文 | 李智勇

Anthropic 可能是世界上最懂人工智能的公司之一。

但这并不意味着，Anthropic 先天就是一家彻底的《AI 原生组织》。

这是个刺激话题，因为这相当于在说最头部的 AI 公司不 AI 原生。但实在涉及 AI 原生组织到底是什么，所以还真得认真写下。

最近，Anthropic 发布了一篇文章，介绍公司如何使用 Claude 实现自助式数据分析。文章披露，目前 Anthropic 内部 95% 的商业数据分析请求已经由 Claude 自动完成，整体准确率约为 95%。这无疑是一个令人印象深刻的成绩。 [ 1 ]

但文章中真正值得关注的，可能不是这个 95%，而是另外一个数字：

他们的数据分析系统上线时，离线准确率约为 95%；仅仅一个月之后，准确率就下降到了约 65%。

造成下降的主要原因并不是 Claude 的模型能力发生了退化，而是业务数据模型持续变化，供 Claude 使用的 Skill 文档没有同步更新。

直到 Anthropic 把 Skill 文件和数据模型放进同一个代码仓库，并要求数据模型变更时同步修改相关文档，准确率才重新得到控制。

这个细节暴露了一个比模型能力更深层的问题：

Anthropic 或许已经在大规模研发并使用 AI，但它的组织底座仍然不完全是为 AI 设计的。

而它所面临的组织问题其实也不高级，和很多创业公司人员膨胀到 100 人以上的时候面对的问题几乎一模一样。

一、分析准确率波动，表面是数据问题，实质是组织状态问题

Anthropic 把数据分析错误归纳为三个主要原因。

第一，概念和数据实体之间存在歧义。同样是 " 活跃用户 "，不同团队可能采用不同的行为定义、时间窗口和过滤规则。

第二，数据源、业务定义和数据库结构会不断变化，使已有知识逐渐失效。

第三，正确的信息虽然存在，但 Claude 没有从庞大的数据空间中检索到它。 [ 1 ]

这些当然是数据分析领域的经典问题。

但从 AI 原生组织的视角看，它们不应当只是交给分析系统事后解决的问题。（这之后会产生一大堆打补丁的人，各种 title，一定程度上 FDE 也可以看成是它的后果。）

因为所谓数据，本质上不是一堆等待分析的表格，而是企业经营状态的数字化表达，是生产关系的综合。

当产品定义发生变化、销售组织完成调整、客户分类标准被修改时，变化的不只是某张表，而是组织对现实世界的解释方式。

如果这些变化不能同步反映到数据模型、指标定义、权限体系、智能体上下文和评估体系中，说明组织仍然存在两套彼此分离的系统：

一套系统负责真实地经营业务；（大致等于 OLTP）

另一套系统事后记录、解释和分析业务。（大致等于 OLAP）

AI 只是被放到了第二套系统之上。

这仍然是典型的人类组织结构：人和业务系统创造现实，数据团队整理现实，AI 最后读取这些整理结果。

从 AI First 的角度，这种分离和伺候分离的体系显然很 " 土鳖 "，并且是祸乱之源。分离之后的统一几乎难倒了所有公司。

真正的 AI 原生组织则应当有所不同：

业务运行本身就在持续生成结构化、可验证、可计算的组织状态。

这种状态的终极值就是《无人公司》，这就是为什么我总强调三部曲的顺序是：《AI 原生组织》《无人公司》。

二、Anthropic 拥有 " 数据文档 "，但还没有完全形成 " 统一状态 "

Anthropic 在文章中承认，一个业务概念可能对应大量貌似合理的数据来源。

以收入为例，Claude 面对的可能不是一个明确的数据实体，而是数十个看起来都能够代表收入的表、字段和计算方式。

Anthropic 因此提出，需要建立更少、更严格治理的标准数据集，并主动淘汰那些近似重复的数据模型。 [ 1 ]

