InfoQ

Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries

8.5内容质量
Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries

TL;DR · AI 摘要

Claude 现在处理了 Anthropic 内部 95% 的分析查询，其成功依赖于数据治理而非模型本身。

核心要点

  • Claude 处理了 Anthropic 内部 95% 的分析查询，准确率超过 95%。
  • 数据治理、语义定义和操作纪律是实现高准确率的关键。
  • 通过技能编码分析流程，Claude 的准确率从 21% 提升至 95% 以上。

结构提纲

按章节快速跳转。

  1. §引言

    Anthropic 报告 Claude 现在处理了其内部 95% 的分析查询。

  2. ·数据治理的重要性

    Claude 的成功更多归因于数据治理，而非模型本身的进步。

  3. ·AI 分析的可靠性

    AI 分析的可靠性取决于底层数据平台的质量和治理。

  4. ›技能编码的作用

    通过技能编码分析流程，Claude 的准确率显著提升。

  5. ·四层架构

    Anthropic 的分析系统基于四层架构：数据基础、知识层、技能和验证系统。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Claude 的数据分析能力
    • 数据治理
      • 语义定义
      • 操作纪律
    • 四层架构
      • 数据基础
      • 知识层
      • 技能
      • 验证系统
    • 技能编码
      • 准确率提升至 95% 以上

金句 / Highlights

值得收藏与分享的关键句。

  • At Anthropic, 95% of business analytics queries are automated via Claude, with ~95% accuracy in aggregate.

    — 第 3 段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • The authors report that Claude answered only 21% of analytics questions correctly without skills.

    — 第 4 段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • If data foundations are the data warehouse itself, sources of truth are the reference surfaces the agent consults to navigate it.

    — 第 6 段

    ⬇︎ 下载 PNG𝕏 分享到 X
#AI#数据分析#Anthropic#Claude
打开原文

Anthropic 报告称 Claude 现在处理了 95% 的内部分析查询 - InfoQ

InfoQ 首页 News Anthropic 报告称 Claude 现在处理了 95% 的内部分析查询

AI、ML 与数据工程

为自主可靠性架构：将 AI 嵌入您的可观测性堆栈（网络研讨会 6 月 25 日）

Anthropic 报告称 Claude 现在处理了 95% 的内部分析查询

6 月 21 日，2026 年，2 分钟阅读

作者：

  • Renato Losio

#### 为 InfoQ 撰写

激发你的好奇心。

帮助 55 万+ 全球

高级开发人员

每月保持领先。

联系我们

收听这篇文章 -

0:00

音频准备播放

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

  • 阅读列表

Anthropic 最近报告称，Claude 现在处理了其内部分析请求的约 95%，这让员工可以独立查询业务数据，而不是依赖数据团队。该公司认为这一成果更多归功于数据治理、语义定义和操作纪律，而不是模型的进展。

该报告指出，AI 分析的可靠性取决于底层数据平台，因此数据建模、测试、元数据管理和质量检查对于准确性至关重要。Chen Chang、Clement Peng、Justin Leder、Johanne Jiao 和 Josh Cherry 写道：

在 Anthropic，95% 的业务分析查询通过 Claude 自动化处理，总体准确率约为 95%。通过将这些通常重复、机械的工作交给 Claude，我们的数据科学团队可以专注于更具战略性的任务，如因果建模、预测和机器学习。

Anthropic 强调，AI 分析的依赖程度更多在于一小部分受控的、标准的数据集、强制执行的标准、集中化的数据工件和良好维护的元数据，而不是模型本身。这些措施减少了歧义，防止了指标漂移，并帮助 AI 系统找到正确的数据和定义。

作者报告称，在没有技能的情况下，Claude 只能正确回答 21% 的分析问题。在将分析工作流程和业务背景编码为技能后，整体准确率上升到超过 95%，在某些领域甚至接近 99%。

Anthropic 的方法解决了常见的分析挑战：自助服务访问可能会创建重叠的数据集和冲突的指标定义，而范围狭窄的报告环境通常无法支持长尾业务问题，导致仪表板泛滥。数据科学和数据工程团队的五位成员写道：

如果数据基础本身就是数据仓库，那么事实来源就是代理用来导航它的参考表面。这一层减少了概念与实体之间的歧义，并将利益相关者问题中的“每周活跃用户”转化为数据模型中的具体、受控实体。

分析设置建立在四个层次之上：数据基础（受控模型、指标和元数据）、知识层（语义定义、血缘关系和业务背景）、编码可重复分析工作流程的技能，以及验证输出正确性和一致性的验证系统。

来源：Anthropic 博客

公司得出结论，成功的AI分析依赖于三个原则：为指标维护单一的事实来源，使正确的数据易于查找，并持续检测过时的定义。数据社区的反应褒贬不一，一些人强调开放性，而另一些人则认为分析应产生确定性、幂等性的结果。Untitled Data Company的负责人兼BI/数据架构师Francesco Mucio写道：

我看到很多对Anthropic关于他们如何进行自助分析的文章的不那么好的解读。我要明确说明。他们是如何做到的？使用语义层。数据基础是一个维度模型，但他们并不直接查询表，而是首先使用语义层来确定维度、指标定义和连接。

Anthropic认为语义指标、血缘关系、查询模式和业务上下文是分析代理的关键事实来源。结构化定义比原始查询历史更重要，而由人编写的文档仍然是必不可少的。自动化QA工程师Arsenii Antonenko评论道：

有趣的是，越来越多的实际部署都指向了相同的结论：AI的性能往往受到上下文定义的限制，而不是模型能力。

文章附录提供了一个用于指导分析代理的技能文件的删减模板。

主要作者部分包装器

作者简介

部分标题

每个作者的主要包装器

#### Renato Losio

显示更多

显示更少

#### 本内容属于AI、机器学习与数据工程主题

##### 相关主题：

  • 架构与设计
  • AI、机器学习与数据工程
  • 数据分析
  • 业务分析
  • Claude
  • 数据治理
  • Anthropic
  • 数据湖
  • 相关编辑内容
  • 相关赞助商
  • 相关赞助商 2026年6月25日，东部时间下午1点 架构自主可靠性：将AI嵌入到您的可观测性堆栈中 主讲人：Justin Griffin - NeuBird AI产品负责人

InfoQ新闻简报

每周五发送一次InfoQ上周内容的汇总。加入超过25万名高级开发者的社区。查看示例

我们保护您的隐私。