背景与核心观点

主持人吉图·帕特尔: 在最近思科举办的第二届AI峰会上，有一位嘉宾的分享让我格外关注，他就是Anthropic的首席产品官麦克·克里格。他曾经是Instagram的联合创始人兼前CTO，也是AI新闻推荐应用Artifact的联合创始人，这款产品后来被雅虎收购，如今以Yahoo News的形式继续运营。他在2024年5月加入Anthropic担任首席产品官，并且在2026年1月转入公司内部的Labs团队，直接参与前沿产品的研发工作。在这场对话中，麦克·克里格反复在传递一个核心观点：AI产品的打造方法已经发生了根本性的改变。产品经理不能再躲在漂亮的产品需求文档和线框图后面，因为AI时代的软件核心引擎是一个非确定性的模型，必须尽早把真实模型接进去跑起来。企业也不能再做安全小试点，而是要挑选一个核心业务流程，设好安全护栏后激进推进。而当模型的能力已经足够强大时，真正卡住AI落地的，往往不再是技术本身，而是企业的权限审批、流程瓶颈和组织惯性。

职业生涯与核心认知

主持人吉图·帕特尔: 主持人的第一个问题围绕着克里格的职业背景展开，他认为克里格的经历极为独特，从Instagram到Anthropic的跨界经验在行业中并不多见。

麦克·克里格: 贯穿我整个职业生涯的主线，就是对技术能力和用户使用交汇点的兴趣。而这份兴趣，最早可以追溯到我的大学时光。我在斯坦福大学就读的是符号系统专业，融合了认知科学、设计、计算机科学、哲学、心理学和人工智能等多个领域的知识。正是这个交叉学科的学习经历，让我形成了一个核心认知：就算拥有世界上最强大的软件，如果人们无法理解它、无法使用它，那这款软件也没有创造出任何实质性的价值。带着这样的核心认知，我毕业后首先加入了Meebo公司工作。我认为这段经历是非常好的锻炼，因为这家公司的文化、招聘和人才选拔体系都非常出色，让我初步了解了一款产品从研发到落地的完整流程。之后，我联合创立了Instagram，后来又和Instagram的联合创始人Kevin Systrom一起创立了Artifact。这家公司赶上了人工智能的起步阶段，核心产品是一款AI驱动的新闻推荐应用。不过，团队做了大约三年后，意识到Artifact的发展轨迹不太可能成为我们想要投入下一个三年的方向，所以最终选择将它卖给了雅虎，这也是创业者必须做出的理性选择。

行业趋势与选择Anthropic

麦克·克里格: 而在Artifact之后，我面临着一个职业选择：是继续从零到一的创业，还是加入一家已经有一定基础的公司呢？而Artifact三年的创业经历，让我看到了两个极为明确的行业趋势。第一个趋势是，编程即将发生根本性的变革。我在Artifact的工作中，已经开始使用早期的编码模型来加速自己的工作，虽然那个时候的模型还非常初级，甚至没有视觉能力，但是技术发展的趋势已经非常明显。第二个趋势是，AI模型将为软件研发提供一个全新的智能层，把原本需要数月开发时间的功能，大幅缩短到数小时。正是看到了这两个趋势，我非常清楚下一代软件的研发将由一些顶尖的AI实验室来驱动和赋能。而我与Anthropic的团队交流后发现，双方拥有相同的愿景，而且Anthropic的公司文化也让我非常认可。我认为这会是自己职业发展的真正跳板，也希望成为AI时代软件变革的一部分。

