☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Anthropic或许堪称全球最深谙人工智能本质的企业之一。
但这绝不等同于——它天生就是一家彻头彻尾的《AI原生组织》。
这个观点颇具冲击力：连站在AI浪潮之巅的公司，竟也尚未真正“原生”。
然而正因如此，才更值得我们严肃探讨——所谓AI原生组织，其内核究竟为何？
近期，Anthropic发布了一篇内部实践文章，详述如何借助Claude构建自助式数据分析体系。文中指出：目前公司95%的商业分析需求已由Claude自动响应，整体准确率稳定在约95%。[1]
但真正耐人寻味的，并非这个亮眼的95%，而是另一个数字：
该系统上线初期离线准确率为95%；仅一个月后，准确率骤降至约65%。
下滑主因并非Claude模型能力退化，而是业务数据模型持续演进，而支撑其推理的Skill文档却未能同步更新。
直到Anthropic将Skill文件与数据模型统一纳入同一代码仓库，并强制要求：每次数据模型变更，必须同步修订对应文档——准确率才得以回升并趋于稳定。
这一细节折射出一个比模型性能更根本的挑战：
Anthropic虽已深度研发并规模化应用AI，但其组织底层架构，仍未完全适配AI运行逻辑。
更讽刺的是，它所遭遇的组织困境，竟与多数百人规模初创企业在扩张期面临的典型问题高度相似。
准确率波动表象是数据问题，根子却是组织状态失稳
Anthropic将分析误差归结为三大成因：
其一，概念与数据实体间存在语义歧义。
例如“活跃用户”，不同团队可能采用迥异的行为判定标准、时间窗口及过滤条件。
其二，数据源、业务定义与数据库结构动态变化，导致既有知识快速失效。
其三，正确信息客观存在，但Claude无法从海量数据空间中精准检索到它。[1]
这些确属数据分析领域的经典难题。
但从AI原生组织视角审视，它们本不该沦为AI系统上线后被动应对的“补丁项”（后续往往催生大量打补丁岗位，各类title纷至沓来，FDE某种程度上正是此类现象的产物）。
因为所谓数据，从来不只是待分析的静态表格，而是企业经营现实的数字化映射，是生产关系的综合表达。
当产品形态调整、销售架构重组、客户分层规则更新时，变动的绝非某张表字段，而是组织对世界认知方式的根本重构。
若这些变化无法实时同步至数据模型、指标口径、权限体系、智能体上下文及评估框架中，则意味着组织仍运行着两套割裂系统：
一套驱动真实业务运转；（近似OLTP）
另一套滞后记录、解释与分析业务。（近似OLAP）
AI仅被叠加于第二套系统之上。
这仍是典型人类中心组织范式：人与业务系统创造现实，数据团队整理现实，AI最终读取这些二手整理结果。
以AI First为标尺，这种结构性分离不仅“土味十足”，更是系统性风险的温床。分离之后的弥合，几乎令所有企业举步维艰。
真正的AI原生组织理应另辟路径：
业务运行本身即持续产出结构化、可验证、可计算的组织状态。
该状态的终极形态即是《无人公司》——这也正是我始终强调“三部曲”顺序为：《AI原生组织》→《无人公司》的根本原因。
Anthropic手握“数据文档”，却未铸就“统一状态”
文中坦承：一个业务概念常对应海量看似合理却互不兼容的数据来源。
以“收入”为例，Claude面对的并非单一权威数据实体，而是数十个名称相近、逻辑各异的表、字段与计算公式。
为此，Anthropic提出需建立更精简、治理更严格的标准数据集，并主动淘汰冗余近似的模型。[1]
此举方向极为正确。
但它反向印证：改造前，Anthropic内部数据现实仍是碎片化拼图。可断言，这实为行业常态——我亲历过的每家企业，数据现状皆如此。
