Coinbase 在名為 PR Speed Run 的活動中，邀請約 100 名工程師使用 AI 完成一項簡單的程式碼修改，再將成果送進既有的程式碼變更請求流程。約 15 分鐘內，團隊產生了約 70 個 Pull Request。
這場活動後來成為 Coinbase 推動超過 1,000 名工程師採用 AI 的重要節點。它把抽象的 AI 採用要求轉成一次共同實作，員工能親自完成真實任務，並與同事交流做法。
本篇 Aiworks 將從 Coinbase 推動組織使用 AI 的案例，分析真實任務的實作體驗是如何降低員工面對的能力、心理與文化阻力，並說明企業可以如何讓 AI 進入日常流程並向團隊擴散。
Coinbase 如何把交付壓力轉成 AI 採用的第一步
Coinbase 當時面臨一項很具體的產品壓力：團隊需要在 6 至 9 個月內，把原本以管理加密資產為主的 Coinbase Wallet 改造成整合交易、社群互動、聊天與小型應用的消費型 App。產品範圍變得更廣，交付時程卻相當緊迫，因此提升工程速度便成為迫切需求。
交付壓力可以促使團隊改變工作方法，卻不保證帶來穩定的 AI 採用。就像 Coinbase 過去導入 GitHub Copilot 時，初期使用量快速上升，熱度卻未能延續。
領導者先親自使用，才能形成 AI 採用的管理判斷
Coinbase 工程部資深總監 Chintan Turakhia 也親自使用 AI 解決工作問題。他用 Cursor 分析團隊的 AI 使用資料，讓工具產生分析程式與儀表板，並在一個週末完成收集使用者回饋的簡易網頁工具。
(source: How I AI: Chintan Turakhia’s Playbook for AI Adoption at Coinbase, ChatPRD)
從企業採用角度來看，領導者親自實作有兩層作用。一方面能幫助管理者判斷哪些任務適合交給 AI、需要哪些資料與上下文，以及團隊要補上哪些能力；另一方面，領導者的可見參與也會形成示範效應，讓員工看見管理層同樣投入學習與試錯。
當 AI 不再只是由上而下的使用要求，團隊會更願意開始嘗試，新的工作方式也更容易在組織內擴散。
領導者形成第一手判斷後，下一步是把這些理解轉成團隊可以共同參與的行動。Coinbase 因此發起 PR Speed Run，以一項門檻低、耗時短且可驗收的真實任務，為員工建立清楚的 AI 使用起點。
PR Speed Run 如何降低員工使用 AI 的三種阻力
企業推動 AI 採用時，常把焦點放在工具操作上。但實際成效還取決於員工是否知道 AI 能用在哪些工作、員工面對 AI 採用的心態是工作的額外要求還是一個新的解決方法？以及團隊內是否形成可以觀察與交流的使用風氣。這些問題分別對應到能力、心理與文化阻力。
- 能力阻力：用真實任務建立第一次 AI 使用經驗
參與 PR Speed Run 的工程師會取得一項簡單任務，使用 AI 修改程式碼，再把成果送出為 Pull Request。他們從理解任務、使用 AI 到交付結果，親自走過完整過程。「用 AI 寫程式」因此有了可以再次執行的具體步驟。
- 心理阻力：在既有審查流程中建立 AI 信任
工程師在活動中處理真實的程式碼修改，產出的 Pull Request 仍依照團隊原有的流程接受審查，AI 產出也必須通過相同的品質確認。使用者因此能把 AI 理解為完成既有任務的新方法，而非又一個額外要求。
- 文化阻力：以共同實作促進團隊經驗交流
約 100 名工程師在同一段時間使用 AI，讓新的工作方式在組織中被看見。參與者除了知道自己完成了什麼，也能看見同事如何處理相似問題。當新的工作方式出現在共同場域，員工會更容易交流做法與失敗經驗，知識也不會只集中於少數技術愛好者身上。
法遵案例：用共同文件建立可觀察的 AI 實作
PR Speed Run 雖然來自工程團隊，但「共同完成一項可檢查的真實任務」也能套用到非工程職能。
以銀行法遵團隊為例，可以讓參與者使用同一份公開的主管機關公告，請 AI 依共用格式整理「規範變動、可能受影響流程、待人工確認問題」，並把提問方式、修正紀錄與產出放進共同編輯文件。
接著資深法遵同仁在文件中標示哪些判斷可採用、哪些需要修正，參與者便能觀察別人如何提問、AI 容易在哪裡出錯，以及下次可以如何調整。
讓 AI 進入既有工作流程，降低企業採用門檻
在 Coinbase 的日常工作中，團隊可以從 Slack 呼叫內部 AI Agent。這個 Agent 能取得 Linear 任務單、程式碼庫、Datadog 與 Sentry 等既有系統中的相關背景，完成修改後建立草稿狀態的程式碼變更請求（Draft Pull Request），再交由工程師檢查。
這套做法減少了導入初期的學習負擔。員工無須同時適應新的工具入口與操作，也能沿用熟悉的驗收方式。
