Claude Corps 把 AI 訓練變工作

我拆 Anthropic 的 Claude Corps，順手給你一份可直接複製的 fellowship 模板。

我盯 AI 訓練計畫很久了，很多都怪得很一致：課上得很滿、證書發得很快、簡報做得很漂亮，最後回到現場還是那堆爛流程。非營利最缺的不是「知道 AI 很重要」，而是有人真的坐進去，把那個亂七八糟的 intake、表單、回信、整理、追蹤，一格一格拆掉。這個落差一直讓我很煩。

所以我看到 Forbes 這篇 Claude Corps 報導時，第一個反應不是「哇好大手筆」，而是「終於有人把訓練跟工作綁在一起了」。Anthropic 不是只叫大家去學 AI，它是想把人塞進真實組織裡，讓 AI 變成可交付的工作，而不是課後感想。這件事我比較有感。

報導裡寫得很直接：Anthropic 要砸 150 million 美元，做 1,000 個 fellows，年薪 85,000 美元，放進最多 400 家美國非營利組織。這不是辦一場 webinar，這是把 staffing 當成 adoption 的一部分在做。

這不是課程，這是人力配置

“Anthropic is investing $150 million to launch Claude Corps, a national fellowship program that will place young people in full-time jobs at various nonprofits around the country that want to use artificial intelligence more effectively in their work.”

翻譯一下就是：Anthropic 沒把 AI adoption 當知識問題，而是當人力問題。非營利組織不是缺一份 AI 指南，它們缺的是一個真的坐在現場的人，能把「用 AI」翻成「這個收件流程怎麼改、這封回信怎麼半自動、這個報告怎麼先草擬、哪些事絕對不能亂自動化」。

我看過太多公司買工具，然後裝作很驚訝地說「怎麼沒人用」。原因通常不是工具爛，是缺一個懂現場的人，把工具接進日常工作。Claude Corps 的思路很簡單：好，那我們連人一起養。

這裡最重要的是結構，不是標語。全職、進場、為期一年，這三個條件缺一個，整個東西就會歪掉。遠端會變成客服支援線，兼職會變成 side project，只有訓練沒有落地，就會變成履歷上一行字，對組織沒什麼用。

實操寫法：如果你在做公司、基金會、學校或公部門的 AI 計畫，先別問「怎麼教大家用 AI」，先問「哪個工作值得安排一個人進去把 AI 用起來」。先定工作，再定課程。

• 人要靠近 workflow，不要關在訓練教室。
• 每個人只負責一個 owner、一个 measurable problem。
• 輸出要是 operational 的，不是只會說自己學到很多。

真正狠的是它把門檻打開了

Anthropic 和合作方說，申請者要年滿 18 歲、全職工作經驗少於兩年，還不要求學位。這個設計比品牌名字更重要，因為它直接砍掉了很多假裝公平、實際上很會挑背景的門檻。那種「我們歡迎新人才」但最後只收名校、履歷漂亮、講話很像已經在這圈子裡混過的人，我看多了，真的很膩。

CodePath 的 CEO Michael Ellison 在報導裡說，他們刻意要做得非常 accessible，而且希望第一批 fellows 反映更廣泛的人群。這不是空話，這是選才邏輯。

我以前碰過一堆計畫，嘴上說要找新血，實際上還是在篩學歷、篩名聲、篩那種你一看就知道「這人以前一定常進會議室」的氣質。結果就是舊管道繼續複製舊管道。Claude Corps 如果真的照這個標準做，至少會打開另一條路：年輕、沒那麼多資歷包袱，但願意學、願意試、願意把一個怪流程磨到能用的人。

而且這不只是理想主義。非營利裡的 AI 工作，很多根本不需要博士。它需要的是會聽、會寫、會測、會改，而且不會把第一版當神主牌的人。這種能力其實很可訓練。比起訓練人適應組織，訓練組織真的接受 AI，反而更難。