设计不会消亡

主持人吉图·帕特尔: 在克里格梳理完自己的职业背景后，主持人抛出了一个极具探讨性的问题：你觉得科技行业有什么被广泛持有，但实际上根本性错误的信念呢？

麦克·克里格: 我给出的答案是，设计将会消亡。现在行业中有一种普遍的观点：既然用户可以直接用自然语言向模型描述自己的需求，模型就能直接生成对应的软件，那还要设计师、产品经理干什么呢？在麦克·克里格看来，“你使用的软件”和“你热爱的软件”之间，始终存在着一道无法逾越的鸿沟。那种能让你主动回来使用、忍不住推荐给身边人的产品体验，在当下那些用AI快速生成的产品里还完全没有看到。我始终认为，一款优秀的产品仍然需要有匠心，需要有存在的核心理由，需要有鲜明的品牌认知，而这些都不是AI模型仅凭自然语言生成就能实现的。我强调，所谓设计精良的软件的死亡，被行业过度渲染了。当然，设计师、产品经理的具体角色和工作的实现路径必然会随着AI的发展而演变，但是用户对优质体验的需求和以往一样关键。而我现在在Anthropic的Labs团队工作，每天都会花大量时间和设计师交流，我发现设计师的角色确实在发生转变，但是重要性不仅没有降低，反而还在不断提升，因为AI时代更需要专业的设计人员把模型的强大能力转化为普通人能理解、能使用的产品体验。

AI时代产品开发新范式

主持人吉图·帕特尔: 随后，主持人将话题引向了AI时代产品人的核心工作，提出了一个非常实际的问题：你觉得产品人在这一波AI浪潮中犯的最大错误是什么？

麦克·克里格: 我认为一个非常显著的错误是，在真正把产品做出来之前，花太多时间停留在了静态设计稿和点不动的假原型上。这也是Anthropic在产品研发中极力避免的问题。而我们的核心做法是：先构建一个还不能工作的产品原型，然后等下一个模型版本发布，再看这个产品是否能真正跑起来。我分享了Computer Use的研发故事，这款产品的核心能力是让Claude驱动用户的电脑、进行精准的点击操作。我在加入Anthropic的第三个月，也就是2024年夏天，就做出了这款产品的原型。但是当时的效果非常糟糕，模型会在电脑屏幕上到处乱点，完全无法实现预期的功能，根本不能投入使用。但即便是这样一个看似无用的原型，也教会了团队很多东西，让他们清晰地看到了当时模型能力的边界在哪里。而Anthropic的团队并没有放弃这个原型，而是一直维护着它。每当研究团队有了新的研究模型，就会把新模型接入这个原型跑一遍，一点一点地往前推进，在反复的测试中等待模型能力的拐点。而这个拐点最终出现在了Sonnet 3.7版本发布的时候。团队照例把新模型接进去做测试，其实当时并没有预期它会有多大的改进，只是保持了一贯的测试习惯。但就在这个时候，一位研究员突然发来消息说：“你快看，它真的能用了！我们现在可以把它做成产品了！”我表示，如果当时团队没有一直维护着那个看似无用的测试框架，根本就不会发现这个能力的拐点。也正是基于这样的研发经历，我认为，AI时代的产品人需要重新定义自己的角色，不再是交付一份漂亮的产品需求文档，和设计师一起交付漂亮的线框图，然后交给工程团队去实现。因为AI时代的软件已经成为了一个有生命的动态系统，它的核心是一个非确定性的、令人惊叹、但有时也令人抓狂的AI模型引擎。产品人必须尽快体验到产品的真实状态，尽早把模型接进产品原型，在反复的测试和迭代中找到技术能力和产品需求的结合点，而不是在静态的设计稿中浪费时间。

主持人吉图·帕特尔: 而当主持人问到这种思路在企业级场景中是否同样适用时？

麦克·克里格: 我给出了肯定的答案。我表示，这种研发思路在企业级场景中不仅适用，而且尤为重要，因为企业级产品的落地对模型能力和产品体验的结合要求更高。

Agent自主性与沙盒化

主持人吉图·帕特尔: 接下来，对话的话题转向了AI Agent的核心发展问题。主持人知道Anthropic在AI安全领域一直投入巨大，所以提出了这样的问题：对于 Agent来说，更多的自主性更好，还是适当控制自主性更好呢？

