最近年底复盘时，很多企业有个共同感受：
模型越来越强，预算也花了，可业务还是老样子。
你问 AI 三个问题，都能答上； 但真要派个任务让它干活？经常干到一半就卡住了。有时是它找不到需要的数据，有时是没权限打开文件，有时是流程走到某一步就断了，最后谁也不敢说这活儿算干完了。
差在哪？
不在模型不够聪明，而在企业根本没准备好能交给 AI 的活。
Anthropic CPO Mike Krieger 上周接受采访时，没有花时间夸 Claude 多强大，而是提了一个更实际的问题：
AI ，到底能不能真正分担你的部分工作？
答案取决于企业自己。
Anthropic 这一年在企业部署中发现，真正的障碍不是技术，是组织本身。
这道坎具体在哪？
第一节｜AI 不止写代码：它在试着干活
现在，你会发现几乎所有 AI 公司都在做同一件事： 不再只强调模型多聪明，而是强调它们AI 产品能不能真正干活。
看 Anthropic 怎么做的。
他们没把 Claude 当成更聪明的聊天机器人，而是当成能接活的同事来设计。
最早上线的 Claude Code，只是个开发工具：用户输入一句话，它能补全代码、搭个网页、生成 demo。这个工具发布半年，年化营收就破了 10 亿美元。客户包括 Netflix、毕马威、Spotify、欧莱雅。
Mike Krieger 发现，在 Anthropic 内部，很多团队用 Claude 不是为了写完代码，而是让它接手整段工作流。
比如：
有团队把它当成“盒子里的 SRE”，监控系统、自动排查日志；
有人用它做生物研究助手，搜文献、搭数据处理脚本；
还有人干脆让它当项目经理，汇总需求、下发子任务。
AI 的角色在这些场景里已经变了。
2025 年底，Anthropic 把 Claude Code 改名为 Claude Agent SDK。不再只是能写点代码的助手，而是可以接指令、执行流程、交付结果的角色单位。
用 Mike 的话说：我们在重新定义 Claude 的角色，不是生成答案，而是交付结果。
要交付结果，就得让 AI 持续工作、稳定执行。
所以 Anthropic 开始构建一整套支撑机制。不只是给段输入、看段输出，而是让 AI 在更模糊的目标下，自己往前推、最后提交成果。
它不是自动补全，是自动完成。
但能力到位了，坎也出现了：不是 AI 不行，是组织还没准备好。
第二节｜真正的落地坎，不在模型，在组织
很多企业以为把 AI 接进来，就像请了个聪明实习生，开个账号、发个指令，它就能自己上手。
结果一试，发现反应慢、答复模糊、常常卡壳。 但问题不在 AI，在企业这边：任务给得不清楚，信息也给不到位。
比如，你让 AI 帮你查报表、分析客户数据，它该去哪儿找？
很多公司自己的人都不清楚数据放在哪，更别说 AI 了。有的表格列名叫"Sheet3_Temp"，没解释、没说明，谁知道那是什么。
AI 要理解这些文件，得靠数据背后的标签、注释、来源关系。但大多数企业这些基础工作都没做，AI 面对一堆文件，根本不知道从哪下手。
这就是 Mike 所说的：
得先把数据整理成 AI 能看懂的样子，它才可能帮上忙。
但光有数据还不够，还得给它权限。
AI 再能干，你不给它访问入口，它也进不去。
有的公司一个流程要跳十几层系统；
有的文件需要审批才能打开；
有的流程根本没梳理过，连入口都找不到。
Anthropic 在帮客户解决这些问题时发现，障碍表面上是系统、权限、流程，实际上是组织没想明白：
让 AI 做什么？
需要什么信息？
做完给谁？
这是第一层：数据、权限、系统，该准备的都准备好。
第三节｜从“问答”到“派活”，思路要变
数据、权限都准备好了，就能用起来了吗？
还有第二层：学会派活。
怎么派？很多人还在用老办法。
AI 不是搜索引擎，不是知识问答，也不是点一下就能用的插件。它更像刚入职的新人：你得告诉它做什么、从哪查、什么算合格，它才能上手。
两者区别在哪？
很多团队习惯对 AI 说：帮我做一个财报。
AI 当然试着写，但它不知道你公司的报表格式，不知道数据从哪拿，不知道你要的指标标准是什么。
而真正有效的方式，像对待实习生一样：
告诉它：你是财务助理；
给它表格入口、读数据权限；
明确它只负责统计客户收入和退款差额；
要它按 Q4 月度格式输出一份表格草稿。
这样 AI 才能真正上手做完工作。
Anthropic 和 GitHub 合作的 PR Agent 就是按这个逻辑设计的。具体怎么用？程序员在代码审查页面标记 Claude，它就会：
- 审查代码，找出可能的问题
- 总结这次修改的主要内容
- 给出改进建议
- 自动完成一轮修改
整个过程你不用盯着，去喝杯咖啡回来就完成了。
为什么这个用得起来？
因为他们把三件事都理清楚了：
- 任务明确：每次就干这几件事，边界清楚
- 权限到位：能读代码库、能写修改、能提交结果
- 流程稳定：审查→总结→建议→修改，路径固定
用得起来之后，还有个更关键的问题：出了问题怎么办？
网上总是有人说：
“AI 永远取代不了人类，因为 AI 不能背锅。背锅，才是人类独特竞争力。”
这话听着有道理，但问题不在 AI 能不能背锅，而在于企业敢不敢让它背。
什么叫“背锅”？说白了就是：出了问题，能找到责任人。GitHub 的例子里，Claude 提交的代码修改，有记录、有审查、有版本管理。出了问题，能追溯是哪一步的问题。这就是“能背锅”。
Mike 强调的就是这个：AI 不是加个侧边栏回答问题，而是要进到实际工作流里，有明确分工，能交付结果。
关键不在技术，在于组织敢不敢给它明确的责任边界。
结语｜组织准备好，AI 才能用起来
技术已经到位了。
Mike Krieger 这一年的观察很简单：不是 AI 不行，是组织还没准备好。
2026 年开始，企业要问自己：
- 数据理清楚了吗？
- 权限放得开吗？
- 任务说得明白吗？
- 责任划得清吗？
这四个问题想明白了，该准备的准备好了，AI 就能从“会干活”变成“真干活”。
不是技术的问题，是组织的问题。
把组织这道坎跨过去，2026 年企业才能真正用起 AI 。
