主要观点总结
本文介绍了Anthropic CPO Mike Krieger关于AI产品发展的观点和看法，包括AI生成内容的未来趋势、AI产品的打造方法论、产品化路径的演变以及AI在组织中的适应等。
关键观点总结
关键观点1: AI生成内容的未来趋势
内容将由AI生成的趋势不可逆，关注点从真假转变为可信与共鸣。AI有助于解决内容来源、溯源和引用等问题，重点不在于是否是AI生成的，而在于内容的来源是否可靠。
关键观点2: AI产品的打造方法论
产品是否优秀的判断标准在于是否解决真实问题或满足现实需求。最好的AI产品往往不是计划出来的，而是从底层自发长出来的。与模型非常靠近、深入实验后，产品会逐渐显露其真正潜力。
关键观点3: 产品化路径的演变
AI产品的进化过程中，从工具到协作体，组织需要适应AI时代的效率重构。使用AI的能力分布不均，文化正在朝接受AI融入日常工作的方向转变。
关键观点4: AI在组织中的适应
AI产品面临的最大问题是对于新手来说仍然太难用，达到“开箱即用”的程度还有很长的路要走。模型能力虽然已经很强，但能够充分利用的用户还太少，潜力远未释放。同时，组织需要平衡研究和产品的关系，既要充分利用模型能力，又要考虑市场需求和利润最大化。
正文
AI
产品，从不是
“
规划
”
出来的
Lauren
：
很有意思。那我们深入聊聊
Anthropic
吧。你们在产品方面做得很出色，比如
Artifacts
、编程模型、
MCP
协议等。我很好奇，作为首席产品官，你在产品打造中有什么样的方法论？怎么让你们的产品不仅仅是
“
模型的包装
”
，而是比模型本身更有价值的东西？
Mike
：
我有两个想法。
第一点是，不论是在Instagram时代还是现在，
判断产品是否优秀的标准并没有变——你是否在解决真实问题。
比如做一个开发者工具，是否真的帮助开发者做到了快速、有趣、有创造性的事情？如果是面向终端用户的产品，那你是否真的满足了他们的现实需求？这些判断标准，在AI时代依然适用。
第二点是，我必须放弃以前的一些习惯。在Instagram，我们会做三到六个月的计划，非常“自上而下”、按部就班。但在Anthropic，甚至在和OpenAI等同行交流时我发现，
最好的AI产品往往不是计划出来的，而是“从底层自发长出来”的。
很多产品，只有在与模型非常靠近、深入实验后，才会逐渐显露其真正潜力。所以我学会了改变产品开发的路径，从“自上而下”转为“自下而上”。比如Artifacts就是最初的一个研究原型，后来被设计师和工程师接手优化，最后才进入产品化阶段。这种路径虽然不容易控制，但确实带来了很多惊喜。
Lauren
：
MCP
是目前整个行业开始采用的重要产品之一，我很好奇它是如何诞生的，您有什么故事可以和我们分享吗？
Mike
：
关于MCP的诞生，其实特别有意思。有时候我在公司一半的工作就是做些内部梗图，其中一个就是调侃MCP刚诞生时只是两个工程师眼中的一个“小火花”。最初的起点，其实是在我们尝试对接Google Drive和GitHub。我们发现这两个功能虽然本质上都是“把上下文引入模型”，但内部实现却完全不同。我们马上还要做第三个集成，看起来又将是一次全新的、重复造轮子的开发。所以我通常的模式是：做三次之后，就可以总结出抽象层级，形成标准。
而MCP就是这么来的。一开始，并不是从“我们要制定一个统一的协议”这种顶层设计开始的，而是两个工程师觉得这样做更合理，于是就动手去原型验证、反复迭代。后来我们花了很多精力把这个协议做得更好、更开放，希望它不只是Anthropic内部使用的东西，而是真正有机会成为行业标准
。现在，MCP已经开始被更广泛地采用。我们团队虽然已经超过1000人，但整体氛围依然非常像初创公司。我们开始与微软、亚马逊等大型合作伙伴协作，涉及到各种复杂的身份验证、权限管理和企业集成问题。这些需求并不是我们一开始会预料到的，但当你开放系统、接触到更多真实用户场景后，这些复杂性自然就来了。
Lauren
：
MCP
现在已经被很多人使用了。你们昨天刚发布了关于集成的新功能。从一个
“
自下而上
”
的想法出发，到现在落地扩展，你们是如何培育并发展这个产品的？
Mike
：
我目前最关注的两个方向，都是围绕MCP展开的。第一是“执行能力”
。MCP最初的设计目标是引入上下文，现在我们已经可以集成GitHub、触发Zapier等操作。但更重要的是——下一阶段，我们希望模型能主动完成任务。它们不仅要能“理解”，还要能“行动”，自动执行工作流。
第二是“Agent之间的协作”。
我们现在还处于非常早期的探索阶段，甚至还不适合立即建立标准。
但很明显，未来不同的AI Agent会相互交互、协作，甚至“雇佣”其他Agent来完成任务。这将形成一种新的AI经济系统。我们内部已经开始讨论，比如未来是否会出现“你的Agent为你雇佣另一个Agent”的场景。这些想法令人兴奋。
Lauren
：
你们在编程产品方面已经做得很成熟，看起来不只是
“
自下而上的小尝试
”
。你是如何看待这类产品的定位？你觉得目前做对了哪些事？
Mike
：
即使是编程这块，我依然充满敬畏。很多创新都不是靠“战略”定出来的，而是由几个研究员突破边界推动的。比如前面提到的RL（强化学习）探索，就是从具体研究中自然发展出来的。
