算力是顏料，不是電費：Anthropic CFO Krishna Rao 拆解一季衝三百億的內部邏輯

TL;DR

• Anthropic 在 2026 年第一季把年化營收從九十億美元拉到三百億，三個月做了一次世代級的跳躍，已經超過 OpenAI 變成全球營收最高的 AI 公司
• CFO Krishna Rao 的本職不是看毛利率，是在算「算力 ROI」。同一塊算力上午跑訓練、下午跑客戶推論、晚上幫員工自動化工作，三件事可以動態切換
• 三條晶片鏈一起用：Amazon Tranium、Google TPU、NVIDIA GPU 全部 fungible，編譯器自己寫，調度層自己幹
• Claude Code 寫掉 Anthropic 自己九成的程式碼，連 Claude Code 本身也是 Claude Code 寫出來的，這就是業界在講的遞迴自我改進
• Opus 4.5 上市時 Anthropic 主動降價，結果消費量爆增，Jevons 悖論在 AI 模型上重新上演
• 客戶淨留存率年化超過百分之五百，Fortune 10 裡九家是 Anthropic 客戶。Patrick 來錄音前在 Uber 上簽了兩個八位數美金的合約
• Mythos 是第一個用「分階段釋出」處理的模型，因為它在 cyber security 領域強到 Anthropic 自己都會怕

這集 podcast 跟受訪者是誰

這集在 2026 年 5 月 13 日上線的 Invest Like the Best 是 Patrick O'Shaughnessy 從 2016 年做到現在的訪談節目。Patrick 本身是 Positive Sum 創投的 CEO，這節目算是創投圈跟 LP 圈每週都會放進通勤清單的固定節目之一。風格比較深度，一集一小時起跳，主持人不太打斷來賓，也不會硬塞自己的觀點進去，所以受訪者通常會講得比在別處更放鬆一點。

這集的受訪者是 Anthropic 第一任 CFO Krishna Rao。Krishna 在 2024 年 5 月加入 Anthropic，在那之前他是 Fanatics Commerce 的 CFO，再往前是醫療科技公司 Cedar 的 CFO，最早是 Airbnb 的全球企業發展跟 FP&A 負責人，疫情期間幫 Airbnb 在七週內掉七成營收的狀況下完成超過一百億美元的股債募資。學歷是 Harvard 經濟系 summa cum laude 加 Yale 法學院。

Anthropic 大家應該不用我太多介紹了。Claude 系列模型背後的公司，過去十二個月從九十億 ARR 衝到三百億，現在二級市場估值已經被推到九千億美元上下。

這集的核心不是聊產品，是聊一件大多數人沒在認真想的事：當你管的不是員工而是算力，當你的成本結構不是固定的研發費跟業務費，而是同一塊資源可以在不同時段做不同的事，這個 CFO 要怎麼當？

三百億美金的營收，怎麼來的？

先把這個數字弄清楚有多離譜。

Anthropic 在 2025 年底的 ARR 是九十億，到 2026 年第一季結束變三百億，三個月跳了三倍多。對照組是 Salesforce，從零做到三百億花了將近二十年。

Krishna 在訪談裡有一句話我滿喜歡：「Dario 一直比我更會預測營收，這個 gap 我會慢慢縮小，但目前還沒。」聽起來像在自嘲，但其實是 Anthropic 整個內部世界觀的縮影。連 CFO 自己都承認，線性思考會 underestimate 這家公司。

更扯的是淨留存率。Krishna 提到他們現在的 NDR（Net Dollar Retention，淨留存率）年化超過百分之五百，意思是同一個客戶今年在 Anthropic 上花的錢，是去年的五倍。SaaS 業界 NDR 能做到一成三就已經是頂標，五倍在傳統軟體業根本不存在。

他舉了一個畫面：「我來錄這集 podcast 的路上，在 Uber 上面簽了兩個八位數美金的合約，車程二十分鐘。」這個畫面比任何財報數字都更生動地說明什麼叫做 AI 商業化的爆發期。

算力是顏料，不是電費

Krishna 開場就講了一句話：「算力是整家公司的畫布，所有其他東西都長在上面。」

傳統的 CFO 思維是把成本分類：研發、行銷、營運。每個團隊有預算，年初定好，年中檢討。Anthropic 不是這樣運作的。

Krishna 自己估，他有百分之三十到四十的時間都花在算力上。算力的調度會議是天天開的，比業績檢討還頻繁。

為什麼？因為同一塊算力，早上可以拿去做模型訓練，下午可以拿去跑客戶的推論，晚上可以拿去幫員工自動化工作。這三件事都在創造價值，但時間軸完全不一樣：

• 跑客戶推論的算力，今天就會變成營收
• 做模型訓練的算力，要等下一代模型出來才看得到回報，可能六個月後
• 員工內部使用的算力，幫公司加速研發，回報時間軸更模糊