真正AI原生的组织，不应等到AI发问时，才让它在数十个候选数据源中艰难甄别哪个最贴近真相。
组织应在业务规则诞生之初，即明确界定：
哪个对象唯一代表客户；
哪种行为状态定义为活跃；
哪类事件构成收入确认；
何种口径拥有最终解释权；
一旦定义变更，哪些系统必须联动更新。
换言之，AI原生组织所需并非更多数据，而是一个可被持续执行的组织本体。其完整性与实时性，是组织生命的底线。
它远不止数据仓库中的语义层，亦非一份供Claude阅读的操作指南，而是业务对象、状态、规则、权责与行动间的统一映射。
数据并非关于组织的附属资料，数据即组织自身的可计算状态。在此，组织既是实体，也是关系，更是动态过程。
Skill文件，不过是AI时代的“纸质说明书”
Anthropic当前策略是：将数据模型、语义层、参考文档、标准仪表盘及Claude专用Skill文件，尽可能整合至同一代码仓库。
当数据模型更新却遗漏Skill文件修订时，代码审查机制会即时告警。
目前，约90%的数据模型变更已能实现Skill文件同步更新。[1]
这已是业界前沿工程实践，但仍存隐患。因“共置同一仓库”本身即引入隐性耦合。若不共置，人为遵守规则是否可靠？恰恰是这类微小设计选择，暴露出AI原生组织的本质：运营、数据、架构、模型的深度混融！
依更严苛的AI原生标准，Skill文件仍属“外挂式知识”。
业务系统变更后，仍需人工或AI介入，重新撰写说明以指导Claude理解新模型——此过程本应内生于AI原生组织，且AI自身须具备感知能力。
它如同旧日软件操作手册，只是今日读者从人类变成了智能体。
关键在于：只要组织真相与智能体认知之间，仍需依赖静态文档作为转译中介，二者脱节便不可避免。
Anthropic观测到的准确率从95%跌至65%，本质正是这种认知偏移的必然结果。
更彻底的AI原生架构，不应仰赖智能体“阅读最新文档”来理解组织，而应使其直接运行于版本化、可查询、可验证的实时状态流之上。
当某项指标定义变更时，改变的不该是一份孤立文档，而是一个原子化的系统版本：
数据模型随之演进，语义定义随之刷新，权限策略随之调整，关联智能体上下文随之重置，评估用例随之迭代。
此时，AI所认知的组织，才真正与实际运行的组织保持镜像一致。
而实现此境的前提，正是我反复强调的：智能优先！AI First！
Anthropic的营销系统，提供了另一重佐证
Anthropic还分享了营销运营团队如何利用Claude Cowork生成周度经营报告。
文中提及：部分指标已进入仪表盘，部分尚存于数据仓库，更有甚者仅散落于Slack消息或会议纪要中。
过去，营销人员每周需耗费一至两天搜寻并校验这些数据；如今，此项工作主要由Claude承担。[2]
效率提升毋庸置疑。
但其本质，更像是赋予一位超凡数字员工，在彼此割裂的系统间穿行、拼接与对账：
Claude读取历史报告，扫描最新会议记录，检索Slack对话，查询数据仓库，最终生成新报告。
这是卓越的智能体能力，却未必指向真正AI原生的组织结构。
因AI承接的，仍是人类曾承担的“信息搬运与交叉验证”职能。
底层的Salesforce、HubSpot、活动管理平台、邮件系统、数据仓库与Slack依然各自为政，Claude仅成为粘合这些孤岛的新胶水。
Anthropic亦坦承：营销技术工具间集成度低，报告曾依赖人工汇总，活动需在多平台重复创建。[2]
因此，这套体系更精准的描述或许是：
AI正助力Anthropic驾驭一个非AI原生的组织基础设施。
95%的自动化，不等于95%的AI原生
此处亟需厘清两个易混淆维度：
一是AI使用率。
二是AI原生程度。
