在AI浪潮中，Anthropic作为顶尖AI公司，其内部实践却暴露了AI原生组织建设的核心难题。很多人向它学习AI原生组织，但它的实践却揭示了一个尴尬的事实：即使拥有最先进的模型，也不等于自动获得一家AI原生组织。下面，我们将从它的数据分析案例出发，一步步拆解这个悖论，看看AI原生组织到底长什么样。
一、从95%到65%：Anthropic的“数据危机”暴露了什么？
最近，Anthropic发布了一篇关于内部使用Claude实现自助式数据分析的文章。文章提到，目前其内部95%的商业数据分析请求由Claude自动完成，整体准确率约为95%。这确实令人印象深刻，但更值得关注的是另一个数字：系统上线一个月后，准确率从95%骤降至65%。
问题根源不是Claude的模型能力退化，而是业务数据模型持续变化，但供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，准确率才得以控制。
小提示： 这个案例说明，AI应用的效果不仅取决于模型能力，更取决于组织是否能为AI提供稳定、一致、实时的状态支撑。
这个细节暴露了一个深层问题：Anthropic或许已大规模使用AI，但组织底座仍不完全是为AI设计的。它所面临的问题，和很多创业公司人员膨胀到100人以上时遇到的问题几乎一模一样。
二、分析准确率波动的三个根源
Anthropic把数据分析错误归纳为三个主要原因：
- 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。
- 数据源、业务定义和数据库结构不断变化，使已有知识逐渐失效。
- 正确的信息存在，但Claude没有从庞大的数据空间中检索到它。
这些是数据分析的经典问题，但从AI原生组织视角看，它们不应当只是交给分析系统事后解决的问题。因为数据本质上是企业经营状态的数字化表达，是生产关系的综合。当产品定义变化、销售组织调整、客户分类标准修改时，变化的不只是表格，而是组织对现实世界的解释方式。
小提示： 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，说明组织仍存在两套彼此分离的系统：一套负责真实经营业务（OLTP），另一套事后记录、解释和分析（OLAP）。AI只是被放到了第二套系统之上。
三、“数据文档”与“统一状态”的差距
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面对的可能不是明确的数据实体，而是数十个看起来都能代表收入的表、字段和计算方式。Anthropic因此提出要建立更少、更严格治理的标准数据集，并主动淘汰近似重复的数据模型。这项改造很正确，但同时也说明，改造前其内部数据现实仍是碎片化的。
从AI原生组织角度看，真正的解决方案是：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》。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，其完整性和实时性是生命线。
小提示： 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。在这里，组织既是对象，也是关系，甚至还是过程。
四、“Skill文件”是进步还是妥协？
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。当数据模型变化时，代码审查机制会警告未同步修改的Skill文件。目前，约90%的数据模型变更已包含Skill更新。
这已是相当先进的工程实践，但从更严格的AI原生标准看，Skill文件依然是一种“外设式知识”。它类似过去的软件操作手册，只是读者从人变成了智能体。只要组织真相与智能体认知之间还需要通过静态文档转译，两者就可能再次发生偏离。Anthropic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。
小提示： 更彻底的AI原生架构不依赖智能体“阅读最新说明”来理解组织，而是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。当一个指标定义变化时，改变的应当不是孤立的说明文件，而是原子化的系统版本：数据模型、语义定义、权限、智能体上下文、评估用例随之改变。
五、营销系统：AI的“胶水”而非“原生”
Anthropic的营销运营团队使用Claude Cowork生成每周经营报告。有些指标已进入仪表盘，有些还停留在数据仓库，甚至有些只存在于Slack消息或会议记录中。过去，营销运营人员每周花一到两天寻找和验证数据，现在由Claude完成。这显著提高了效率，但更像是让AI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、查看会议记录、搜索Slack、查询数据仓库，然后生成新报告。这是一种很强的智能体能力，但未必是AI原生的组织结构。因为AI承担的仍是过去由人承担的“信息搬运与对账”工作。底层的Salesforce、HubSpot、邮件系统、数据仓库和Slack依然彼此分离，Claude成为了连接这些系统的新胶水。
小提示： 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。
六、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：AI使用率和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，并不意味着组织已围绕AI运行方式完成重构。
AI使用率衡量的是“AI替代了多少人类工作”，而AI原生程度衡量的是“组织是否以AI的运行方式设计”。如果AI仍需阅读分散文档、猜测指标含义、搜索多个系统、检查数据冲突，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，还不是组织系统的原生组成部分。
小提示： 很多公司向Anthropic学习AI原生组织，但Anthropic的实践更多是“AI增强人类工作”，而非“由AI调度和运行组织”。这就像向盲人学走路，经念歪了。
七、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：
- 业务运行直接生成结构化状态：每一次交易、决策、组织调整和客户交互，都应直接形成具有明确语义的组织状态，而非事后由分析人员整理。
- 知识可执行而非可读：指标定义、业务规则、权限和责任不能只存在于文档中，要成为系统可直接执行和验证的对象。
- AI参与运行而非仅辅助：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。
- 变化自动闭环而非人工修补：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自动形成闭环，而非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更难，因为探索性过强，如果模型公司是彻底的AI原生，意味着模型能训练并改善自己。
八、常见问题
Q1: Anthropic的数据分析准确率为什么从95%下降到65%？
A: 主要原因不是Claude模型能力退化，而是业务数据模型持续变化，但供Claude使用的Skill文档没有同步更新。直到Anthropic把Skill文件和数据模型放在同一个代码仓库，要求数据模型变更时同步修改文档，准确率才得以控制。
Q2: “AI原生组织”与“AI使用率高”有什么区别？
A: AI使用率衡量的是“AI替代了多少人类工作”，而AI原生程度衡量的是“组织是否以AI的运行方式设计”。Anthropic拥有95%的分析请求由Claude完成，但组织底座仍依赖人类维护文档、猜测指标含义，因此它只是“AI增强组织”，而非“AI原生组织”。
Q3: 为什么说Anthropic的实践中有“AI原生”成分，但不能完全视为AI原生组织？
A: Anthropic的实践（如Claude自动数据分析、Skill文件管理）已包含AI原生成分，但整体上仍依赖人类维护文档、搜索多个系统、检查数据冲突。距离“由AI调度和运行组织”仍有明显差异。反倒是它对外提供服务的模式更像AI原生组织。
Q4: 真正的AI原生组织需要哪些核心特征？
A: 四个核心特征：1) 业务运行直接生成结构化状态；2) 知识可执行而非可读；3) AI参与运行而非仅辅助；4) 变化自动闭环而非人工修补。
Q5: 如果公司想借鉴Anthropic的经验，应该注意什么？
A: 不要盲目模仿Anthropic的“AI使用率”实践，而是要从组织底座设计入手。例如，确保业务变化能同步反映到数据模型、语义定义、权限体系、智能体上下文和评估体系，而不是依赖事后修补Skill文件。同时，要避免让AI成为连接多个割裂系统的“胶水”，而是从根本上让系统为AI运行而设计。
综上所述，Anthropic的案例揭示了AI原生组织的核心矛盾：模型越强，限制AI效果的往往不是模型本身，而是组织能否提供稳定、一致、实时和可执行的状态。AI可以帮助人类不断修补裂缝，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。这或许就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》。
