Claude Managed Agents 企業導入：ABC Legal 如何讓非工程師管理 50 多個 Agent

Claude Managed Agents 企業導入需要版本、審查與成本制度。Anthropic 於 2026 年 8 月 17 日發布案例。15 位非工程師一週完成 Agent，約一個月上線 50 多個。到 2026 年 7 月，約 310 名員工每天使用 Claude。部分 Agent 涵蓋工作的人工成本最多下降約 50%。

這家法律服務公司先解決治理，再擴大使用

ABC Legal 是一家美國法律文件遞送公司。業務包括訴訟文件送達、電子遞狀與出庭律師安排。公司自報每年處理超過 1,200 萬次送達嘗試。2024 年服務逾 5 萬名客戶。這些流程會碰到法院規則、期限、客戶資料與付款紀錄。Agent 可能在凌晨開瀏覽器並寫入系統。一次錯誤的代價遠高於一段難看的文字。

ABC Legal 技術長是 Brandon Fuller。2026 年初，他開放 Claude Enterprise。1,100 名員工都可使用。服務送達、財務、行銷與法遵部門隨即自行做自動化。早期 Agent 多半寄居在建立者的個人電腦，以排程工作執行。公司因此看不見完整清單。管理者也難回答昨晚有沒有跑、花了多少錢、誰批准版本。

Fuller 隨後把 Agent 設定寫進 Git 儲存庫。內容包括系統提示、工具、排程、憑證與記憶設定。每次修改都走拉取請求（pull request, PR）。合併到主分支才自動部署。Agent 也有名稱、負責人與單一任務。這套做法讓個人實驗成為可清點、可回復、可審查的營運單位。

從 2026 年 4 月的公測，到 7 月的成本曲線轉折

Anthropic 在 2026 年 4 月 8 日推出 Managed Agents 公開測試版。雲端服務處理執行迴圈、安全沙箱、工作階段、記憶與追蹤。ABC Legal 推行很快，但各時間點的證據強度不同。原始案例沒有交代 Claude Enterprise 的確切啟用日。每個 Agent 的完整成本表也未公開。

這條時間線有兩個訊息。非工程師一週做出 Agent，靠的是範本、共同環境與 PR 流程。速度不能全算在模型能力上。成本改善則出現在擴大使用之後。公司先容許一段負報酬期，再以評測、較便宜的模型與較短提示降成本。

五個 Agent，五種不同的風險邊界

AI Agent 是能使用工具並保留工作狀態的人工智慧系統。它可以執行多步驟任務。ABC Legal 把法律文件流程切成小而明確的工作單位。

這張表也暴露了案例的證據缺口。98% 一致率未交代測試期間、案件數與誤判代價。最多 50% 的降幅也缺少基準工時與管理費用。案例也沒說 API 成本是否全數納入。這些數字適合辨識方向，還不足以保證採購報酬。

PR 為什麼能成為 Agent 的控制介面

Git 原本用來管理程式碼。ABC Legal 把提示、YAML 規則、排程與工具權限視為可審查文字。團隊因而沿用版本紀錄、差異比對、批准與回復機制。GitHub 對 PR 的說明也支持這種做法。PR 可把改動、對話、審查與自動檢查集中在一處。搭配受保護分支後，管理者可要求審查通過才合併。

這個設計對非工程師有一道真實門檻。Fuller 得先教 15 位成員使用儲存庫、複製與 PR。有人起初甚至把 PR 誤解成跑步速度。障礙可在一週內跨過，卻不代表 Git 已變直覺。企業若照抄，培訓、權限分組、範本維護與停用流程都要計入成本。

我更在意它與治理框架的對應。美國國家標準暨技術研究院（NIST）發布了 AI 風險管理框架。框架要求組織持續治理、盤點、衡量與管理 AI 風險。人與 AI 的責任也要有清楚紀錄。ABC Legal 的清冊、具名負責人、人工審查與評測可供參考。PR 本身無法保證安全。它保留誰改了什麼、誰批准、能否回復的證據。

人工回饋如何變成下一版提示

大多數 ABC Legal Agent 是單一任務執行者。少數有人工評分的 Agent 採三個角色。初始 Agent 執行工作並留下紀錄。Harvester 每小時或每天收集 Slack 回饋。Tuner 每週提出提示或設定修改的 PR。三者共用工作區與憑證庫。人類負責批准，Tuner 不會自行部署變更。