實操寫法：如果你要做自己的 fellowship 或 apprenticeship，先把那些裝門面的條件拿掉。問「有沒有解題能力」「會不會寫清楚」「遇到新工具會不會自己摸出來」，不要先拿學位當篩子，除非那個職位真的非學位不可。

• 申請題目用白話，不要故作高深。
• 看學習速度和溝通，不要只看 pedigree。
• 薪資要夠真，不要做成慈善式實習。

這 150 million 不是只在付薪水

Anthropic 的 150 million 美元，當然不只是薪資。它還包含 program design、合作夥伴管理、訓練內容、媒合、支援系統，還有那些讓 1,000 個人不會一頭撞進 400 家非營利然後把事情搞亂的基礎工程。這就是很多計畫最愛偷懶的地方：大家都記得發布會，沒人預算水管。

報導裡提到的結構是 Anthropic、CodePath、Social Finance 三方合作。這分工其實很合理。Anthropic 負責模型和資金，CodePath 負責人才訓練，Social Finance 負責把 fellowship 做得像個會運作的制度，而不是一個漂亮但脆的專案名稱。你要這東西活下來，就不能只靠一家公司自己硬撐。

我自己幫團隊做內部 AI pilot 時，最常卡的也不是 demo，而是交接。誰負責 onboarding？誰確認非營利端的人真的能接手？誰決定 prototype 夠不夠成熟可以上線？如果這些沒先講好，最後就是一堆半成品自動化，外加一個快被搞瘋的營運同仁。

還有一點很現實：fellow 年薪 85,000 美元。這不是小事。薪資會決定這個角色到底像工作，還是像履歷裝飾。給太少，留下來的人少；給得像樣，才會吸引認真的人，也比較不會一堆表演型參與者。

實操寫法：預算不要只算 stipend，要把整個生命週期算進去。訓練、督導、合作夥伴 onboarding、結案 offboarding，每一段都要有錢。你少算這些，最後就會得到一個很貴、但很空的實驗。

非營利才是 AI 的壓力測試

Anthropic 說 fellows 會幫非營利組織改善營運、推進 mission。這句話聽起來很大，但其實很對。非營利的條件通常最硬：人少、工具亂、行政支援薄、事情永遠比資源多。AI 如果連這裡都幫不上忙，那很多 hype 真的只是噪音。

我反而覺得這不是從最容易的客戶開始。企業有預算、有 IT、有採購；非營利沒有這些，還得每天處理更雜的事。這種環境更能看出 AI 到底能不能真的省下重工，而不是只會製造新的管理負擔。

但這裡也有陷阱。所謂「更好地用 AI」如果沒定義 use case，很容易變成空話。比較有用的版本會是：減少 donor 回信時間、整理 case notes、草擬 grant language、分類 incoming request、翻譯素材、協助志工排班。危險的版本就是某個沒待過現場的人喊一句「把全部都自動化」。

實操寫法：先挑一個痛、重複、而且能量化的流程。不要從 mission statement 開始，先從 bottleneck 開始。

• 先找一個前後時間成本清楚的流程。
• 敏感輸出一定保留人工審核。
• 把改了什麼寫下來，讓組織在 fellowship 結束後還能接著跑。

分批上線，代表他們知道第一版一定會歪

Forbes 寫，第一批申請在 7 月 17 日截止，100 位 fellows 會在 2026 年 10 月開始；之後還會在 2027 年 1 月和 8 月再開兩批。這種分批節奏我其實很喜歡，因為它表示他們沒有假裝第一版就會完美。

Daniela Amodei 在 Associated Press 裡說過一句我很認同的話：

“We’re hoping it’s a good idea that can take root and that other people can build on and learn from.”

