Anthropic 没靠“安全叙事”赢：它做对了这 4 件事

2023 年，有人看 Anthropic 的感觉很直接：OpenAI 都快把牌桌清空了，你们还在折腾什么？

这判断不奇怪。

那会儿 ChatGPT 已经破圈。普通用户在玩，媒体在报，创业公司在接 API，微软还把 OpenAI 塞进了自家全家桶。反观 Anthropic，最出圈的标签是“更安全”。

说白了，听起来有点像 AI 圈的优等生：成绩不错，话也得体，但谁会为一张“我很稳重”的名片掏钱？

几年后，Claude 成了企业和开发者绕不开的名字。公开报道里的营收数字口径各不相同，常见的是数十亿美元年化收入，而非一个可以随手写死的数字。真正值得研究的，不是精确到个位的财务传闻，而是这家公司怎么从“OpenAI 的替代品”，变成许多团队的默认选项。

答案很朴素：安全只是底盘，能干活才是成交理由。

别把“安全”理解成卖点，它更像产品地基

Anthropic 最常被提起的概念，是 Constitutional AI（宪法 AI）。

你可以把它理解成：在训练和对齐阶段，提前给模型定下一套行为原则。模型遇到危险、违法、侵权或明显有害的请求时，不是临时演戏，而是有更稳定的判断边界。

这件事对媒体很好讲，对融资也有帮助。

可企业客户真正关心的画面是这样的：

• 法务把一批合同丢进去，怕模型胡编条款；
• 客服团队接入机器人，怕它对用户乱承诺退款；
• 研究团队分析内部资料，怕敏感内容被错误处理；
• 开发团队让模型改代码，怕它顺手删掉关键逻辑。

企业不是来听价值观演讲的。

他们要的是：模型能进生产环境，少闯祸，出了问题能追。

所以，“安全”真正的商业价值，不是让用户感动，而是降低采购方的心理阻力。一个模型越稳定，越容易被接进公司最贵、最敏感、最不能出错的流程里。

对 AI 产品来说，信任不是海报上的一句话。信任是客户敢不敢把真实业务交给你。

Claude 真正抓住的，是“长文档苦差事”

聊天、写诗、讲笑话，谁都能做。

真正让人愿意续费的，是那些烦得要命、又必须有人处理的工作。

比如你周一上午打开邮箱，里面有：

• 42 页的客户需求文档；
• 18 页的项目复盘；
• 一堆会议纪要和聊天记录；
• 需要今晚交付的方案初稿。

你当然可以硬着头皮看完。也可以把资料整理好，交给 Claude 做一轮提炼：提取需求、标注冲突、列出风险、生成大纲、补齐待确认事项。

这类场景，才是 Claude 被许多知识工作者盯上的原因。

一个实用工作流：用 Claude 拆解长文档

把任务拆成三步，别一上来就说“帮我总结”。这种提示词通常只能换来一碗温吞的摘要粥。

第一步：让模型先建结构

你是一名项目分析师。
请阅读以下材料，输出：
1. 文档涉及的核心目标
2. 已明确的需求
3. 存在歧义或互相冲突的内容
4. 需要向客户追问的问题

要求：每条结论都标注对应的原文依据。

这一步的目的，是逼模型“带证据说话”。

第二步：让模型做决策辅助

基于刚才的分析，把需求分成三类：
- 必须在本期完成
- 可以延后处理
- 需要客户确认后才能开发

请按影响范围、开发成本、风险等级排序，并说明理由。

这时你拿到的，不再是一篇读后感，而是可开会讨论的清单。

第三步：让模型输出可交付物

根据以上结论，生成一份项目启动会用的 Markdown 文档。
包含：项目目标、范围、里程碑、风险、待确认问题、责任人建议。
语气专业，避免空话，每项控制在 3 条以内。

你会发现，AI 最有价值的时刻，不是替你写一句漂亮文案。

是它帮你把两小时的资料整理，压缩到二十分钟。你能早点下班，老板也能少开一场没结论的会。双赢，罕见但确实存在。🙂

模型能力要能被“感觉到”，用户才会换工具

AI 圈有个残酷事实：参数、跑分、榜单，普通用户根本记不住。

用户只记得几个瞬间：

• “这段代码它真修好了。”
• “这份 PDF 它居然看懂了。”
• “我让它改了三轮，它没把前文忘掉。”
• “它写的初稿居然不用我全部推倒重来。”

Claude 的产品印象，很大一部分来自这些可感知的能力：长上下文、文本理解、代码协作、多轮对话中的连贯性。

这给做 AI 产品的人一个提醒：

不要只宣传模型强，要设计一个让用户立刻感到“真强”的任务

“我们的模型推理能力领先”这句话，用户看完就忘。

换成下面这些表达，画面就出来了：

• 上传 80 页访谈记录，10 分钟拿到带引文的洞察报告；
• 把报错日志贴进去，定位可能出问题的文件和函数；
• 输入客户的零散需求，自动生成报价范围和风险提示；
• 把旧版产品文档交进去，找出过期内容和矛盾描述。

别卖“AI”。

卖一个用户今天就能完成的结果。

企业市场不迷恋明星，它迷恋可控

消费级产品靠爆款出圈，企业级产品靠采购流程活下来。

两套逻辑，差别很大。

普通用户可以因为一个视频下载 App，也可以因为一次答非所问立刻卸载。企业客户没这么随性。他们会问：

• 数据会不会被拿去训练？
• 能不能接入现有权限系统？
• 有没有调用日志？
• 成本能不能预估？
• 出问题谁来负责？
• 模型升级后，原来的工作流会不会崩？

