Anthropic、Gamma 与 Clay 在 TechCrunch Disrupt 2026 大会上如何解释企业部署 AI 时真正发生的事

目录

• 你可能想知道
• 主要议题
• 关键洞见表
• 会后…

你可能想知道

1) 当 AI 系统从精心设计的演示转入日常企业工作流程时，会出现哪些实际挑战？

2) 当客户开始依赖 AI 执行关键任务时，厂商与创始人的观点有何不同？

主要议题

一个令人印象深刻的 AI 演示可以在几分钟内传达能力与潜力。但从演示到可依赖的生产环境使用的路径往往并不直线。在 TechCrunch Disrupt 2026 的一场讨论中，来自 Anthropic、Gamma 与 Clay 的代表将审视这段转变——探索 AI 在受控环境中能做的事，与当它整合进企业日常运营时必须达到的标准之间的差异。

Anthropic 的应用 AI 负责人 Cat de Jong 带来一个以直接与在关键任务工作流程中部署 Claude 的企业接触为基础的宏观观点。她的关注点不是理论上的潜力，而是现实结果：哪些部署成功、哪些停滞，以及哪些组织行为决定项目是否能从试点阶段推进。这些洞见很重要，因为企业很少因为技术新颖就采用它；当技术能持续解决有价值的问题、融入既有流程并为利益相关者降低风险时，企业才会采用它。

从 Anthropic 的视角来看，多次部署中会浮现一些重复的模式。达到生产级别采用的组织通常会及早投资于整合、监控与治理。他们把 AI 系统视为更广泛工作流程的一个组件，而不是孤立的功能。相反地，停留数月却未能转换为生产的试点，常常缺乏明确的成功度量、未能取得跨职能支持，或低估了维护与监督 AI 输出的运营开销。这些差异不仅是技术性的；也是组织与程序上的。

补充 Anthropic 的跨企业视角，Gamma CEO Grant Lee 提供创始人的观点：如何构建人们实际上会纳入日常工作的 AI 功能。Gamma 起初作为传统演示工具的 AI 优先替代方案，并扩展为一个更广泛的视觉沟通与营销素材平台。快速的用户增长让 Gamma 能观察到哪些 AI 驱动功能具有黏性。实践上，成功的 AI 产品解决具体且反复出现的痛点，立即呈现价值，并且足够直观，让用户能在不做重大流程改变的情况下采用。

Grant Lee 的经验突显了几个重要的产品设计教训。首先，AI 必须产生可靠且可解释的输出，让用户有足够的信任去采取行动。第二，价值主张在第一次使用时就应该明显可见——如果用户无法快速察觉节省的时间或成果的改善，留存率就会下降。第三，灵活性很重要：用户会弯曲产品以适应他们的工作流程，因此为新兴的使用场景设计并提供可组合的构建模块能促成更广泛、不可预期的采用。综合而言，这些考量说明了为何技术上令人印象深刻的模型是必要但不足以在大规模采用上取得成功。

Clay 联合创始人兼 CEO Kareem Amin 补充第三个角度：为了在市场推广与寻找客户的工作流程中呈现 AI 的价值，所需的基础设施与运营机制。Clay 专注于整合数据来源、协调具代理性的工作流程，以及执行依赖可靠数据与顺畅自动化的 GTM 策略。从这个角度看，采用的关键在于 AI 与组织既有系统整合的程度，以及它在面对现实世界数据变异时的鲁棒性。

Amin 的观点也凸显了合作与整合的重要性。当 AI 嵌入到销售、营销或客户成功团队已在使用的工具生态中时，采用的摩擦会显著降低。此外，当团队开始依赖 AI 进行面向客户的任务时，监控、回退与人工介入控制变得至关重要。如果未能处理这些运营实际问题，通常会导致有前景的试点在用户遇到边缘案例、错误输出或整合脆弱性时被放弃为实验。

这三个观点——Anthropic 的宏观模式、Gamma 的产品驱动增长教训与 Clay 的整合与基础设施聚焦——共同勾勒出企业情境中 AI 采用的更完整图景。它们突显了一个共同主题：可投入生产的 AI 在流程、信任与与人类工作流程的对齐方面，与模型性能同等重要。成功从试点转向生产的企业通常从第一天就规划迭代、衡量与治理。他们定义明确的成功标准、分配运营责任，并建立反馈回路以揭示错误并指导模型更新。

也有一些实务策略能持续区分成功的部署。首先，以有限且高价值的使用案例开始的保守推出可以在收集集中反馈的同时降低风险。第二，投资于可解释性与用户控制能帮助利益相关者理解并接受 AI 的输出。第三，确保在生产中监控系统性能，并设有警报与人工覆盖选项，可防止小问题侵蚀信任。这些措施虽不耀眼，却是将初期热情转化为持续使用的必要条件。

最终，对 AI 技术的更严格考验不是它们能否在演示中令人惊艳，而是它们能否在复杂的人类系统内提供可依赖的价值。TechCrunch Disrupt 所安排的 Anthropic、Gamma 与 Clay 的场次旨在解构这些现实：典型的企业部署生命周期长什么样子、创始人如何为采用设计，以及哪些运营实务能帮助组织在不暴露于不可接受风险的情况下依赖 AI。

对任何参与在企业中销售、构建或实施 AI 的人来说，理解这些模式很重要。它能指导产品路线图、部署策略，以及产品团队应与潜在客户进行的对话。它也把成功度量从纯粹的技术基准重新框定为采用、可靠性与可衡量的商业影响的混合——这些标准最终决定了一个 AI 项目是否能成为人们工作方式的持久一部分。

关键洞见表

会后…

当 AI 从令人印象深刻的演示转入常态化的企业使用时，讨论必须从能力转向耐久性。Anthropic、Gamma 与 Clay 在 Disrupt 分享的经验反映了一个更广泛的真相：可持续的 AI 采用结合了稳健的工程、谨慎的运营设计与以人为本的产品思维。那些规划整合、通过透明建立信任并衡量真实商业影响的组织，最有可能看到试点演变为关键任务系统。

如果你想深化对 AI 在生产环境中表现的理解——并学习提高成功采用概率的具体方法——Disrupt 的场次提供了厂商与创始人观点的可行见解。观察这些对话能帮助产品团队、实施者与采购方调整期望并做出更好的部署决策，最终将 AI 实验转变为能改变公司工作方式的可靠工具。

加入 TechCrunch Disrupt 的讨论，亲自聆听这些洞见，并看看随着 AI 成为现代工作流程的核心，企业、初创公司与产品团队如何在承诺与实践之间取得平衡。