Claude 背后的公司 Anthropic 正在冲刺 IPO。它公开提交的招股书披露，2025 年收入为 45.85 亿美元，2026 年仅上半年就达到 162.86 亿美元。来源：2026 年 10 月 26 日 Anthropic 招股书
AI 的商业价值，已经体现在这家公司的收入里。但对普通人来说，还有另一笔账要算：用 AI 把工作做得更快之后，自己能不能多赚一点，少工作一点？
省下来的时间，可能让你接下更多生意，也可能变成公司追加的任务。降低的成本，可能增加你的利润，也可能在同行竞争中变成更低的报价。
同样是效率提高，好处可以流向不同的人。
我的判断是，AI 会降低一部分工作的执行成本，但这份收益最后怎么分，要看客户愿意为什么付钱、你在工作中承担什么，以及公司和社会按什么规则分配。
看懂这些，才能进一步判断，自己该学什么、做什么生意，以及我们希望技术进步带来怎样的生活。
做出来更容易了，做什么就更重要了过去，很多生意做不起来，卡在执行上。
想做一个软件，要找程序员；想做一个课程，要整理资料、写内容、做课件；想经营一个账号，要持续生产内容。这些事情都需要时间，也需要钱。
AI 降低其中一部分成本后，原来做不起的事情，现在可以试了。
但你能用，别人也能用。进入的人多了，供给增加，价格就可能往下走。
假设你原来替客户写一份方案，需要三天，现在借助 AI，一天就能完成。如果客户愿意付的钱不变，你的收益会增加。如果同行也都能一天完成，客户开始比价，那么省下来的成本就可能变成降价的空间。
同一项技术，在不同竞争环境下，会产生不同的收入结果。
所以，用 AI 做生意，光算「我省了多少时间」还不够。你还得搞清楚，客户为什么找你，为什么愿意继续付钱。
Anthropic 披露，截至 2026 年 9 月底，其净收入留存率约为 900%。按它的统计口径，排除 Pro 和 Max 订阅后，同一批客户在当季贡献的收入，约为一年前同季度的九倍。这里比较的是一批客户的合计收入，不能理解为每个客户都花了九倍的钱。来源：指标定义与经营披露
这个数字不能直接证明客户获得了多少回报，但至少说明，它的收入增长包含了老客户持续扩大使用。
这给普通人的启发很具体：找一个客户反复遇到、解决后能看出效果的问题，比不断展示新工具，更有机会形成持续的生意。
比如，假设你服务一家培训机构。用 AI 一次生成很多课件，可以作为演示；如果要让机构长期付费，你还得解决课程更新、资料核实、讲师使用和学员反馈这些事情。
客户最后买的，是这套东西能不能在他的业务里持续起作用。
对小团队来说，AI 确实扩大了能承接的工作范围。但软件能写出来，不等于有人买；内容能生产出来，不等于有人信。需求、渠道、交付和售后，仍然需要逐项解决。
执行成本越低，越要检查自己做的事情有没有人需要。

工作会先被拆开，岗位再跟着调整Anthropic 在招股书中说，2026 年 9 月，其代码库中超过九成的代码贡献由 Claude 编写；当年第三季度，工程师人均每日贡献的代码量，超过 2024 年平均水平的 45 倍。这是公司的披露，代码量也不能直接等同于生产率或商业价值。来源：内部工程实践
不过，这个变化已经足以让我们重新看待「工作能力」。
一个程序员的工作里，有理解需求、选择方案、写代码、测试、上线，也有处理事故、维护系统和与别人协作。AI 接走其中一些任务，其他环节的分工和用人数量也会受到影响。
写文章、做设计、做分析，同样可以这样拆开看。

如果你的主要价值是按照清楚的要求生产初稿，那么这部分工作会更容易受到价格竞争。尤其当别人能用更低的成本，交出接近的结果时，过去的报价就更难维持。
如果你能把模糊要求整理清楚，知道哪些资料可靠，能判断结果哪里有问题，并把东西送到实际使用的人手里，你能承担的工作范围就更大。
这些能力也会继续被 AI 改变。没人能靠一句「人类有创造力」获得长期保护。我们能做的是持续弄清楚，当前这项工作还有哪些地方需要自己的判断，以及怎样把判断做得更可靠。
这里还有一个容易被忽略的条件：你得有能力检查 AI 的结果。
让 AI 生成一份经营分析，你至少要能发现它用了错误的口径、把相关性写成因果，或者引用了不存在的数据。否则，生成速度越快，错误也可能扩散得越快。
专业基础依然有用。它帮助你提出要求，也帮助你识别一个看起来很完整、实际不能用的答案。
对上班的人来说，可以从自己每周反复做的一项工作开始：把输入资料、完成标准和常见错误写清楚，再让 AI 参与其中。做完后，连同核实、返工和交接一起计算，看整个任务有没有更快、更可靠。
只记录生成花了几分钟，很容易高估收益。
你提高了效率，收益也可能流向别人Anthropic 还披露，2026 年 4 月，内部 Claude 使用量按公开标价折算的月度金额，首次超过了当月不含股权激励的人力成本。来源：内部使用量口径
这个数字很容易被读成「AI 创造的价值已经超过员工工资」。但按标价折算的使用金额，既不等于实际计算成本，也不等于这些工作创造的收入。它能说明内部使用规模，不能直接给 AI 和员工的贡献排座次。
组织里的分配，也不会由一张效率对比表自动决定。
假设你用 AI 把一项任务从一天缩短到半天，后面可能出现几种情况：你腾出时间承担更重要的工作，获得更好的回报；公司把省下来的时间变成更多任务；客户压低报价，拿走一部分效率收益。
工具相同，结果可以很不一样。

