slack。

Charvis：檢查已完成的 service jobs，目前約 98% 的判斷與 compliance team 一致。

05｜harvest、tune、repeat——讓代理人變聰明，不靠重新訓練

Initial Agent 即時完成工作，記錄每一步的 audit trail。Harvester 每小時或每天掃描 Slack，把 thread replies 與 reactions 整理成 labeled data。Tuner 每週回看全部資料，只提出 prompt 或 config 的修改，並開一個 pull request。

接下來是整條迴圈裡唯一標紅的一步：人類審查並 merge。只有核准後的變更，才會進入 production。

在 deliveries-as-code 裡，一個 reaction 標記錯誤路由，一週內就能變成合併後的 routing rule。整個 loop 只有一個人工步驟：review。

06｜可信任，才自動化

五條營運原則：

一，先讓 humans in the loop。每個 agent 先給建議，等它持續接近人類判斷後，才取得獨立行動的資格。

二，把 pull request 當控制面。決策要能逐行審查、核准、回滾，才適合交給 agent 參與。

三，用 feedback loop 持續改善。Slack 回覆與 reactions 可以變成 prompt、config、evals。

四，用 efficiency ratio 看價值。每次執行都回報 hours 與 dollars。很多 agent 先走一段 J-curve：初期成本高，之後靠 evals、更便宜的 model 與更少 tokens 轉為正收益。

五，不值得的任務，就不要做成 agent。推薦 → 自動化，中間隔著可驗證的信任。

右邊兩張圖分別畫了四階段軸——建議 → 審查與核准 → 受控執行 → 自主運作——以及 J-curve：先投資，後轉正；初期成本高（時間、人力、tokens），靠 evals、更便宜的 model、更少 tokens，轉為正收益，創造時間與金錢價值。

底下引用 ABC Legal 的 Brandon Fuller：「Every agent earns trust before it acts alone.」旁邊那句是：把企業規則變成 X-as-code，讓員工自由掌舵。