這就是為什麼 Krishna 強調傳統 CFO 的思考框架在 Anthropic 沒有用。所有東西都是同一塊算力的不同用法，「固定研發費」「變動營運費」這種分類在這裡是失效的。

不確定性的圓錐

Anthropic 有一個內部概念叫 cone of uncertainty（不確定性的圓錐）。

意思是：當你的營收是指數成長的，未來十二個月的預測範圍會像一個圓錐一樣越張越開。一個月成長率差幾個百分點，一年後的營收就會差好幾倍。

「人類本來就只會線性思考。」Krishna 說，「我在 Anthropic 兩年最大的調整就是逼自己不要線性思考。」

這個思維跟傳統公司的差異很大。一般公司預測營收，會說「今年大概做到 X 億」，是個點估計。Anthropic 不做點估計，他們做場景估計：圓錐的上緣是什麼樣、下緣是什麼樣、中間 base case 是什麼樣。

然後再回推：要用最少的算力，把公司放在一個可以衝到圓錐上緣的位置。

這就是為什麼算力採購是 Anthropic 最關鍵也最痛苦的決定之一。Krishna 講了一句話讓我印象很深：「如果你買太多算力，公司會倒；如果你買太少，你服務不了客戶，也撐不住 frontier，公司一樣會倒。」

兩邊都是死路，這就是 AI 公司 CFO 的真實人生。

三條晶片鏈一起跑

Anthropic 算力供應鏈的策略只有四個字：完全互換。

具體來說，他們同時用 Amazon Tranium、Google TPU、NVIDIA GPU 三條晶片鏈，而且這三條鏈裡的算力可以動態調度互相替代。這在業界是獨一份。

之前在Dylan Patel 拆 AI Token 的供給與需求那篇有提過，AI token 供給端最大的瓶頸是 DRAM 跟 HBM 產能。Anthropic 用三條鏈的策略，就是在分散這個瓶頸風險。

要做到 fungibility 不是擺個 abstraction 層就好。Anthropic 從 TPU 第三代就開始用，當時整個業界都笑他們瘋了，大家都用 GPU 你幹嘛用 TPU。結果現在 Anthropic 有自己的編譯器、自己的調度層、自己的硬體優化團隊跟 Amazon 的 Annapurna Labs 深度合作。

這套基礎建設花了好幾年才疊出來，但帶來的好處是：當市場出現算力短缺，Anthropic 可以把工作從 GPU 切到 TPU；當某一代晶片有 idiosyncrasy，他們可以把該世代專門指派給最適合的內部工作。

Krishna 講的「每一塊錢算力在 Anthropic 裡面比在任何地方走得更遠」，背後就是這套架構在撐。

而且這個算力盤子接下來會繼續炸。上個月 Anthropic 跟 Google、Broadcom 簽了五吉瓦的 TPU 採購、跟 Amazon 簽了最多五吉瓦的 Tranium，加起來是超過一千億美金的承諾，全部從 2027 年開始陸續到位。

遞迴自我改進：Claude 寫 Claude

這段是整集 podcast 裡最讓人寒毛站起來的部分。

Krishna 隨口講了一個數字：「我們公司現在百分之九十以上的程式碼是 Claude Code 寫的。Claude Code 自己的程式碼，大部分也是 Claude Code 寫的。」

這就是業界在講的 recursive self-improvement（遞迴自我改進）。模型寫程式，程式造出更好的模型，更好的模型再寫更好的程式。

更關鍵的是 Krishna 補的下一句：「在訓練模型的時候，強化學習本質上就是讓模型在 sandbox 裡反覆推論加上獎勵函數。所以如果新模型本身推論效率更高，整個 RL 訓練流程也會跟著變更有效率。」

翻成白話就是：模型變強→訓練變快→下一代模型更強→訓練再變快。這個正回饋迴圈不會停。

之前在All-In 拆 Anthropic 世代級爆發那篇有聊到 Anthropic 為什麼會在企業端把 OpenAI 甩開，這集等於是 CFO 親口把背後的飛輪講清楚。

對一般人來說最有趣的觀察可能是：Anthropic 內部用 Claude Code 用最兇的，不是二十二歲剛畢業的工程師，是稅務長。稅務長用 Claude Code 做稅務政策引擎自動化。整個 finance team 內部有一個 token usage 排行榜，雖然不影響考績，但是讓 Krishna 觀察到「最資深的人，常常是用最多 token 的人」。