如果你能说明自己解决了什么问题，保留了怎样的质量，给客户或团队减少了多少返工，就更有依据讨论报酬和职责。只有「我用了 AI」这件事，很难支撑这样的讨论。
做自由职业和小生意的人，还需要考虑收费方式。如果你一直按花了多久收费，速度变快可能直接减少收入。能够约定清楚交付范围、质量和修改责任时，才有条件围绕交付结果谈价格。
但谈判能力也有现实边界。一个人即使做得更快、更好，也可能遇到没有其他客户、缺少替代岗位的处境。市场需求和组织权力，都会影响效率收益最后归谁。
所以，个人要提升能力，也要积累能证明能力的成果、愿意继续合作的客户，以及换一种方式工作的选择。把全部希望放在某一个工具上，能解决的问题很有限。
社会更富了，普通人也需要一条走得通的路AI 对现实世界的冲击，还会落到一个很具体的问题上：新人以后怎么成长？
很多专业能力，是从基础工作中练出来的。先整理资料，再学会判断资料；先写初稿，再理解为什么要这样写；先处理小问题，再逐渐承担完整项目。
如果企业把这些基础任务交给 AI，却仍然只愿意招聘有经验的人，那么新人积累经验的入口就可能减少。
AI 也可能帮助新人更快学习。前提是，有真实任务让他练习，有人检查他的判断，并允许他在可控的范围内承担责任。让新人看着 AI 给出的答案，并不等于他已经获得了能力。
这意味着，企业和教育机构需要重新设计培养方式：哪些基础训练仍然要做，哪些可以借助 AI，怎样确认一个人已经能够独立判断。

从更大的范围看，生产效率提高之后，社会可以有多种选择。产品可以更便宜，服务可以覆盖更多人，员工也可能有更短的工作时间。与此同时，一些岗位和收入来源可能先受到冲击。
新机会能否及时出现，受影响的人能否进入，转型期间的成本由谁承担，都需要具体安排。再培训、转岗支持、劳动保障和公共服务，会影响技术进步被多少人享受到。
还有一笔账不能忽略：Anthropic 在 2026 年上半年的计算和基础设施支出达到 89.45 亿美元。来源：经营费用
小团队借助模型，可以用更低的成本开展业务；底层模型的开发和供应，却需要巨额投入。这两件事可以同时发生。
因此，更多人有能力创业，并不保证收益会更分散。模型、算力、客户入口掌握在谁手里，使用者能否更换供应商，都会影响各方谈价格的能力。社会既要关心有多少新应用，也要关心提供基础能力的市场有没有足够的竞争。
Anthropic 的公共利益公司身份，以及长期利益信托参与治理的安排，说明它试图把社会目标放进公司结构里。但这样的安排最终有没有效果，还要看具体决策、实际结果，以及外部能否监督。来源：公司治理结构
公众评价一家 AI 公司，也可以看得更具体一些：产品出了错谁负责，使用者有没有申诉渠道，重要规则能否被解释，受到影响的人有没有表达意见的机会。
一家公司增长很快，和一个社会发展得更好，中间还有很多事情要做。
把注意力放回自己能验证的事情上Anthropic 的增长，让我们看到 AI 已经进入一些企业的日常工作。但一家前沿技术公司的经验，不能直接代表所有行业。线下服务、生产制造、公共服务都有自己的成本、流程和责任边界。
判断自己受到什么影响，还是要回到具体业务。
如果你在做生意，就找一个客户反复愿意付费的问题，试着用 AI 降低完整交付的成本，看看客户是否愿意继续合作。
如果你在上班，就拆开自己的一项工作，检查哪些环节可以交给 AI，哪些环节仍然需要专业判断，再把最终效果记录下来。
如果你在学习，就用一个实际任务检查自己。能生成答案之后，还要试着解释依据、找出错误、处理一个原题里没有出现过的变化。
这些事情做下来，你会逐渐分清：自己哪些能力正在变得普通，哪些经验还能帮助别人解决问题，哪些地方需要重新学习。
AI 公司冲刺 IPO，向资本市场讲的是未来的增长。普通人也需要算自己的账：客户还愿意为什么付钱，自己的工作创造了什么结果，以及技术省下来的时间，最后有没有改善自己的生活。
写作缘起：快刀青衣《读完 Anthropic 的 335 页招股书，和你分享关于 AI 生意和组织的 10 件事》（2026 年 10 月 27 日），由用户提供的「AI 学习圈」资料。文中所引数据与治理安排已核对 2026 年 10 月 26 日 Anthropic S-1；涉及商业、工作与社会影响的判断，是据此展开的分析。