麦克·克里格: 我的回答给出了一个平衡的思路。现在的大模型有一个非常神奇的能力：给它一个明确的目标和相当高层级的指令，它就能自己找到解决问题的路径，甚至会在遇到问题时做出一些富有创造性的尝试。我分享了一个非常有趣的例子：Anthropic的一位工程师让Claude准备一份家庭度假准备文档，而Claude在加载度假租赁网站时遇到了问题，网站上的照片无法正常显示。而Claude并没有就此放弃，而是自己画了一幅它想象中度假房子的样子放进了文档里。虽然这幅画和实际的房子八成不一样，但它确实在创造性地尝试解决问题。也正是因为 Agent的这种自主能力，才让它具备了真正的价值。我认为完全束缚 Agent的自主性是不可取的，因为那正是 Agent的魅力所在。但同时，企业的安全需求必须被满足，所以需要用正确的方式将 Agent“沙盒化”。Anthropic在企业内部构建的 Agent系统中，核心解决的就是三个问题：Claude运行的“沙盒”拥有什么权限？Agent的最小权限是什么？它和外部世界之间的连接通道是什么？而总结起来，Anthropic的核心思路就是：在沙盒内给予 Agent充分的自主性，同时配合正确的外部连接方式和全程的可观测性，让企业既能享受到 Agent自主解题的价值，又能掌控住安全风险。这也是 Agent能够在企业级场景落地的核心前提。

AI编程革命

主持人吉图·帕特尔: 随后，对话的话题聚焦到了AI编程这个核心领域。主持人表示，Anthropic在AI编程领域做得非常出色，所以想要了解编程的未来会是什么样？不仅是代码编写将达到100%的AI化，软件开发生命周期、行业的角色分工会发生哪些变化？而企业的CIO又应该如何适应这些变化呢？

麦克·克里格: 我首先分享了一个Anthropic内部团队的日常工作画面：团队成员经常互相提交2000到3000行的Pull Request。这样的工作效率在传统软件研发时代是完全无法想象的。Anthropic的CEODario大概一年前还在台上说：“到年底90%的代码会由Claude编写。”当时很多人觉得这个目标非常疯狂，难以实现。但其实当时Anthropic的团队已经看到了这个发展趋势。而现在，对于Anthropic的大多数产品来说，实际上已经实现了100%的AI编程全部由Claude编写。而团队现在做的核心工作是围绕Claude搭建一整套完善的质量保障机制，让团队可以充分信任它的产出。而随着AI编程的普及，软件开发行业也发生了三个关键的变化：第一个变化是对抗式代码审查的出现。Anthropic让Claude经过专业的训练和提示词工程，成为了一个非常优秀的对抗式代码审查者。我自己的工作体验就是，当我提交Pull Request后，Claude会快速给出审查意见，比如这里有安全漏洞，这里可以这样重构，还可以怎样改进。第二个变化是，Claude能够帮助团队重新架构代码，解决技术债的问题。我分享了自己的经历：我在做一个iPhone原型时，明显感觉到初始的架构已经碰壁，无法支撑后续的功能开发。而我让Claude先退一步，先写一些验证测试，然后基于这些测试，对原有代码进行重新重构。我表示，Anthropic其实并不是一家历史悠久的公司，成立才几年时间，但是在AI时代，产品的研发速度极快，所以也会非常快速地积累技术债。而AI的出现让偿还技术债的成本收益计算发生了完全的改变，重构代码的效率大幅提升。第三个变化是，软件开发的所有其他流程都成为了新的瓶颈。在传统软件研发时代，团队一天只产出一个变更集，等一个小时的修复时间，只是轻微的不便。但是在AI编程时代，每个工程师每天至少产出十几个Pull Request，系统的故障让所有的工作都堵在了那里。这也让Anthropic意识到，开发者工具、开发者效率、开发者基础设施这些本来就重要的环节，现在变得更为关键，任何阻塞或摩擦都变成了对团队生产力的10倍惩罚。

