AI 原生组织，不是“人人用 AI”：从 Anthropic 与 Claude Code 的实践看企业如何重构工作方式
AI 原生组织的分界线，不是有多少人在用 AI，而是企业是否围绕目标、数据、流程、角色与治理重新设计工作系统。本文结合 Anthropic 内部研究与 Claude Code 跨职能实践，给出一条可执行的 90 天转型路径。
很多企业已经买了 AI 工具，也组织了培训，但工作方式并没有真正改变：员工依旧在不同系统间复制粘贴，关键数据散落在表格、文档和聊天记录里，AI 只能回答问题，不能持续参与业务。
这类组织可以称为“使用 AI 的组织”，却还不能称为“AI 原生组织”。
AI 原生组织的分界线，不是有多少人在用 AI，而是组织是否围绕“人如何定义目标、AI 如何执行任务、数据如何提供上下文、结果如何被验证”重新设计了工作系统。
Anthropic 自己就是一个值得观察的样本。这家公司开发了 Claude 和 Claude Code，也持续研究 AI 如何改变其内部工程、研究和职能团队。公开研究并不能直接代表所有企业，但它提供了一组少见的内部数据，让我们看到 AI 从个人助手走向组织基础设施时，会发生什么变化。
从“提高效率”到“扩大可完成工作的边界”
Anthropic 在 2025 年 12 月发布的内部研究，覆盖 132 名工程师与研究人员、53 次深度访谈，以及约 20 万条内部 Claude Code 对话记录。研究显示，在一年时间里，受访者认为 Claude 参与日常工作的比例从 28% 上升到 59%，自我报告的生产力提升则从 20% 上升到 50%。
更值得注意的不是“快了多少”，而是“哪些工作因此被完成了”：
- 27% 的 Claude 辅助工作，在没有 AI 的情况下可能根本不会开展；
- 44% 的 Claude 辅助工作，是员工原本不愿意做的任务；
- 引入 Claude Code 后，工程师日均合并的 Pull Request 数量增加了 67%。
这意味着 AI 的价值不只来自压缩工时。它还在清理长期积压的小问题、补齐文档、增加测试、处理重复调查，并让员工有能力进入原本不熟悉的领域。
Anthropic 将约 8.6% 的 Claude Code 任务归为修复“papercuts”，也就是那些影响体验、却总因优先级不足而被搁置的小问题。传统组织常常把这类任务视为无法消除的摩擦；AI 原生组织则可以把它们转化为可持续处理的工作队列。
智能体正在获得更长的执行链
AI 原生并不等于“一次提示词生成一个答案”。真正的变化是，AI 开始承担包含多个步骤的任务。
在 Anthropic 的内部数据中，2025 年 2 月到 8 月之间：
- 单个任务的平均复杂度评分从 3.2 上升到 3.8；
- AI 连续自主调用工具的次数从 9.8 次增加到 21.2 次，增长 116%；
- 每段对话中的人类交互轮次从 6.2 次下降到 4.1 次；
- 新功能开发在对话中的占比从 14.3% 上升到 36.9%；
- 代码设计与规划的占比从 1.0% 上升到 9.9%。
这组数据反映出一个组织设计上的变化：人的角色开始从“逐步完成每个动作”，转向“定义问题、提供边界、检查关键节点和验收结果”。AI 不再只是建议下一步，而是在权限范围内调用工具、读取上下文、执行多个动作并提交结果。
Claude Code 的启示并不只适用于程序员
Claude Code 的名字里有“Code”，但 Anthropic 的公开案例覆盖了数据、安全、产品、设计、市场、财务和法务团队。真正可迁移的，不是某个编程技巧，而是“把自然语言意图转化为可执行工作流”的方式。
研发与安全：先理解系统，再执行修改
安全工程团队用 Claude Code 追踪生产事故中的代码路径，把原本 10 至 15 分钟的排查缩短到约 5 分钟；数据基础设施团队让它结合监控截图诊断 Kubernetes Pod 调度故障，并定位到 Pod IP 耗尽问题。
这类场景的关键不是生成一段代码，而是让 AI 获得足够的系统上下文：日志、配置、代码、运行状态和可用工具。没有这些上下文，AI 只能给出通用建议；具备上下文后，它才可能参与真实业务。
数据与产品：让专业边界变得更柔软
数据科学与机器学习团队曾使用 Claude Code 构建一个约 5,000 行 TypeScript 的评估应用，即使执行者并不熟悉 TypeScript。产品设计团队则把设计稿直接转成可运行原型，报告部分工作的执行速度提高了 2 至 3 倍。