我真的很受不了那種把 pilot 說得像紀念碑的 AI 計畫。發表時聲勢很大，六個月後才發現現場根本吃不下，然後默默改 scope。分批上線至少還有一個好處：你可以根據第一波的問題，去改 curriculum、媒合方式、支援模型和 host expectations。

實操寫法：如果你也要辦類似計畫，務必在 cohort 之間留空檔。第一批負責找 bug，第二批才拿來修正後擴大。不要把 bug 一起 scale。

這件事真正講的是 AI 怎麼被分發

Claude Corps 最有意思的地方，是它把 AI access 當成可以透過人來分發，不只是透過產品更新。這點很多公司都漏看了。他們以為 adoption 會在模型更強那刻自動發生。其實通常不是。通常是某個離現場很近的人，知道怎麼把工具塞進真實工作裡， adoption 才開始動。

所以這個計畫的價值，可能不只在非營利。如果它跑得順，它會變成一種模板：AI 廠商、基金會、大學、公民組織，都可以把 skilled operator 放進資源不足的機構裡。不是那種做完簡報就走的顧問，而是會留下實際能力的人。

我不會裝作這能解決所有事。它一定會有媒合失敗、use case 誇大、還有一些 fellows 進去後才發現非營利營運根本是另一種混亂。但比起再做一個叫大家「擁抱 AI」然後拍拍屁股走人的活動，我寧願看到一個真的把人放進流程裡的方案。

實操寫法：別只想「訓練使用者」，改成想「嵌入翻譯者」。這是我看完後一直卡在腦中的職位概念。那個人要同時懂工具和 workflow，還要有權限推動工作方式改變。

可抄的模板

# AI Fellowship Program Template for Nonprofits

## Program name
[Your program name]

## Purpose
Fund and place early-career fellows inside nonprofit organizations to apply AI to real operational work.

## Program goals
- Reduce repetitive administrative work
- Improve response time on core workflows
- Build lasting AI capability inside host organizations
- Train fellows to use AI responsibly in mission-driven settings

## Fellowship structure
- Duration: 12 months
- Format: Full-time, in-person
- Cohort size: [number]
- Host organizations: [number]
- Compensation: [$ amount] per year
- Start dates: [date 1], [date 2], [date 3]

## Eligibility
Applicants must:
- Be 18 or older
- Have less than 2 years of full-time work experience
- Be authorized to work in [country]
- Be comfortable using AI tools
- Not require a college degree unless the role truly needs one

## Selection criteria
Prioritize applicants who show:
- Clear writing and communication
- Fast learning and curiosity
- Comfort with ambiguity
- Respect for human review in sensitive work
- Evidence of solving practical problems

## Host organization criteria
Select nonprofits that:
- Have a real workflow bottleneck
- Can provide a day-to-day manager
- Will commit staff time to onboarding and feedback
- Want to keep the improvements after the fellowship ends

## Fellow responsibilities
Fellows may:
- Map workflows and identify automation opportunities
- Draft and test prompts, templates, and SOPs
- Build lightweight AI-assisted processes
- Train staff on approved tool use
- Document what works and what should not be automated

## Guardrails
- No fully autonomous decisions for sensitive cases
- Human review required for external communications, legal, financial, and beneficiary-impacting outputs
- Track data privacy and access rules
- Maintain logs of AI-assisted changes

## Support model
Each fellow should have:
- One program manager
- One host-site supervisor
- One technical mentor
- One monthly review on progress and risks

## Success metrics
Measure:
- Hours saved per week
- Workflow turnaround time
- Staff adoption rate
- Number of reusable templates/processes created
- Post-fellowship continuation rate

## Offboarding
Before the fellow exits:
- Document workflows and owners
- Train a permanent staff member
- Package prompts, templates, and SOPs
- Identify which tools to keep, replace, or retire

## Simple application prompt
Describe one workflow you would improve in a nonprofit, what you would automate first, and how you would keep humans in control of the final decision.

## Host application prompt
Describe the bottleneck you want solved, the staff member who will supervise the fellow, and what success looks like after 90 days.

這份模板是我根據 Forbes 報導重組出來的版本，不是 Anthropic 原文措辭。原始數字、合作方和計畫輪廓來自 Michael T. Nietzel 在 Forbes 的文章；我這邊補的是可直接拿去改成你自己版本的 structure。

來源：Forbes、Anthropic、CodePath、AP News。文中的框架拆解、實操建議和模板重寫是我自己的整理，原始報導的事實部分我有對照來源後再下筆。