主持人吉图·帕特尔: 而主持人也顺势提出了一个问题：现在软件开发的稀缺资源是不是已经从编写代码变成了审查和审计代码呢？

麦克·克里格: 准确来说，稀缺资源是审查、审计和集成代码。因为现在有多个工程师同时往同一个代码库提交代码，集成的难度大幅提升。除此之外，还有两个核心的工作变得更为重要：第一个是先对齐产品方向，这在某种意义上一直是软件开发中最难的部分，而在AI编程时代，这个问题被更清晰地看作是最难的部分。第二个是对齐产品的设计原则和技术架构，这样无论是人还是Claude在审查代码时，都不会只是在东拼西凑地修改问题，而是朝着某个共识性的北极星——也就是产品的架构、代码的编写原则、要解决的核心问题——持续演进。而这一点在企业级的软件开发中尤为重要。

企业AI落地策略

主持人吉图·帕特尔: 聊完了AI编程的现状，对话的话题自然转向了企业如何正确采纳AI的问题。主持人表示，Anthropic内部的哲学是极致地使用AI进行实验，所以想知道克里格是否会建议企业客户也这样做。

麦克·克里格: 我在企业中看到了AI落地成功和失败的清晰分野。失败的企业恰恰是在做极致实验的反面。如果一家企业说：“我就在这一个我觉得安全的小地方采用一个小功能，或者给某个低价值的业务流程定制一个 Agent”，这些尝试几乎都注定会失败。而背后的原因有两个：第一，问题的设置不够有雄心，企业在这样的小试点中无法真正了解AI的实际能力，也无法知道落地AI真正需要投入哪些资源。第二，一旦试点过程中遇到路障，或者模型的表现没有达到预期，企业的相关负责人就会轻易放弃，无法形成持续的迭代。而我通过与大型银行、大型保险公司等企业的合作，发现了企业落地AI的正确模式：那就是找到企业内部某个真正关键的业务流程，然后和AI厂商紧密合作，共同明确三个核心问题：成功的标准是什么？安全的护栏是什么？如何制定一个激进的时间表？如何进一步加速落地的过程？因为AI技术的发展速度极快，企业必须跟上行业的前沿，才能真正享受到AI的价值。而除了选对核心流程以外，企业还需要做好内部的团队赋能，这也是AI落地的关键。我认为，企业理想的组织架构是：中央AI团队主要负责提供模型的访问权限，以及一些审计和可观测的能力。这个团队要保持精简，不要过度干预业务团队的技术选型，让一线团队拥有足够的自主权，才能实现AI的快速落地。同时，我还强调，企业落地AI需要有持续迭代的持久力和信念，不要过早地对成败下结论，而且还需要具备足够的灵活性，愿意承认“我们赋予产品AI能力的方式还不太对”，需要重新思考产品形态。

麦克·克里格: 我举了一个非常实际的例子，就是Anthropic做Excel集成的过程。由于电子表格是企业办公中必不可少的工具，所以Anthropic很早就开始探索Claude与Excel的结合。团队首先尝试的方式是让Claude读取电子表格的内容，然后写代码去更新它，这是一种纯技术的实现方式，但实际使用效果并不好。之后团队又尝试让Claude通过Computer Use的能力，看着屏幕上的内容，在Excel里进行手动的点击操作，但结果发现电子表格是给计算机视觉出的最难题目之一，模型的操作精度很难满足企业的需求。而经过多次尝试，团队最终找到了最优的形态：直接在Excel内部建立原生的钩子，实现Claude与Excel的深度集成。而这已经是团队的第三、四次尝试了，最终的效果远好于前面所有的方案。而这个例子也印证了两个一直成立的商业道理，只是在AI时代这些道理变得更加重要：第一，在AI时代，企业写软件的能力已经不再是核心的差异化优势。真正的差异化是企业建立的用户信任、品牌认知、客户关系、积累的数据以及多年沉淀的系统集成能力。第二，企业不应该执着于现有的产品形态，而是应该执着于自己在深度解决什么核心问题。只要核心问题不变，产品形态可以根据技术的发展持续迭代和优化。

