第三章｜客户对象：谁用、谁付钱、谁决策、谁承担后果？

3.1 本章结论

Anthropic 的客户不能简单写成“开发者和企业”。按 J 系统公司研究框架，必须拆开：谁使用、谁付钱、谁决策、谁影响购买、谁承担失败后果、谁获得最大收益，以及预算来自哪里。

对 Anthropic 来说，客户对象至少分成六类：

1. 个人知识工作者：使用 Claude App，提高写作、阅读、研究和信息处理效率；

2. 开发者和工程团队：使用 Claude Code / API，提高代码理解、修改、测试和工程交付效率；

3. 企业组织：购买 Claude Enterprise / Team，把 AI 纳入可治理的内部工作流；

4. AI 应用公司：调用 Claude API，把 Claude 作为底层模型能力；

5. 云平台客户：通过 AWS Bedrock / Google Vertex 使用 Claude；

6. 高监管 / 高风险行业客户：看重安全、合规、可控、审计和可靠性。

但最重要的分类不是行业，也不是产品，而是 托付深度。

Anthropic 的客户价值随着托付深度上升而上升：

从“让 Claude 帮我写几句话”，到“让 Claude 读我的代码库”，再到“让 Claude 接入企业知识库、业务流程、安全系统和生产工作流”。

所以，本章核心判断是：

Anthropic 的客户研究不能只看客户数量，而要看客户把什么级别的任务交给 Claude。客户托付越深，Anthropic 越可能形成留存、迁移成本和企业信任；客户托付越浅，Anthropic 越容易被替代。

3.2 客户对象拆解：谁使用？

3.2.1 个人知识工作者

个人用户主要使用 Claude App。典型任务包括：

• 写作；
• 总结长文档；
• 翻译；
• 解释概念；
• 研究辅助；
• 头脑风暴；
• 信息压缩。

这一类用户的价值是真实的，但托付深度通常较低。用户可以在 Claude、ChatGPT、Gemini、Perplexity、Grok、开源模型之间切换。除非 Claude 在某些场景形成明显体验差异，否则个人用户本身难以形成强护城河。

个人用户的意义更多在于：

• 提升 Claude 品牌；
• 提供早期口碑；
• 带来订阅收入；
• 形成产品反馈；
• 培养用户习惯。

但正式报告不能把个人用户使用等同于企业级客户粘性。

3.2.2 开发者和工程团队

开发者是 Anthropic 当前最关键的客户对象之一。

开发者使用 Claude Code、Claude API、IDE 集成、terminal 工具和 coding workflow。真实任务不是“问模型怎么写代码”，而是：

• 理解陌生代码库；
• 修 bug；
• 实现功能；
• 重构；
• 写测试；
• 解释代码；
• 自动化重复任务；
• 把 AI 接入工程流程。

开发者客户重要，是因为 coding 任务高频、可验证、ROI 清楚，也更容易产生工作流嵌入。如果 Claude Code 成为开发者日常工程流程的一部分，Anthropic 就可能从模型供应商进入工程生产系统。

但这里也有强反证：

• Cursor / GitHub Copilot / Windsurf 控制开发者入口；
• Claude 只是这些工具背后的可替换模型；
• 开发者多模型切换；
• 企业不允许 AI 接入真实代码库；
• Claude Code 留存不强。

所以开发者客户是关键机会，也是关键战场。

3.2.3 企业员工和业务团队

企业员工可能通过 Claude Enterprise / Team 使用 Claude，也可能通过内部系统、Slack、M365、Chrome 或企业知识库间接使用 Claude。

他们真实购买的不是模型，而是：

• 更快处理内部知识；
• 更快写文档、总结、分析；
• 更快完成客服、安全、法务、财务、运营等流程；
• 在组织允许的边界内安全使用 AI。

企业员工使用是否有价值，要看两点：

1. 是否进入日常工作流程；

2. 是否被组织治理系统允许和支持。

如果只是员工个人试用，价值较浅；如果进入部门流程、内部知识库和业务系统，价值明显更深。

3.2.4 AI 应用公司

AI 应用公司调用 Claude API，把 Claude 作为底层模型能力。例如 agent 产品、开发者工具、搜索问答、客服系统、研究工具、垂直行业 AI 产品等。

这类客户的特点是：

• 使用量可能大；
• 技术要求高；
• 会对比多个模型；
• 更容易多模型 routing；
• 对价格、延迟、稳定性敏感；
• 客户关系可能在应用公司侧，而不在 Anthropic 侧。