这并不意味着专业能力失去价值，而是“能够做什么”的边界被扩大了。领域专家可以更直接地把判断转化为应用、分析或流程，减少在职能之间排队等待的时间。
市场与法务：把一次性协助变成自助系统
增长营销团队为 Google Ads 文案分别设置标题和描述智能体，把广告创建从 2 小时缩短到 15 分钟，同时将创意产量提升到原来的 10 倍。法务团队则构建了律师分流工具、每周更新应用和审查跟踪工具，让业务同事可以先自助完成标准化环节，再把真正需要专业判断的问题交给律师。
这说明 AI 原生组织不会把所有请求都交给一个“万能聊天框”，而是把高频任务做成具有明确输入、规则、数据和输出的专用工作系统。
AI 原生组织的五个特征
结合 Anthropic 的研究与企业落地经验，一个真正的 AI 原生组织通常具备以下五个特征。
1. 数据是共享上下文，而不是散落的文件
AI 需要知道客户是谁、项目进行到哪一步、合同何时到期、谁拥有审批权。组织首先要把关键业务对象、关系和状态沉淀为可治理的数据，而不是让每个人反复向 AI 解释背景。
2. 工作被拆成“目标、约束、工具与验收”
适合交给智能体的任务，不是模糊的“帮我处理一下”，而是清晰的目标、可访问的数据、允许调用的工具、必须遵守的规则和可检查的交付标准。
3. AI 进入流程，而不止停留在对话中
一次对话的结果很难复用。AI 原生组织会把有效做法固化为 AI 字段、自动化、专用应用、审批节点和可重复运行的智能体流程，让新数据进入后也能获得同样的处理。
4. 人类保留判断权与责任边界
越是涉及资金、客户承诺、合规和高影响决策，越需要清晰的人类复核。AI 可以准备材料、发现异常和提出建议，但组织必须明确谁验收、谁批准、谁对结果负责。
5. 每次协作都会沉淀为组织能力
高质量提示、判断标准、失败案例、数据结构和自动化流程不应只留在个人聊天记录里。它们需要成为团队可以共享、审计和持续改进的数字资产。
不可忽视的代价：协作、学习与“监督悖论”
Anthropic 的研究也记录了另一面。约一半受访者认为团队协作方式没有明显变化，但也有人把原本会问同事的问题首先交给 Claude，导致日常交流、偶发知识传递和初级员工获得指导的机会减少。
更深层的问题是“监督悖论”：验证 AI 生成的结果需要专业能力，但如果员工长期把实现、调试和基础任务全部委托给 AI，这种专业能力本身可能逐渐减弱。
因此，成熟的 AI 原生组织不会只追求委托比例，而会主动设计学习机制：
- 保留需要员工亲自完成的关键训练任务；
- 要求对高影响结果解释依据，而不只提交答案；
- 通过评审、复盘和结对工作维持知识流动；
- 用结果质量、返工率和业务影响衡量 AI，而不是只看生成数量。
Anthropic 也明确提醒，其 50% 生产力提升来自员工自我报告，可能受到选择偏差、记忆偏差和感知偏差影响。内部案例能提供方向，但不能替代每家企业自己的基线测量。
一条可执行的 90 天路径
企业不需要先进行大规模组织重组。更有效的起点，是选择一条真实、重复、跨系统且结果可验证的业务流程。
第 1—30 天：建立流程与数据基线
选出一个高频场景，例如销售线索跟进、合同审查、客户服务、内容生产或经营周报。记录当前耗时、等待时间、错误率、返工率和最终业务结果，并梳理流程依赖的数据与负责人。
第 31—60 天：把 AI 接入真实上下文
连接相关业务数据，为 AI 配置清晰的输入、权限、工具和输出格式。先让 AI 负责整理、分类、补全、生成初稿和异常识别，再逐步扩展到多步骤执行。关键动作保留人工审核。
第 61—90 天：固化、治理并复制
把验证有效的做法固化为自动化和专用应用，记录运行结果与失败原因，设置权限、日志和审批边界。确认质量稳定后，再复制到相邻流程，而不是一开始就追求全公司覆盖。
Teable 的价值正在于把这条路径所需的几个部分放在同一个实时数据层上：企业可以先连接或迁移业务数据，再用 AI 字段处理记录、用自动化编排流程、用 App Builder 为不同角色生成可用界面。这样，AI 使用不再依赖个人会不会写提示词，而是成为组织可以持续运行和改进的系统。
结语
AI 原生组织不是“无人组织”，也不是把所有工作都自动化。它是一种新的协作结构：人负责方向、判断与责任，AI 负责理解上下文、调用工具和规模化执行，数据平台负责让两者在同一事实基础上工作。
Anthropic 的案例提示我们，最先发生的变化往往不是岗位消失，而是工作边界扩大、积压任务被处理、跨职能协作方式改变，以及个人从执行者逐渐变成任务设计者和结果验收者。
对企业来说，真正的问题已经不是“要不要使用 AI”，而是：能否把数据、流程、应用和治理重新组织起来，让 AI 成为业务系统的一部分。