📈 商业 · 增长曲线

Anthropic 年化营收突破 650 亿美元,7 个月增长超 7 倍,首次实现盈利

截至今年 7 月底,Anthropic 年化营收运行率突破 650 亿美元,较 2025 年底的约 90 亿美元增长超 7 倍。Q2 初步收入超过 115 亿美元,同比增幅 14 倍,并首次实现营业利润转正——在前沿模型公司普遍依赖融资、持续消耗算力的阶段,这是一条罕见的增长曲线。

综合公开信息整理 2026-08-05 全文约 4 分钟读完
#Anthropic #Claude #AI 商业化 #产品策略
650 亿 年化营收运行率(截至 7 月底)
7 × 7 个月增长倍数(90 亿→650 亿)
首次盈利 Q2 营业利润转正,收入 115 亿美元

⚡ 30 秒速览

  • 增长有多快:年化营收从 90 亿到 650 亿美元,7 个月增长超 7 倍,Q2 首次实现营业利润转正。
  • 关键岗位:设置 Research PM 连接研究与产品,将用户模糊反馈转化为可重复运行的 eval。
  • 一个经典案例:从用户"不好用"投诉中定位 JSON 格式问题,通过率从 80% 提升至 99.9%。
  • 战略押注 Coding:捕捉用户从补代码到完整代码生成的行为变化,将长代码生成提升为模型重点能力。
  • 产品从原型生长:Claude Code 从个人两天原型起步,口口相传成为正式产品;Cowork 10 天开发完成。
  • 飞轮已转起来:模型与产品形成 co-design loop,反馈循环正在加速迭代。

01增长曲线 7 个月,从 90 亿到 650 亿

推动增长的当然有 Claude 模型本身——但模型能力并不会自动转化为收入。过去几年,Anthropic 一面推进前沿模型,一面推出 Claude Code、MCP、Cowork 等带有新品类意味的产品。

这家公司常常能在模型跨过能力阈值后,迅速找到释放能力的产品形态,并实现商业化。这很难归因于几次偶然的产品判断。

650 亿年化营收运行率
7 个月增长倍数
115 亿Q2 初步收入
14×Q2 同比增幅

注:年化营收运行率(ARR)为基于最近月度收入年化推算的指标,反映当前增长势能。Q2 初步收入为 Anthropic 内部统计,未经审计。

但数据只是故事的一部分。更值得追问的是:押注 Coding 的公司很多,为什么它先吃到了复利?

02连接研究与产品的人 一个特殊岗位

要理解这个问题,可以先从 Anthropic 内部一种特殊的岗位说起。Dianne Penn 是 Anthropic 第一位技术产品经理,职务名称指向一个特殊的交叉点:一端进入 AI Research,跟进模型研究团队的工作;另一端连接产品实验室 Labs,用原型探索新能力可能长出什么产品。

在传统软件公司,技术地基相对稳定,产品经理可以围绕明确需求规划功能。但在前沿模型公司,这块地基每隔几个月就可能改变。

传统产品经理

围绕明确需求规划功能,技术地基相对稳定,路线图可以精确到季度。

Research PM(Anthropic)

跟进模型研究,判断实验室里刚出现的能力哪些接近可用;把模糊的"不好用"还原为可复现的失败。

Dianne 和团队的核心工作,正是管理这种不确定性:实验室里刚出现的能力,哪些已经接近可用?用户说"Claude 不好用",缺的是模型、工具、界面,还是工程基础设施?当用户拿 Claude 完成团队未曾设想的任务时,那是偶然技巧,还是一种新的产品可能?

03一个 JSON 括号的启示 从"不好用"到 99.9% 通过率

2023 年 7 月,Claude 2 上线后的一次 bug 排查,初步展示了这套工作方式如何运转。

用户频繁抱怨 Claude 2"不太会遵循指令"。这个反馈看似严重,却无法直接指导模型研究。用户不会区分问题来自预训练、后训练、系统提示还是工具调用——他们只能描述任务没有完成。

Dianne 和团队开始阅读用户授权分享的失败轨迹,追问任务究竟在哪一步停下。沿着案例向下查,他们发现,在早期这类投诉中,大约 80% 都指向一个具体得近乎琐碎的问题:Claude 无法稳定输出正确的 JSON。

🔍 从 30 个案例到一套评测体系 关键转折

  • 定位:少一个括号,API 就会拒绝请求;字段不符合 schema,工具调用便无法解析。
  • 行动:团队从真实失败中收集了约 30—40 个案例,逐一写清输入、理想输出和通过条件,变成一组可重复运行的 eval。
  • 结果:此后每一代 Claude 都要重新接受测试,通过率从 80% 提升至 接近 99.9%—100%,JSON 格式遵循不再成为主要投诉。
核心方法:Evals are the new PRDs——把产品目标变成可测试的输入、理想输出和通过条件,研究团队用它比较训练方法,产品团队用它验证问题是否解决。

