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。
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》。
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：
哪一个对象代表客户；
哪一个状态代表活跃；
哪一个事件构成收入；
哪一种口径具有最终解释权；
当定义发生变化时，哪些系统必须同步更新。
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。
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！
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。
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：
原来由人完成的工作，有多少转交给了AI？
AI原生程度衡量的则是：
如果组织从一开始就是由AI参与运行的，它的数据、流程、权限、责任和反馈机制，会不会仍然被设计成现在这样？
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！
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：
第一，从“数据采集”转向“状态生成”
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。
第二，从“文档解释”转向“规则可执行”
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。
第三，从“AI读取组织”转向“AI支撑组织运行”
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。
第四，从“人工维护一致性”转向“系统确保一致性”
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。
+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：
当AI开始大规模进入企业，组织内部所有长期被人类经验掩盖的数据歧义、系统割裂、定义冲突和状态延迟，都会被迅速放大。
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》。