姊妹公司 Docketly 的 deliveries-as-code 提供較完整的例子。約 145 套派工規則各自存成 YAML 檔。同事可在 Slack 回報錯誤派工。Harvester 把回饋轉成標籤，Tuner 修改規則並開 PR。第四個 Agent 只部署人類已批准的版本。一次錯誤回饋最快可在一週內成為正式規則。

這種改善沒有重訓模型。它把現場判斷轉成版本化的提示與設定，成本較低，也容易回復。表情符號是方便但粗糙的標籤。沉默不等於同意。同一批人產生並審核回饋，可能把偏誤寫回系統。高風險流程仍需抽樣稽核、分開審查與預先定義的失敗門檻。

用效率比判斷哪些工作配得上一個 Agent

ABC Legal 逐次記錄每個 Agent 回報的價值。節省時數與金額除以執行成本，形成效率比。新 Agent 常先走一段 J 型曲線。初期模型較大、提示較長，收益可能低於成本。評測資料累積後，團隊可用 Claude Haiku 處理高頻工作。需要複雜推理的案件留給 Claude Opus。多數任務則採 Claude Sonnet。

採購方應追問每次執行的完整成本與節省工時。返工成本與人工審查時間也要列入。原始案例只描述比例與趨勢，沒有公開這四欄數值。外部讀者因此無法重算報酬率。最多 50% 的降幅是 ABC Legal 自行衡量的任務層級結果。

企業若要採用相同方法，可以先選一項每週重複、輸入輸出明確、錯誤可回復的流程。前幾週只讓 Agent 提建議，逐筆記錄人工接受率、修正原因與處理時間。達到事先約定的品質門檻後，再開放有限自動執行。這比先買一個橫跨全公司的 AI 願景實際得多。

常見問題

Claude Managed Agents 適合哪一類企業工作？

它適合執行數分鐘到數小時、會呼叫多個工具的工作。保存狀態與定時執行也是適用情境。單次摘要或簡短問答通常可直接使用 Messages API。涉及法規判斷、付款或外部寫入時，還要人工批准與可回復機制。

非工程師真的能建立正式環境的 AI Agent 嗎？

ABC Legal 的 15 位非工程師使用範本與 Claude Code。技術團隊也提供支援。他們一週內各自做出 Agent。範本可降低程式門檻，但組織仍需維護儲存庫、部署、權限與評測。

如何判斷 Agent 可以從建議模式改成自動執行？

先定義任務專屬的一致率、重大錯誤率、返工時間與單次成本。通過有代表性的樣本期後，再逐步開放權限。上線後保留抽樣稽核與停用機制。Charvis 約有 98% 一致率，但案例未提供樣本細節。企業不宜直接照搬這個數字。

企業導入時最容易漏算什麼成本？

人工審查、失敗返工、範本維護與 Git 培訓常被漏掉。事件處理也要計入。API 帳單只是成本的一部分。Agent 若碰觸客戶資料、法院系統或付款流程，還要計入法遵與安全審查。

權威來源

• Anthropic｜How ABC Legal turned every employee into a builder with Claude Managed Agents
• Claude Platform Docs｜Claude Managed Agents overview
• Anthropic｜Claude Managed Agents: get to production 10x faster
• NIST｜AI Risk Management Framework Core
• GitHub Docs｜About pull requests
• Anthropic｜How enterprises are building AI agents in 2026

作者觀點

我認為 ABC Legal 最可複製的資產是一套決策格式。工作有負責人，變更留下差異，正式執行前有人批准。結果回到可衡量的紀錄。模型或平台日後一定會換，這套格式仍可帶走。案例缺少公開的評測樣本與完整成本。採購方應把兩項列成試點交付物。

Tenten 協助企業拆解內容與內部作業流程時，會先盤點批准人與回復步驟。錯誤紀錄方式也要先定義，再選模型與工具。評估 Claude Managed Agents 企業導入時，可聯絡 Tenten 團隊。我們會把第一個試點縮到數週內能衡量成本與品質的範圍。

術語表