AI热榜 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。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接