这些问题不性感，甚至有点无聊。

可它们决定了合同签不签，预算批不批，团队会不会持续使用。

Anthropic 的机会，正是出现在这里。它没有必要在每一个大众话题里抢热搜。只要能让金融、法律、客服、软件研发、咨询等团队把模型接进日常流程，收入就会变得很扎实。

一个公司 1 万名员工，哪怕只有几百人高频使用 AI，每人每月几十美元，账就开始好看了。

再加上 API 调用、团队版订阅、行业解决方案，商业化不是靠一次爆发，而是靠持续嵌入。

热搜带来注意力，工作流带来续费。

开发者入口，决定了模型能走多远

模型公司最容易犯的错，是把所有精力都花在聊天窗口上。

聊天窗口很重要，却不是终点。

真正大的市场，在开发者手里。

因为开发者会把模型塞进各种具体场景：IDE、客服系统、知识库、数据分析平台、办公软件、内部机器人、自动化流程。用户未必知道底层模型是谁，但每天都在使用它。

想把 Claude 接进业务，建议别做“全公司一键 AI 化”这种大工程。十有八九会卡在权限、数据、预算和扯皮里。

挑一个高频、重复、结果容易评估的流程试跑就够了。

适合优先试点的 4 类任务

| 场景 | 输入材料 | 期望输出 | 衡量指标 | | --- | --- | --- | --- | | 客服质检 | 对话记录 | 问题分类、违规标记、改进建议 | 人工抽检耗时下降 | | 销售跟进 | 会议纪要、CRM 记录 | 跟进邮件、机会风险、下一步动作 | 跟进完成率提升 | | 研发协作 | Issue、代码、日志 | 排查思路、测试用例、文档草稿 | 平均处理时长下降 | | 知识检索 | 制度、手册、历史方案 | 带来源的答案 | 重复提问减少 |

注意，别把“用了 AI”当成果。

要盯住一个具体指标：以前客服主管每天花 90 分钟抽检，现在能不能压到 30 分钟？以前售前写一份初版方案要半天，现在能不能两小时搞定？

没有指标，AI 项目很容易沦为部门群里的截图大赛。

别被营收数字带偏，先看它的增长结构

关于 Anthropic 的收入，外界常用“年化收入”“ARR”“run-rate”这些词。它们听起来像一回事，实际差别不小。

你需要分清这几个概念

• 营收：某段时间已经确认的收入。
• 年化收入：拿近期某个周期的收入表现，按全年推算。
• ARR：年度经常性收入，常用于订阅业务。
• Run-rate：按当前运行速度推估的年度规模，容易受短期波动影响。

所以，看到一家公司“年化收入达到 XX 亿美元”，别急着转发，更别急着喊“已经碾压谁谁谁”。

你该追问三件事：

1. 这个数字的统计口径是什么？
2. 收入来自 API、订阅，还是一次性大单？
3. 客户会不会持续续费？

真正有含金量的增长，不是某个月突然冲高。

是客户把模型从“试试看”，换成“下个月预算继续留给它”。

从 Anthropic 身上，普通用户能抄什么作业？

你不需要经营一家模型公司，也能把这套思路用在自己的工作里。

1. 别拿 AI 当搜索框，要把它当协作者

少问：

帮我写一篇市场分析。

多给：

你是 SaaS 产品经理。
根据我提供的 12 条访谈记录，找出客户流失的前三个原因。
每个原因要附原话证据，并给出一个能在两周内验证的改进假设。
不要编造材料中没有的信息。

任务越具体，产出越接近能用。

2. 给模型资料，也给验收标准

很多人抱怨 AI 胡说，结果自己只给了一句模糊指令。

你至少要交代：

• 它依据什么材料回答；
• 输出给谁看；
• 用什么格式；
• 哪些内容不能编；
• 什么结果算合格。

这像带新人。你只说“把事情做好”，新人也得满脸问号。

3. 把重复劳动做成固定模板

每周都要写周报？每次都要整理会议？每月都要复盘投放数据？

把任务拆成固定输入和固定输出。

比如周报模板：

请根据以下工作记录生成周报。

输出结构：
1. 本周完成事项：按业务影响排序
2. 数据变化：只列关键数字
3. 遇到的问题：说明阻塞点
4. 下周计划：写清交付物和截止时间

规则：不写“积极推进”“持续跟进”这类空话。

这类模板一旦跑顺，才叫真正省时间。

避坑清单：别把 Claude 或任何模型用成“高级许愿池”

• 把机密材料直接丢进去：先确认公司数据规范、产品版本和隐私设置。敏感信息该脱敏就脱敏。
• 只要结论，不要依据：涉及合同、财务、政策、医学、法律时，要求引用原文并人工核验。
• 一口气塞进十个任务：模型会回答，质量却容易散。一个提示词解决一个核心目标。
• 把输出原封不动发出去：AI 很会写“看上去没问题”的内容。对外邮件、报告、代码提交，必须过一遍人脑。
• 只比较谁更聪明：真实工作里，价格、速度、上下文、稳定性、团队权限和集成难度，同样重要。
• 迷信模型排名：榜单第一，不等于最适合你的任务。拿真实材料跑一轮，比看十篇测评有用。

写在最后：市场会奖励能解决脏活累活的 AI

Anthropic 的故事很有意思，因为它戳破了一个常见误解：AI 公司靠宏大叙事就能赢。

不对。

安全理念可以帮你建立信任，融资故事可以帮你获得关注，模型跑分可以帮你拿到讨论度。可客户持续付费，只因为一件事：它确实替自己完成了麻烦的工作。

当你评估 Claude、ChatGPT 或任何新模型时，别只问“它厉不厉害”。

换个问法：

它能不能把我每周最烦、最重复、最耗时间的那件事，稳定地接过去？

能做到，这个工具就值得认真研究。