Anthropic 最近透露，目前公司约 95% 的内部数据分析请求已经由 Claude 自动完成。员工可以直接向 Claude 查询业务数据，而不再需要依赖数据团队。公司认为，这一成果更多来自数据治理、语义定义和工程规范，而不是模型能力本身的提升。
报告指出，AI 分析系统的可靠性很大程度上取决于底层数据平台的质量。因此，数据建模、测试、元数据管理以及数据质量校验，才是决定分析准确性的关键因素。Chen Chang、Clement Peng、Justin Leder、Johanne Jiao 和 Josh Cherry 写道：
在 Anthropic，95% 的业务分析查询已经由 Claude 自动完成，整体准确率约为 95%。将这些重复性、流程化的分析工作交给 Claude 后，我们的数据科学团队能够把精力投入到因果分析、预测建模以及机器学习等更具战略价值的工作中。
Anthropic 强调，AI 数据分析的效果并不主要取决于模型本身，而是取决于少量经过治理的标准数据集、统一的数据规范、集中管理的数据资产以及维护良好的元数据。这些基础设施能够减少歧义、防止指标漂移，并帮助 AI 系统准确找到对应的数据和定义。
作者表示，在没有引入 Skills（技能）机制时，Claude 对分析问题的正确回答率仅有 21%。而当团队将分析流程和业务知识编码为技能之后，整体准确率提升到了 95% 以上，在部分领域甚至接近 99%。
Anthropic 的做法实际上是在解决一个长期存在的数据分析难题：自助式分析容易产生重复的数据集和彼此冲突的指标定义；而过于严格、预定义的报表体系又难以覆盖大量长尾业务问题，最终导致仪表盘不断膨胀。数据科学与数据工程团队的五位作者写道：
如果说数据基础层就是数据仓库本身，那么“事实来源”就是 Agent 用来理解和导航数据仓库的参考层。这一层能够减少概念与实体之间的歧义，把业务人员口中的“周活跃用户”映射为数据模型中一个明确且经过治理的实体。
Anthropic 将其分析体系划分为四个层次：第一层是数据基础设施，包括经过治理的数据模型、指标和元数据；第二层是知识层，包含语义定义、数据血缘关系以及业务上下文；第三层是将分析流程固化下来的 Skills；第四层则是验证系统，用于检查分析结果的正确性和一致性。
Agent 化分析栈。来源：Anthropic 博客
公司认为，成功的 AI 数据分析体系建立在三个核心原则之上：保持指标定义的唯一事实来源，让正确的数据容易被发现，以及持续识别和清理已经过时的定义。
数据社区对此反应不一。一部分人认为 Anthropic 的实践提供了很好的开放范例，也有人认为数据分析本质上应当产生确定性和幂等性的结果。Untitled Data Company 的负责人兼 BI/数据架构师 Francesco Mucio 表示：
我看到很多人对 Anthropic 的这篇文章给出了并不准确的解读。我想把事情说得更清楚一些：他们是怎么实现自助分析的？答案是语义层。底层的数据基础仍然是维度模型，但他们并不会直接查询数据表，而是先通过分析技能利用语义层确定维度、指标定义以及关联关系，然后再进行分析。
Anthropic 将语义指标、数据血缘、查询模式以及业务上下文视为分析 Agent 的核心事实来源。相比于历史查询记录，结构化的定义更加重要，而由人工维护的业务文档依然不可或缺。
自动化测试工程师 Arsenii Antonenko 评论道：
越来越多真实场景中的部署都指向同一个结论：AI 的表现往往并不是受模型能力限制，而是受上下文定义质量的限制。
文章附录还提供了一份经过脱敏处理的 Skill 文件模板，用于展示 Anthropic 如何利用这些技能文件来指导分析 Agent 的行为。
查看英文原文：Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries - InfoQ