(source: How I AI: Chintan Turakhia’s Playbook for AI Adoption at Coinbase, ChatPRD)
依 AI 使用成熟度設計員工成長路徑
當員工採用 AI 的第一道門檻降低了，更多人開始使用 AI，組織內部也會出現不同的使用方式與熟練程度，企業需要依不同層級安排下一步的具體行動指示。
這裡的輕度、中度與高度使用，差別取決於AI 承接的工作範圍與步驟多寡、任務包含多少專業判斷，以及是否牽涉其他角色與系統。以銀行法遵團隊處理主管機關發布的新規定為例，可以從單一步驟逐步發展成可重複的團隊流程。
(source: GPT 模型, Aiworks)
輕度使用先讓 AI 承接一個清楚的步驟；中度使用擴大到蒐集、比對與準備判斷材料，但由法遵人員保留決策；高度使用再將成熟方法整理成可排程、可調閱指定資料，並設有人工確認節點的 Skill 或流程。
AI Super User 如何把個人經驗擴散為團隊能力
使用成熟度描述個人能用 AI 完成多大範圍的工作；Super User 的價值，則在於把有效方法轉成團隊可以採用的做法。企業可以主動設計任務分享、案例交流、範本共創或同儕陪跑等機制，讓更多員工有機會成為 Super User。當這些經驗不再停留在少數人身上，而能持續被團隊採用與改善，AI 應用才會從個人能力累積為組織能力。
衡量 AI 採用成效，應從端到端流程連接 P&L
Coinbase 已經開始看到 AI 導入帶來的效率與交付成果。2026 年第 2 季投資人公告指出，AI 採用正提高工程效率並加快產品交付：每位工程師處理的 Pull Request 數量為前一年的 2.2 倍，核心服務的整合測試覆蓋率在 6 個月內成長至 2.5 倍，AI 使用量的成長也快於相關支出。把這些指標放在一起看，重點不只是產出增加，也包括品質控制與投入效率是否同步改善。
但企業要把 AI 採用連接到 P&L（Profit and Loss），衡量焦點不能停留在工具使用量或產出數量，而要看從需求到交付的整條流程。AI 生成更多程式碼、文件或分析草稿，本身不等於創造更多價值；如果後續增加審查、重工或決策負擔，反而會消耗原本節省的時間。
以貸款申請為例，徵審人員更快完成資料整理，是有價值的進步；但當資料查核、風險審查與主管核准等環節也同步減少等待與反覆退件的發生，申請人取得結果的時間才會真正縮短。
因此，個人生產力與產出量可以作為前導指標，企業仍需進一步確認整體流程的交付速度、品質、成本與風險是否改善。當這些改變反映在收入成長、成本降低或風險控制上，AI 效益才真正與 P&L 連結。
Aiworks 觀點：建立可迭代的企業 AI 採用推進框架
Coinbase 的案例顯示，企業 AI 採用需要從真實任務開始。領導者的親自實作能建立推動判斷與示範效應；共同任務則降低員工的能力、心理與文化阻力，讓 AI 進入可理解、可檢查的既有工作流程。組織後續再依使用成熟度安排進階行動、由 AI Super User 擴散有效做法，並以端到端流程與 P&L 檢查成效，個人使用才可能轉化為企業價值。
Aiworks 認為，上述概念可以進一步整理成一套可持續迭代的企業 AI 採用推進框架：任務與流程梳理 > 工具選擇與學習 > AI 人才培訓機制 > 成效回顧與持續迭代。這條推進路徑同時由治理框架支撐，在各階段明確設定人工確認節點，以及品質、成本與風險的責任歸屬
企業應先從真實任務梳理流程，據此選擇適合的 AI 工具與第一個可驗收的 PoC 任務；工具選定後，再把學習放進既有工作情境；隨著使用逐漸成熟，組織就可以開始建立分層培訓、培養 Super User、每週 AI 應用案例分享等等。
最後以端到端流程回顧成果，將任務判斷、使用回饋、修正紀錄與成效結果更新回框架，讓其他部門與未來的 AI 應用導入可以沿用既有經驗，持續迭代並累積專屬於企業內部的 AI 資產。
📩 想為你的組織打造 AI 協作能力？
Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。
▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼
（若表單未正常顯示，請點擊此連結進入表單填寫頁面）
參考來源
- How Coinbase scaled AI to 1,000+ engineers｜Lenny’s Newsletter
- How I AI: Chintan Turakhia’s Playbook for AI Adoption at Coinbase｜ChatPRD
- Coinbase Q2 Earnings｜Coinbase Investor Relations