这项改造非常正确。

但它同时说明，在改造之前，Anthropic 内部的数据现实仍然是碎片化的。可以负责任的说，这是通常的情况，我个人见过的每个公司的数据现实都是这么个碎片化的。

一个真正 AI 原生的组织，不应该在 AI 提出问题时，才让 AI 从几十个候选数据源中猜测哪个最接近事实。

组织应当在业务规则产生时，就确定：

换句话说，AI 原生组织需要的不是更多数据，而是一个可以被持续执行的组织本体。这个本体的完整性，实时性是生命线。

它不只是数据仓库里的语义层，也不是一份写给 Claude 阅读的说明文档，而是业务对象、状态、规则、责任和行动之间的统一映射。

数据不是关于组织的资料，数据就是组织本身的可计算状态。而在这里组织既是对象，也是关系，甚至还是过程。

三、Skill 文件更像 AI 时代的 " 操作手册 "

Anthropic 目前的解决办法，是把数据模型、语义层、参考文档、标准仪表盘以及供 Claude 使用的 Skill 文件尽可能放在同一个代码仓库中。

当数据模型发生变化，却没有同时修改对应的 Skill 文件时，代码审查机制会发出警告。

目前，Anthropic 大约 90% 的数据模型变更已经会在同一次修改中包含 Skill 更新。 [ 1 ]

这已经是相当先进的工程实践，但其实不靠谱。因为 " 放在同一个代码仓库 " 中其实就导入了一个依赖。不放怎么办呢？人能都按规则放么？这种小细节反倒是彰显 AI 原生组织的背后其实是：公司运营、数据、架构、模型的混合体！

从更严格的 AI 原生标准来看，Skill 文件依然是一种 " 外挂式知识 "。

业务系统发生变化之后，人或者 AI 需要重新修改一份说明，告诉 Claude 新的数据模型应该如何理解。这个修改应该是内置于 AI 原生组织的，它自己对此是要有感知的。

它类似过去的软件操作手册，只不过现在操作手册的读者从人变成了智能体。

这里的关键在于，只要组织真相与智能体认知之间还需要通过静态文档进行转译，两者就可能再次发生偏离。

Anthropic 所观察到的准确率从 95% 下降到 65%，本质上就是这种偏离的结果。

更彻底的 AI 原生架构不应依赖智能体 " 阅读最新说明 " 来理解组织，而应当让智能体直接运行在版本化、可查询、可验证的实时状态之上。

当一个指标的定义发生变化时，改变的应当不是一份孤立的说明文件，而是一个原子化的系统版本：

数据模型随之改变，语义定义随之改变，权限随之改变，相关智能体的上下文随之改变，评估用例也随之改变。

这时，AI 所理解的组织与真实运行的组织才可能始终保持一致。

而达成这一状态的前提是什么？就是我反复提及的：智能优先！AI First！

四、Anthropic 的营销系统提供了另一个证据

Anthropic 还介绍过其营销运营团队如何使用 Claude Cowork 生成每周经营报告。

其中提到，有些指标已经进入仪表盘，有些还停留在数据仓库中，还有一些甚至尚未进入数据仓库，只存在于 Slack 消息或者会议记录里。

过去，营销运营人员每周需要花一到两天寻找和验证这些数据；现在，这项工作主要由 Claude 完成。 [ 2 ]

这确实显著提高了效率。

但它更像是让一个非常聪明的数字员工，在多个相互割裂的系统之间寻找、拼接和验证信息：

Claude 读取上周报告，查看最新会议记录，搜索 Slack，查询数据仓库，然后生成新的经营报告。

这是一种很强的智能体能力，却未必是一种真正 AI 原生的组织结构。

因为 AI 承担的仍然是过去由人承担的 " 信息搬运与对账 " 工作。

底层的 Salesforce、HubSpot、活动管理工具、邮件系统、数据仓库和 Slack 依然彼此分离，只不过 Claude 成为了连接这些系统的新胶水。

Anthropic 自己也坦率地表示，营销技术工具之间并不能良好集成，报告曾经需要人工汇总，活动需要分别在多个平台中逐项建立。 [ 2 ]