這跟一般人想像「年輕工程師才會 vibe coding」差很多。

Opus 降價，反而賺更多：Jevons 悖論

接下來這段對所有想搞懂 AI 定價的人都很有用。

直覺上，AI 公司應該不斷漲價。每個人都在喊算力短缺、模型變強，理論上漲價是合理的。但 Anthropic 反過來做。

Opus 4.5 上市的時候，Anthropic 主動把 Opus 系列的價格調降。Krishna 解釋邏輯：「我們發現客戶常常把 Opus 等級的問題塞進 Sonnet 去解，因為 Opus 太貴他們捨不得用。」

降價之後，發生了 Jevons 悖論：用量爆增的幅度遠遠超過降價的幅度，總營收反而上去。當 Opus 4.6 出來的時候，因為價格已經是客戶熟悉的價位，客戶可以無痛切換到新模型，整個產品線的成長被進一步放大。

這個邏輯有個前提：必須在效率上能 cover 降價，否則就是純粹的毛利率自殺。Anthropic 能這樣做，是因為每代新模型的推論效率都會跳一階。Krishna 用「換車」的比喻：傳統汽車從房車換到跑車是油耗變差，但 AI 模型從 Opus 4 到 4.5 到 4.6 到 4.7，性能更強的同時油耗也更低。

對所有在做 SaaS 訂閱定價的人來說，這集是一個重要的提醒：當你的單位成本曲線在快速下降，正確的策略可能是降價換量，不是維持高毛利。

平台 vs 應用：Anthropic 要走多深？

Patrick 問了一個 AI 圈內人都在吵的問題：Anthropic 到底會把自己的觸角伸到應用層多深？

這問題的張力在於：如果你只做平台，你的客戶都在你的平台上長出來，你拿一個 API 抽成；如果你做應用，你直接吃下整個 vertical 的價值，但你會跟自己的客戶競爭。

Krishna 的答案很清楚：百分之九十的精力放在平台。例外是當 Anthropic 看到一個未來模型才能做到的方向，而現在還沒有人在做，這時候會自己跳下去示範。

Claude Code 就是這樣的例子。Krishna 說：「Claude Code 一年多前推出的時候，我們知道現在的模型還做不到那個程度，但我們相信半年後可以。」這是用未來模型的能力反推現在的產品。

他舉的另一個例子是 Claude for Financial Services、Claude for Life Sciences 這種 vertical solution。這類產品 Anthropic 不是要自己吃完，是要示範「在這個 vertical，模型可以做到這種事」，然後把生態圈拉進來一起做。

這個策略很像 AWS 早期的玩法：先把平台做扎實，偶爾跳下去做幾個 reference application 示範用法，剩下交給生態圈。

給投資人的三個問題

訪談快結束的時候 Patrick 問了一個反過來的問題：如果你坐到創投那一邊，你會問 AI 公司什麼？

Krishna 給了三個：

1. 算力 ROI 的時間軸是什麼樣子？這筆錢什麼時候回來、回來多少？
2. 客戶用你的東西，他們自己的 ROI 怎麼計算？是真的在 production 跑，還是只是在試用？
3. 你的算力來源策略是什麼？特別是當你的供應商可能同時是你的競爭對手的時候。

這三個問題對任何在看 AI 賽道的投資人都很有用。我自己在跟一些朋友聊新創的時候，發現很多人還是在用傳統 SaaS 的框架看 AI 公司，講的還是 CAC、LTV、毛利率。Krishna 這集等於是給出了一個新框架：算力 ROI 才是新一代的毛利率。

結尾：虛擬同事的時代

Patrick 問 Krishna 最樂觀的未來是什麼，他講了藥物開發的例子。新藥研發的瓶頸不只是科學，還有大量的文書、臨床報告、申請流程。AI 把這些流程加速十倍、一百倍，整個製藥業的迭代速度就會跟著上去。

但更廣的願景是 Anthropic 一直在講的 virtual collaborator（虛擬同事）。具有公司 context、有持久記憶、能跨多天甚至多週執行任務的 AI 同事。Krishna 估計全球的知識工作年產值大約是四十兆美元，這就是這個願景要打的市場。

我自己有個感覺：當你聽完這集，會覺得 Anthropic 是一家正在學習怎麼當「指數型公司」的公司。財務長不是在管錢，是在管算力分配跟場景估計；產品策略不是在守 vertical，是在用未來的模型能力反推現在該做什麼；定價策略不是在守毛利，是在追 Jevons 悖論的甜蜜點。

這套打法對所有想做 AI 應用、AI 基礎建設、甚至只是想搞懂這波到底在發生什麼的人來說，都是現在最值得認真讀的一份業內筆記。

自行斟酌，共勉之。

更多這類 podcast 拆解跟產業觀察，我都會放在 wilsonhuang.xyz，有興趣的歡迎訂閱追蹤。