当95%分析请求由Claude完成，表明Anthropic拥有极高的AI使用率。
但将原有工作移交AI执行，并不意味组织已按AI逻辑完成底层重构。
AI使用率衡量的是：
原本由人承担的任务，有多少已交由AI接管？
AI原生程度衡量的则是：
若组织自创立之初便由AI协同运行，其数据架构、流程设计、权限分配、责任机制与反馈闭环，是否仍会沿用当前形态？
倘若AI仍需研读分散文档、揣测指标含义、跨系统检索、核查数据冲突，并依赖人工持续维护Skill文件以修正理解——那么AI本质上仍是能力超群的“使用者”。
它尚未成为组织系统的原生构件。
Anthropic公开披露的诸多内部案例，亦多体现为员工借助Claude Code完成调试、生成测试、制作可视化、搭建自动化工具及梳理零散知识。
这些实践显著释放个体与团队潜能，但Anthropic对案例的总结，仍聚焦于Claude Code如何赋能既有人类工作流。[3]
这与“由AI调度并驱动组织运行”的愿景，仍有清晰距离。
由此催生一个荒诞现实：大量企业正以Anthropic为模板学习AI原生组织——这无异于向盲人请教行走之道。
此经念得，实在歪得太远！
必须强调：并非否定Anthropic实践中蕴含AI原生元素，而是反对将其整体标签化为AI原生组织。反观其模型对外服务与用户交互的架构，倒更贴近AI原生范式！
真正的AI原生组织，应具备何种特质？
真正的AI原生组织，至少需满足四项核心特征：
首要，从“数据采集”跃迁至“状态生成”
每一笔交易、每一次决策、每一轮组织调整、每一回客户互动，都应实时生成具备明确语义的组织状态，而非留待事后由分析师手工萃取。
其次，从“文档解释”升级为“规则可执行”
指标定义、业务逻辑、权限边界与责任归属，不能仅存于纸面文档，而须转化为系统可直接执行、可自动验证的对象。
再者，从“AI读取组织”转向“AI支撑组织运行”
AI不应止步于查询数据、生成报告，而须深度参与任务分派、状态维护、异常识别、资源调度与结果反馈闭环。
最后，从“人工维护一致性”进化为“系统保障一致性”
当业务模型变更时，数据、语义、流程、智能体上下文及评估体系须自动触发联动更新，形成闭环，而非依赖某位员工想起修改Skill文件。
唯有完成上述跃迁，企业才非简单将AI“叠”于旧有组织之上，而是让组织本身依循智能系统逻辑运转。
有趣的是，对模型公司而言，此事反而更具挑战——因其探索性过强。若真达成彻底AI原生，意味着模型需具备自我训练、自我优化的能力。
+Anthropic正奔赴AI原生，而非已然抵达
因此，“Anthropic并不AI原生”之论，并非贬低其AI应用水准。
恰恰相反，正因其已将Claude深度嵌入数据分析、软件开发、营销运营与知识管理全场景，才率先暴露下一阶段瓶颈：
当模型能力持续跃升，制约AI效能的瓶颈，早已不再是算法本身，而是组织能否提供稳定、一致、实时且可执行的运行状态。
Anthropic分析系统准确率从95%滑落至65%，绝非偶然工程事故。
它揭示了AI时代一条普适规律：
AI大规模渗入企业后，所有曾被人类经验掩盖的数据歧义、系统割裂、定义冲突与状态延迟，都将被瞬间放大。
Claude可助人类不断修补这些裂缝。
但真正的AI原生组织，不应依赖一个更聪明的AI永不停歇地寻找与填补裂缝，而应从源头杜绝裂缝生成。
由此观之，Anthropic或是全球AI使用密度最高的企业之一，但它仍是一家从“AI增强型组织”坚定迈向“AI原生组织”的进行时态公司。
而这，或许正是本文最大价值所在：
它有力证实：纵使坐拥全球最顶尖的大模型，亦无法天然孕育一家《AI原生组织》。
本文来自微信公众号“琢磨事”，作者：李智勇，36氪经授权发布。