产品演进与Claude Cowork

主持人吉图·帕特尔: 随后，主持人将话题引向了Anthropic的产品布局。他表示，Anthropic的API业务正在指数级增长，在编程领域也做得非常好，所以想知道Anthropic的下一步布局是什么？是不是聚焦在生产力工具领域？是否认为一个更好的Office正在到来？

麦克·克里格: 我的回答解释了Claude Cowork这款产品的诞生逻辑，也让我们看到了AI从编程工具向生产力工具演进的核心方向。团队大约六个月前开始发现一个有趣的现象：人们在拿Claude Code做非常不编程的事情，有时候是企业中的流程编排，有时候是解决个人的日常问题、创建待办清单之类的工作。这个现象让团队开始思考一个核心问题：在最极端的情况下，你可以像OpenClaw那样让AI全面接管你的电脑和基础设施，但是从实际的用户接受度来看，大多数人还没有准备好接受那种程度的自主AI。那么，下一个既安全又强大的AI进化形态是什么呢？而这，就是Claude Cowork这款产品的由来。这款几周前刚刚推出的产品，100%由Claude构建，整个开发周期基本上只有三周。团队对这款产品的定位是介于完全自主的OpenClaw和传统的办公工具之间。它的核心价值不是取代人们已经在做的工作，而是找到整合和自动化这些工作的正确方式，让AI成为用户的工作搭档，而非完全的替代者。这也是Anthropic在生产力工具领域的核心布局思路。

机制可解释性研究

主持人吉图·帕特尔: 接下来，对话的话题转向了AI技术的底层研究。主持人知道Anthropic在机制可解释性方面做了很多工作，所以提出了问题：这项研究现在走到了哪里？我们真的能完全理解模型为什么做出某个行为吗？

麦克·克里格: Anthropic在机制可解释性方面的研究还处于早期阶段，但发展速度非常快。在2024年，团队就发布了Golden Gate Claude的相关论文，当时团队开始能够展示模型“大脑”中的个别特征，甚至可以对这些特征进行操纵。这是机制可解释性研究的初步阶段。而到了2025年，团队开始看到更多关于回路的研究成果，不再只是研究单个的概念，而是开始探索模型如何执行某种具体的操作，比如心算。我表示，人类自己在做心算时都不会刻意去想自己的思考过程，而AI模型也能实现心算，甚至不需要计算器就能做各种数学运算。而按照模型的训练方式，你并不会理所当然地认为它们能做到这一点。而“回路”研究就是要搞清楚模型实现这些能力的底层逻辑。而到了现在，Anthropic的机制可解释性研究已经从纯学术的领域深入到了更具应用价值的层面。我推荐大家去看Anthropic每个模型的系统卡，里面会非常深入地描述团队做的各种极限测试，为了保证模型的安全性，团队会用各种方式去测试模型的能力边界和表现。但同时我也表示，模型部署之后还会出现各种涌现行为，所以实验室里的测试和模型部署后的实际观察、用户参与、持续迭代都同样重要，机制可解释性的研究也需要在实际的应用中持续推进。

用户偏好学习

主持人吉图·帕特尔: 聊完了技术研究，对话的话题回到了用户体验的层面。主持人提出了一个非常贴近用户的问题：现在的模型在偏好学习方面，似乎还太依赖用户的主动设置，比如让用户填各种偏好表单，那要怎么让模型更本能地理解用户的需求呢？

