7.7
深览指数
科技人人都是产品经理·琢磨事··AI 生成
Anthropic其实并不AI原生？
本文作者提出一个反常识观点：即使像Anthropic这样最头部的AI公司，其内部组织架构也并非AI原生。论证核心是Anthropic公开的数据分析案例：其Claude系统准确率在一个月内从95%暴跌至65%，根源并非模型能力，而是业务数据模型变更时，指导AI的文档（Skill文件）未同步更新。作者因此认为，高AI使用率不等于AI原生，真正的AI原生组织应让数据成为组织本身的可计算状态，而非依赖事后修补。适合关心AI落地、组织变革的读者，能提供看待AI公司“表里不一”的批判性视角。原文 ↗
核心观点
- ▍高AI使用率（如Anthropic的95%数据分析自动化）并不等于AI原生组织；真正的AI原生组织应让业务运行本身持续生成结构化、可验证、可计算的组织状态，而非依赖AI事后修补系统裂缝。
- 01Anthropic内部数据分析系统上线时离线准确率约95%，一个月后因业务数据模型变化、Skill文件未更新，准确率降至约65%。
- 02Anthropic的数据分析错误主因包括：概念歧义（如“活跃用户”定义不同）、数据模型变化、正确信息未被检索到。
- 03Anthropic的解决方案是将数据模型与Skill文件放入同一代码仓库，并强制变更时同步修改，约90%的变更已遵守。
- 04Anthropic营销运营团队使用Claude Cowork从Slack、会议记录等隔离系统中“搬运”数据生成报告，显示AI仍充当不同系统的胶水，而非系统原生。
- 05作者认为，AI原生组织需要四个特征：从数据采集转向状态生成、从文档解释转向规则可执行、从AI读取组织转向AI支撑组织运行、从人工维护一致性转向系统确保一致性。
反方 / 局限
- — 作者承认Anthropic的实践“已经相当先进”，其将数据模型与Skill文件放入同一仓库的做法是“相当先进的工程实践”，并指出Anthropic“可能是世界上AI使用程度最高的公司之一”。
- — 文章隐含的局限：作者对AI原生组织的定义（“无人公司”）可能过于理想化，Anthropic作为探索性极强的研究型公司，其组织形态可能天然不适合高度结构化、可计算的“AI原生”状态。
12 分钟 · 4 卡片 · 9 资料
读原文 →