一个诚实的注脚:模型不会自动理解用户的抱怨。正是 Research PM 这个角色,把模糊的"不好用"变成了模型可以学习的信号。

04从原型到产品 Claude Code 与 Cowork 的诞生

2023 年末,Dianne 和团队又注意到一种变化。过去,人们使用代码模型主要是补一行代码、写一个函数。后来,越来越多用户开始要求 Claude 一次生成更长、更完整的代码

没有人直接要求 Anthropic"做一个 agentic coding 产品",但用户已经改变了自己的行为。Anthropic 把长代码生成提升为 Claude 3 系列及后续模型的重点能力方向。

但模型能力并不自动等于好产品。Dianne 把这种状态称为"product overhang"——模型已经拥有潜在能力,市场上却没有合适的产品把它释放出来。

🖥️ Claude Code:从两天原型到内部标配

  • 起点:2024 年下半年,工程师 Boris Cherny 给自己写了一个极小的终端聊天程序,先接 bash,后加文件编辑能力。
  • 传播:两天后原型发给同事试用,第二天就有人用它写起了代码。日活曲线近乎垂直增长,以至于创始人 Dario 质问"是不是在强迫员工使用"。
  • 正式:2025 年 2 月以研究预览版推出,既是一款产品,也是一套收集真实工作流反馈的研究工具。
产品哲学:用户先用自己的办法补足产品缺口(写 Markdown 记录项目规范、要求先讨论思路),团队再把这些行为收拢为正式能力——CLAUDE.md 和 Plan mode 由此诞生。

🧩 Cowork:10 天,从想法到可用

  • 背景:Claude Code 发布后,用户拿它做与编程无关的事——规划旅行、整理邮件、从损坏硬盘找回照片。没有编程经验的人也开始主动学习这个有门槛的工具。
  • 开发:团队直接复用 Claude Code 的 agent harness,把散落在不同团队里的组件组装起来。每名工程师同时运行 3—8 个 Claude Code Agent 辅助开发。
  • 结果:10 天完成 Cowork 开发。它不是凭空诞生——此前一年多积累的模型能力、Agent 能力、原型和基础设施都已就位。
关键判断:团队等到能力与需求同时越过阈值,才把它们收拢成一款产品。Cowork 面向非程序员,把 Claude 带进了比代码库更模糊的工作环境。

这两个产品的诞生路径高度相似:先有原型,再让真实使用决定产品去留。

05文化密码 Co-design Loop 如何运转

支撑模型与产品协同创新的,不只是一组特殊岗位和工作流程,还有 Anthropic 内部的文化理念。

AI 大幅降低了原型成本。一个想法不必先争取完整团队和大笔资源,而是可以先做出来,交给同事使用,再根据真实行为判断是否值得继续。Anthropic 内部极为重视这种"原型文化"。

🌸 "让千朵花绽放"

除了产品和工程团队,研究、销售、招聘等部门的员工也会主动搭建各种工具原型。那些真正有用的原型会吸引更多人使用,暴露出实验室里难以预料的用法和失败。

—— Claude Code 从个人工具走向内部流行,再成为正式产品,就是这种文化最典型的结果。

🔄 模型分析模型

产品进入真实世界后,反馈规模远远超过人工处理能力。团队如今更多地使用 Claude 分析关于 Claude 的反馈——先让模型对大量反馈进行分组和聚类,找出反复出现的主题,再把零散问题抽象成可诊断的失败类型。

—— 形成了一个看似奇特的循环:Claude 帮助产品经理分析 Claude,生成测试 Claude 的问题,甚至辅助评估 Claude 的回答。
原型越多能力被发现越早真实使用越深入反馈越具体eval 越贴近任务下一轮训练越有方向

模型与产品由此不再彼此等待,而是在同一个 co-design loop 中共同演进。产品经理 Alex Albert 用了一个很不软件工程的词来形容这个过程——培养。模型不是按照图纸组装出来的功能,更像一个在训练环境、反馈信号和约束条件下成长的复杂系统。

编辑核心判断

AI 产业最早比的是理论突破与技术路线,随后比的是算力规模与数据质量。下一阶段,胜负或许更多取决于——产品与模型的齿轮能否真正咬合,循环能否转得足够快,以及每一次循环,能否成为下一次加速的复利。Anthropic 用 7 个月时间证明了:当反馈闭环真正转起来,商业增长只是结果,而非目标。

现在就能用

核心技术已落地 Claude Code 与 Cowork,登录 anthropic.com 即可体验。

anthropic.com → 体验产品