AI 应用公司对 Anthropic 有价值，因为它们能放大 Claude 使用。但它们也会削弱 Anthropic 的品牌和客户关系。如果终端用户只知道 Devin、Cursor、Perplexity、某个企业软件，而不知道 Claude，那么 Anthropic 可能只捕获底层模型价值。

所以，AI 应用公司客户要同时看两面：

• 使用量和收入机会；
• 商品化和价值捕获风险。

3.2.5 云平台客户

通过 AWS Bedrock / Google Vertex 使用 Claude 的客户，是 Anthropic 企业化的重要来源。

这类客户的购买逻辑通常不是“我直接找 Anthropic”，而是：

• 我已经在 AWS / Google 云上；
• 我希望在现有云合规、账单、安全体系内使用 frontier model；
• 我通过 Bedrock / Vertex 选择 Claude；
• 我可能同时使用多个模型。

云客户能扩大 Anthropic 分发，但必须区分：

Claude 被云客户使用，不等于 Anthropic 掌握客户关系。

如果客户关系、账单、折扣、治理、model routing 都在 AWS / Google 侧，Anthropic 的价值捕获会被稀释。

3.2.6 高监管 / 高风险行业客户

金融、医疗、制药、法律、政府、安全、关键基础设施等行业，对 AI 的要求不是单纯能力强，而是可靠、可控、可审计、合规。

这类客户最能检验 Anthropic 的 safety / trust 差异化是否真实。

如果 Anthropic 能进入这些客户的生产流程，说明 safety 可能成为商业变量。如果不能进入，只停留在宣传和试点，就不能证明 trust 护城河。

3.3 谁付钱？预算来自哪里？

客户研究必须区分使用者和付钱者。很多 AI 产品的使用者喜欢，但预算不一定归他们管。

3.3.1 个人订阅预算

个人用户为 Claude Pro / Max 等付费。这部分收入较直接，但竞争激烈，价格敏感度可能较高，迁移成本较低。

3.3.2 工程团队预算

Claude Code 和 API 可能进入工程团队预算。工程负责人愿意为提升开发效率、降低维护成本、加快交付速度付费。

这里的预算逻辑较强，因为 coding ROI 相对可衡量：

• PR 数；
• cycle time；
• bug 修复速度；
• onboarding 时间；
• legacy code 维护成本；
• 工程吞吐。

Smartsheet 这类案例之所以重要，就是因为它提供了工程效率指标。

3.3.3 企业 IT / procurement 预算

Claude Enterprise / Team 进入企业 IT、数字化转型、AI transformation 或 productivity budget。

这类预算的特点是：

• 决策周期更长；
• 安全和合规审查更严格；
• 采购流程复杂；
• 但一旦通过，规模和留存可能更高。

3.3.4 云平台预算

通过 AWS Bedrock / Google Vertex 使用 Claude，预算可能来自已有云支出。这降低采购摩擦，因为客户不需要新增供应商流程。

但这也意味着 Anthropic 可能只是云账单中的一个模型使用项。客户关系和预算控制可能在云平台侧。

3.3.5 AI 应用公司模型成本预算

AI 应用公司把 Claude API 当作模型成本。它们会持续比较：

• 质量；
• 延迟；
• 稳定性；
• 上下文能力；
• 价格；
• rate limit；
• 安全策略；
• 替代模型。

这类客户对 Anthropic 贡献 usage，但也最可能推动多模型化和价格比较。

3.4 谁决策？谁影响购买？

Anthropic 的购买决策通常不是单一角色完成，而是多方共同影响。

3.4.1 开发者和技术团队

开发者是重要影响者。他们决定 Claude 是否真的好用，是否愿意把它放进日常工作流。

在 coding 场景里，bottom-up adoption 很重要。开发者喜欢，才可能推动团队采用；团队采用，才可能进入企业采购。

3.4.2 CTO / CIO / 工程负责人

他们更关心：

• 是否提升工程效率；
• 是否安全；
• 是否可控；
• 是否可规模化部署；
• 是否能和现有系统集成；
• 成本是否可预测。

3.4.3 安全、法务、合规团队

这些角色可能不是直接使用者，但对企业 AI 采购有否决权。

他们关心：

• 数据是否用于训练；
• 权限如何控制；
• 审计如何完成；
• 是否满足 SOC2 / 合规要求；
• 敏感数据如何处理；
• 出错谁负责。

这正是 Anthropic safety / trust 叙事可能转化为采购理由的地方。

3.4.4 AWS / Google account team

如果客户通过 Bedrock / Vertex 采购，云平台销售和解决方案架构师会显著影响模型选择。

这既帮助 Claude 分发，也增加平台依赖。

3.4.5 内部 AI champion

很多企业采用 AI，需要内部 champion 推动。这个角色可能来自工程、数据、运营、战略、数字化转型部门。他们决定试点方向、推动内部 adoption、向上争取预算。