麦克·克里格: 我的回答给出了Anthropic在这个领域的两个核心探索方向，而这两个方向都围绕着一个核心原则，那就是让用户尽可能少地付出额外的努力。第一个方向是让 Agent在开始为用户工作之前，先进行“旁观”，利用用户的数字痕迹做冷启动。我表示，Anthropic内部大量使用Slack进行工作沟通，各种 Agent也在Slack中运行，而这些 Agent看到的我的线上工作量可能已经超过我的任何一个同事。Agent可以通过分析这些工作数据，围绕这个人在线上是什么工作风格，建立起清晰的用户画像。毕竟我写过的所有文档、发过的所有消息都在Slack中。而如果AI产品能利用这些用户已经存在的数字痕迹来完成偏好的冷启动，而不是让用户重新填写表单，那用户的体验会大幅提升。这也是Anthropic在用户画像领域的核心探索方向。第二个方向是通过自然的对话和微交互，让 Agent在互动中逐渐学习用户的偏好。而Anthropic正在赋予Claude一个全新的能力，那就是自己生成交互界面，来辅助它了解用户。我表示，没有人愿意填一个冗长的偏好表单来告诉模型自己的需求，但自然的对话可以做到这一点。而Anthropic正在实验的方式听起来并不是什么高科技，但是实际效果非常好：让Claude能够实时生成各种各样的交互界面，来引导用户表达自己的偏好。通过一些轻量化的微交互，Claude就能逐步学习到用户的核心偏好。而这个过程完全不需要用户付出额外的时间和精力，这也是让AI真正理解用户的关键。

核心担忧与兴奋点

主持人吉图·帕特尔: 对话的最后，主持人提出了几个收尾的问题，也是所有行业从业者都关心的问题：克里格最担心的是什么？最兴奋的是什么？有没有去年还没有、今年新出现的让他兴奋的事情？

麦克·克里格: 我首先表示，我天生是个爱操心的人，而我想分享一个AI安全和信息安全之外的担忧，也是我目前最核心的担忧。我担心的不是模型的能力会撞墙，我完全不认为模型的发展会遇到这样的问题，而是人类把这些强大的AI技术整合进工作和生活的能力，会被非常无聊的人类流程问题卡住，比如拿不到某个核心的权限，就是最常见的问题。我表示，配上了正确的MCP的Claude和没有配MCP的Claude，用户体验的差别是天壤之别，但总得有人在企业里批准那些MCP的接入，而这个审批的过程往往会耗费大量的时间和精力。

主持人吉图·帕特尔: 主持人也表示，这简直是自己过去30年做企业生产力工具的人生写照，而如何解决企业流程的瓶颈也成为了AI落地的关键。

麦克·克里格: 而聊到兴奋的事情，我工作时，一半脑子在产品管理上，一半脑子在工程开发上。我之前一直以为工程领域才是Claude在2026年最能帮上忙的领域，但现在我发现，Claude在产品管理领域的能力超出了我的预期。我表示，Claude现在还不够有创造力去凭空想出一个全新的产品，但作为一个产品经理实习生已经相当有用了，它能成为一个非常好的用户需求收集者和综合分析者。而这一点，是我之前以为要等更久才能实现的，现在却提前成为了现实，这让我非常兴奋。

AI杀手级应用：数据流挖掘

主持人吉图·帕特尔: 而当主持人问到编程和产品开发之外，AI的下一个杀手级应用是什么时？

麦克·克里格: 我给出了自己的判断，我认为每个企业都有一些非常有趣的数据流，而这些数据目前几乎完全没有被充分利用。AI的下一个杀手级应用，核心不是让Claude去逐条解析每一个数据点，而是先把企业的数据准备度提升上来，然后构建起数据摄取、聚合和洞察发现的能力。而这个方向在多个行业都有巨大的潜力，无论是网络安全、金融数据、交易信号，还是制造业，都是如此。我表示，Anthropic最近也在越来越多的制造业场景中开始合作。这些场景虽然各有自己的复杂性，但归根到底本质是一样的：有价值的数据流就在那里，只是还完全没有被挖掘，而AI就是挖掘这些数据价值的最佳工具。