如果一家公司的产品，已经开始参与研发自己的下一代产品，这家公司到底还算不算传统意义上的科技公司？

Anthropic 最近交出了一份相当炸裂的答卷。这家 Claude 背后的 AI 公司，在 IPO 招股书里披露了几组数字：2026 年 9 月，内部代码库超过 90% 的代码贡献来自 Claude。第二季度营收 115.55 亿美元，同比增长约 14.7 倍，而且第一次实现了季度营业盈利。过去短短四个月，Claude 在特定软件漏洞利用测试中的成功率，从 40% 提升到了 91%。

AI 负责生产，AI 创造收入，收入又被投入更强的 AI。我们熟悉的科技公司增长逻辑，正在被改写。

Anthropic 可能是第一批不再靠增加人手扩张的公司

我觉得整份招股书里，最值得注意的不是 115 亿美元的季度收入，而是另一个数字：45 倍。2026 年第三季度，Anthropic 平均每位工程师每天向代码库贡献的代码量，已经超过 2024 年日均水平的 45 倍。

这意味着什么？两年前，一个工程师每天能完成多少开发工作，基本取决于他的技术能力、工作时间以及团队协作效率。今天，工程师可以把大量实现、测试和调试任务交给 Claude。

他负责定义问题，AI 负责生成方案；他负责设计架构，AI 负责完成执行。虽然代码量不能直接等同于有效产出，但 45 倍的变化，至少说明软件开发的生产方式正在发生剧变。

更有意思的是，Anthropic 并没有因为 AI 能力提高，就停止招聘。从 2024 年底到 2026 年 9 月，公司员工人数增长了五倍多。但同期收入规模的增速，远远超过了员工数量。过去 12 个月，Anthropic 每名员工对应的营收已经超过 660 万美元。

AI Agent 正在挑战传统的组织模式。如果一个优秀工程师可以同时管理数十个编码 Agent，那么一个十人团队有没有可能完成过去百人团队的任务？

AI 时代最稀缺的，可能不再是执行任务的人，而是能够准确判断任务价值、组织智能资源的人。

真正可怕的是，AI 已经进入下一代 AI 的研发流程

如果说 AI 写代码改变的是生产效率，那么 AI 参与研发下一代模型，改变的就是技术进步本身的速度。Anthropic 内部正在出现一种很有意思的工作模式：研究员使用 Claude 设计实验、处理训练数据、运行评估任务，还让它检查代码和寻找潜在问题。

这会产生一个正反馈：模型更强，研究员就能更快地开展实验。实验效率更高，就有机会发现更有效的训练方法。新的方法又可能帮助团队训练出更强的模型。然后，新模型继续投入下一轮研发。Anthropic 把这种研发反馈机制称为 Closing the Loop。

它和过去所谓的 Scaling Law 有一个很大的区别。过去几年，AI 行业主要依靠增加参数、训练数据和计算资源推动模型能力增长。但当 AI 开始帮助研究员优化训练流程、改进算法甚至提出研究思路时，模型能力本身就可能成为研发资源。

换句话说，领先者获得的不仅是更好的产品，还有更高的研发生产力。这才是最值得其他 AI 实验室警惕的地方。

假设两家公司之间存在六个月的模型能力差距。在传统软件行业，落后者可以通过增加工程师、加大研发投入来缩小差距。但是在 AI 行业，领先者可以利用更强的模型加快自己的研发。落后者不仅模型弱，研发工具也可能更弱。

我甚至认为，未来 AI 实验室之间的差距，可能越来越难通过单一的 Benchmark 解释。真正应该问的是：一家 AI 实验室的模型，究竟能在多大程度上提高自身研发效率？这可能比某个排行榜上领先几个百分点更加重要。

115 亿美元营收背后，AI 正在从软件工具变成数字劳动力

很长一段时间里，硅谷对 AI 商业化有两种截然不同的态度。一派认为，AI 是互联网之后最大的技术革命，市场规模几乎没有上限。另一派则认为，大模型公司不过是建立在 GPU 和风险投资之上的昂贵实验。

Anthropic 这次给出了一个阶段性答案。2023 年，公司全年收入只有 4100 万美元。2024 年达到 3.86 亿美元。2025 年这个数字飙升到 14.5 亿美元。而仅仅到了 2026 年第二季度，单季度收入就达到了 115.55 亿美元。

这种增长速度，说明 Claude 已经开始从软件工具变成真正的"数字劳动力"。企业不再只是把它当作辅助工具，而是愿意为它带来的实际产出付费。

Anthropic 的增长曲线，可能是 AI 行业从"技术演示"走向"生产力工具"的一个缩影。当 AI 开始帮自己造 AI 的时候，这个飞轮就已经开始转了。