3.5 谁承担失败后果？

这是客户对象研究里最容易被忽略但最重要的问题。

使用 AI 的收益可能归工程团队、业务团队和管理层，但失败后果由谁承担，决定了企业是否敢深度托付。

3.5.1 开发者承担代码质量风险

如果 Claude Code 生成错误代码、破坏系统、引入安全漏洞，最终承担后果的是工程团队和代码 owner。

所以开发者不会只看模型是否聪明，还会看：

• 是否可靠；
• 是否可审查；
• 是否能解释；
• 是否容易回滚；
• 是否能和测试系统配合。

3.5.2 企业承担数据和合规风险

如果企业把敏感数据交给 AI，数据泄露、合规违规、审计失败、客户投诉都可能变成组织风险。

这解释了为什么 Enterprise governance 重要。

3.5.3 管理层承担业务和声誉风险

如果 AI 在客户支持、法律、医疗、金融、安全等流程中出错，公司声誉、监管关系和客户信任都会受影响。

因此，高风险行业不会只因为模型能力强就采用；它们需要可控性和责任边界。

3.5.4 云平台承担部分基础设施和合规关系

通过 AWS / Google 使用 Claude 时，客户可能把一部分安全、合规、采购信任转移到云平台。这有利于采用，但也意味着云平台掌握关键关系。

3.6 谁获得最大收益？

客户价值不是平均分布的。Anthropic 最值得关注的是哪些客户获得最大收益。

3.6.1 工程组织

如果 Claude Code 真的能提高开发效率、减少维护成本、加快交付，工程组织是最大受益者之一。

3.6.2 知识密集型企业

文档多、流程复杂、知识分散、合规要求高的企业，更可能从 Claude Enterprise 中受益。

3.6.3 AI 应用公司

它们可以把 Claude 作为能力底座，快速构建产品。但收益是否回流 Anthropic，取决于 Anthropic 的定价权和替代性。

3.6.4 云平台

AWS / Google 也可能是受益者。Claude 能提升 Bedrock / Vertex 的吸引力，增加云消费和客户粘性。

这就是为什么云渠道既是帮手，也是价值捕获竞争者。

3.7 客户为什么第一次买？

客户第一次买 Claude，可能来自不同动因。

3.7.1 能力驱动

Claude 在写作、长上下文、coding、reasoning、tool use 等场景表现好，客户为了能力而购买。

这是最健康的一类购买动因。

3.7.2 效率驱动

客户希望减少人工时间、提升工程效率、加快文档处理、降低重复劳动。

这类动因如果能量化 ROI，就可能转化为持续预算。

3.7.3 风险 / 合规驱动

企业希望在更安全、可控、合规的方式下使用 AI。Anthropic 的 safety / trust 形象可能帮助第一次购买。

但如果竞品提供同等合规能力，这个差异会下降。

3.7.4 云采购便利

客户通过 AWS / Google 已有采购路径使用 Claude，降低试用摩擦。

这有利于 adoption，但客户关系可能不在 Anthropic。

3.7.5 FOMO / AI 热潮

部分客户购买 AI 产品，是因为组织压力、董事会要求、行业热潮或试点预算。

这类购买质量较低。它能带来短期收入，但不一定带来生产使用和留存。

正式报告必须区分：

客户因为真实结果购买，还是因为 AI 热潮购买。

3.8 客户为什么继续用？

第一次买不重要，继续用才重要。

高质量留存必须来自真实客户结果。

3.8.1 工作流嵌入

如果 Claude 接入代码库、知识库、客服系统、安全流程、合规文档、内部工具，客户迁移成本会上升。

3.8.2 团队习惯形成

如果团队每天用 Claude Code、Claude Enterprise 或 API 完成任务，使用习惯会变成组织流程。

3.8.3 ROI 可验证

如果客户看到 cycle time 降低、PR 增加、文档处理更快、安全响应更快，预算更容易延续。

3.8.4 Governance 配置完成

企业一旦完成权限、安全、审计、数据政策和内部培训，切换成本会提高。

3.8.5 模型在关键任务上持续领先

如果 Claude 在客户高价值任务上持续比竞品更可靠、更好用，留存才是真实的。

3.9 客户为什么不换？

客户不换的原因分为高质量和低质量。

3.9.1 高质量不换

高质量不换来自：

• Claude 在关键任务上明显更好；
• Claude 已深度接入工作流；
• 团队围绕 Claude 建立流程；
• governance、权限、审计和内部系统已经配置；
• 切换会带来真实业务成本；
• 客户使用越成熟，越依赖 Claude。

