但这并不意味着，Anthropic先天就是一家彻底的「AI原生组织」。

最近Anthropic公开披露：其内部95%的商业数据分析请求已由Claude自动完成，整体准确率约95%。这个数字令人振奋——但真正值得深思的，是另一个数字：系统上线仅一个月后，离线准确率就从95%骤降至65%。

原因并非模型退化，而是业务数据模型持续演进，而供Claude调用的Skill文档却未同步更新。直到团队将Skill文件与数据模型纳入同一代码仓库，并强制要求变更联动，准确率才重回可控区间。

这一波动暴露了一个更本质的问题：Anthropic虽已深度使用AI，但它的组织底座仍未完成向AI原生的跃迁。

它所面对的，并非高阶技术难题，而是许多百人规模创业公司都会遭遇的典型组织困境——概念歧义、定义漂移、系统孤岛、责任模糊。比如「活跃用户」在不同团队中可能对应完全不同的行为口径、时间窗口和过滤逻辑；又如收入指标，在数据库里可能分散在数十个表、字段与计算路径中，彼此近似却互不兼容。

当产品策略调整、销售架构重组、客户分层标准更新时，变化的不只是某张报表，而是组织对自身运行状态的解释体系。如果这些变化无法实时、自动地同步到数据模型、指标定义、权限配置、智能体上下文及评估逻辑中，就说明组织仍存在两套平行系统：

一套负责真实运转业务（OLTP式）；
另一套负责事后记录、整理与分析（OLAP式）。

而AI，目前只是被叠加在第二套系统之上——它读取人类整理后的结果，而非直接参与第一套系统的生成与执行。

Anthropic将数据模型、语义层、仪表盘规范与Skill文件统一纳入代码仓库，并通过CI/CD机制实现90%以上的变更联动。这已是极先进的工程实践。

但本质上，Skill仍是一种「外挂式知识」：它需要人工或AI主动维护，依赖静态文档转译组织真相。只要真相与认知之间还需靠一份说明书来桥接，二者就注定会再次脱节——95%到65%的断崖式下跌，正是这种脱节的必然结果。

更彻底的架构不应要求AI「读懂最新文档」，而应让它直接运行在版本化、可查询、可验证的组织状态流上。

当一个指标定义变更时，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、语义定义、访问权限、智能体上下文、测试用例全部同步演进。此时，AI所理解的组织，才真正等同于正在运行的组织。

Anthropic营销团队用Claude Cowork自动生成周报，能自动检索Slack消息、会议纪要、数据仓库甚至未入库的临时数据。效率显著提升，但它承担的，仍是传统上由人完成的信息搬运与交叉验证工作。

底层系统——Salesforce、HubSpot、邮件系统、活动平台、Slack——依然彼此割裂。Claude只是新胶水，而非新骨架。Anthropic自己也坦言：营销工具间集成度低，过去报告需人工汇总，活动需跨平台重复创建。

这是两个常被混淆的概念：

AI使用率，回答的是：「原来由人做的事，现在有多少交给了AI？」
AI原生程度，追问的是：「如果组织从第一天起就由AI共同运行，它的数据结构、流程设计、权责分配和反馈机制，还会是今天这样吗？」

当AI仍需猜测指标含义、拼接碎片信息、依赖人工维护Skill来校准认知，它就仍是能力强大的「使用者」，而非组织系统的「原生组成部分」。

第一，从「数据采集」转向「状态生成」：每一次客户交互、业务决策、组织调整，都直接生成带明确语义的可计算状态，而非留待事后补录；
第二，从「文档解释」转向「规则可执行」：业务规则、权限边界、责任归属必须是系统可识别、可验证、可触发的对象；
第三，从「AI读取组织」转向「AI支撑组织运行」：AI参与任务分派、异常响应、资源调度与闭环反馈，而不只是生成报告或调试代码；
第四，从「人工维护一致性」转向「系统确保一致性」：业务模型一变，所有关联层——数据、语义、流程、智能体上下文、评估逻辑——自动形成强一致闭环。

说Anthropic「不AI原生」，绝非否定其AI应用深度。恰恰相反，正因为它已将Claude大规模用于数据分析、研发提效、营销运营与知识沉淀，才最早撞上了下一阶段瓶颈：当模型能力持续增强，制约AI效能的，已不再是算法本身，而是组织能否提供稳定、一致、实时、可执行的状态供给。

那场从95%到65%的准确率滑坡，不是一次偶然故障，而是AI时代组织熵增的显影：所有长期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，一旦AI开始深度介入，就会被瞬间放大。

Claude可以帮人类不断修补裂缝；
但真正的AI原生组织，应当从设计之初就拒绝裂缝的产生。

因此，Anthropic是全球AI使用程度最高的公司之一，但它仍是一家「正在通往AI原生」的公司——而非已经建成的范本。这也正是这篇文章的价值所在：它证明了一件事——拥有最先进的大模型，绝不等于自动拥有一家AI原生组织。