因此，这套体系更准确的描述或许是：

AI 正在帮助 Anthropic 驾驭一个非 AI 原生的组织基础设施。

五、95% 的自动化，不等于 95% 的 AI 原生

这里需要区分两个容易混淆的概念。

一个概念是 AI 使用率。

另一个概念是 AI 原生程度。

当 95% 的分析请求由 Claude 完成时，说明 Anthropic 拥有非常高的 AI 使用率。

但使用 AI 完成原有工作，并不意味着组织已经围绕 AI 的运行方式完成重构。

AI 使用率衡量的是：

AI 原生程度衡量的则是：

如果 AI 仍然需要阅读分散的文档、猜测指标含义、搜索多个系统、检查数据是否冲突，再由人不断维护 Skill 来修正理解，那么 AI 主要还是一个能力极强的使用者。

它还不是组织系统的原生组成部分。

Anthropic 公开介绍的许多内部案例，也更多表现为员工使用 Claude Code 完成调试、生成测试、制作可视化、建立自动化工具以及整理分散的知识。

这些实践显著提升了个人和团队能力，但 Anthropic 对这些案例的总结，仍然更多强调 Claude Code 如何增强既有的人类工作流程。 [ 3 ]

这距离 " 由 AI 调度和运行组织 " 仍然存在明显差异。

这就有个滑稽的结果：因为很多人在向 Anthropic 这样的公司学习 AI 原生组织！这和向盲人学走路是类似的。

这个经实在是念的不能再歪了！

必须强调的是：不是说 Anthropic 它们的实践中没有 AI 原生的成分，而是说不能把它完全的看成 AI 原生组织。反倒是它模型对外提供服务和用户之间的结构更像 AI 原生组织！

六、真正的 AI 原生组织应该是什么样？

真正的 AI 原生组织，至少需要四个特征：

每一次交易、决策、组织调整和客户交互，都应当直接形成具有明确语义的组织状态，而不是事后再由分析人员整理。

指标定义、业务规则、权限和责任不能只存在于文档中，而要成为系统可以直接执行和验证的对象。

AI 不只是查询数据、生成报告，而要参与任务分派、状态维护、异常发现、资源调度和结果反馈。

当业务模型变化时，数据、语义、流程、智能体上下文和评估体系应当自动形成闭环，而不是等待某个人想起修改 Skill 文件。

只有完成这些转变，企业才不是把 AI 放在原有组织之上，而是让组织本身按照智能系统的方式运行。

这些事对于模型公司反倒是可能更难，因为它们探索性过强，如果模型公司是彻底的 AI 原生，那意味着模型能够训练并且改善自己。

七、Anthropic 正在通往 AI 原生，而不是已经到达

因此，说 "Anthropic 并不 AI 原生 "，并不是说 Anthropic 使用 AI 的水平不高。

恰恰相反，正因为 Anthropic 已经把 Claude 深入应用到数据分析、软件开发、营销运营和知识管理中，它才更早暴露出下一阶段的问题：

模型越来越强之后，限制 AI 效果的已经不再只是模型，而是组织能否提供稳定、一致、实时和可执行的状态。

Anthropic 的数据分析系统从 95% 准确率下降到 65%，并不是一次简单的工程事故。

它揭示了 AI 时代一个更普遍的规律：

Claude 可以帮助人类不断修补这些裂缝。

但真正的 AI 原生组织，不应当依赖一个更聪明的 AI 不停寻找和修补裂缝，而应当从根本上不让这些裂缝产生。

从这个角度看，Anthropic 可能是世界上 AI 使用程度最高的公司之一，但它仍然是一家正在从 "AI 增强组织 " 走向 "AI 原生组织 " 的公司。

而这或许也是这篇文章最有价值的地方：

它证明了即使拥有世界上最先进的模型，也不能自动获得一家《AI 原生组织》。

参考资料：

[ 1 ] Anthropic，《How Anthropic enables self-service data analytics with Claude》

https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude

[ 2 ] Anthropic，《How Anthropic ’ s marketing operations team uses Claude Cowork to automate reporting and campaign builds》

https://claude.com/blog/how-anthropics-marketing-operations-team-uses-claude-cowork-to-automate-reporting-and-campaign-builds

[ 3 ] Anthropic，《How Anthropic teams use Claude Code》

https://claude.com/blog/how-anthropic-teams-use-claude-code