3.9.2 低质量不换

低质量不换来自：

• 合同绑定；
• 懒得换；
• 短期稀缺；
• 云平台默认选择；
• 试点预算未用完；
• AI FOMO。

低质量不换不能证明护城河。

3.9.3 最关键问题

客户越成熟，越离不开 Claude，还是越容易替代 Claude？

如果客户越成熟，越会做多模型 routing、自建评估、压低价格、抽象底层模型，那么 Anthropic 的客户粘性会下降。

如果客户越成熟，越把 Claude 接入核心流程，越依赖 Claude 的特定能力和治理体系，那么 Anthropic 的客户粘性会上升。

这是后续客户研究的核心分水岭。

3.10 客户托付深度：比客户数量更重要

Anthropic 客户研究应按托付深度分层。

Anthropic 最重要的客户证据不是“有多少客户试用”，而是：

有多少客户把 Claude 放进高托付和极高托付场景。

这也是为什么 Smartsheet、Jamf、Artemis、Presien、Cognition 这类案例重要。它们至少显示 Claude 正在进入工程、安全、组织工作流和垂直任务，而不只是聊天。

但这些案例仍然不能直接推导总体客户质量。它们证明方向和存在性，不证明整体 NRR、毛利和护城河。

3.11 Win-win 检查

J 系统公司研究必须问：客户使用后是否真的变好？公司赚钱是否来自客户成功？如果客户完全理解机制、费用、风险和长期后果，是否还会买？

对 Anthropic 来说，健康的 win-win 应该是：

• 客户因为 Claude 更快完成高价值任务；
• 企业因为 Claude 更安全地部署 AI；
• 开发者因为 Claude Code 减少低价值重复劳动；
• AI 应用公司因为 Claude 提供可靠能力；
• Anthropic 因为创造真实价值获得收入；
• 收入覆盖成本并支持继续改进模型和产品。

不健康的模式则是：

• 客户因为 FOMO 试用；
• 企业不清楚 ROI；
• AI 使用带来隐性风险；
• Anthropic 靠资本补贴真实成本；
• 云平台控制客户关系；
• 价格战导致价值无法留下。

所以，客户对象研究最终要回到一句话：

Anthropic 赚的钱，应该来自客户真实成功，而不是客户误判、AI 热潮、短期稀缺或资本补贴。

3.12 客户对象反证条件

反证 1：客户只试用，不生产部署

如果多数客户停留在 pilot，不进入生产工作流，客户价值要下调。

反证 2：客户使用浅，托付低

如果主要使用场景只是聊天、总结、写作，而不是代码库、企业知识库、业务流程，护城河判断要下调。

反证 3：客户多模型 routing，Claude 不再独特

如果成熟客户普遍在 Claude、OpenAI、Gemini、开源模型之间自动切换，Claude 粘性下降。

反证 4：付钱者和使用者脱节

如果开发者喜欢，但企业采购、安全、合规不批准，客户扩张受限。

反证 5：客户越成熟越容易替代

如果客户成熟后更会抽象模型层、压低价格、自建评估和多模型路由，那么 Anthropic 客户关系不稳。

反证 6：客户价值无法量化

如果客户无法证明效率提升、成本降低、风险下降或收入提升，预算续期会承压。

反证 7：云平台掌握客户关系

如果主要客户通过 Bedrock / Vertex 使用 Claude，而 Anthropic 不掌握客户关系和续约路径，客户粘性会被平台稀释。

3.13 本章小结

Anthropic 的客户对象不能简单写成“开发者和企业”。真正重要的是客户托付深度。

Anthropic 的客户包括个人知识工作者、开发者、工程团队、企业组织、AI 应用公司、云平台客户和高监管行业客户。但这些客户对公司价值的贡献不同。

低托付客户能带来使用和口碑，但替代性强；高托付客户把代码库、知识库、业务流程、安全和合规任务交给 Claude，才可能带来迁移成本、留存和企业信任。

所以本章核心判断是：

Anthropic 的客户质量，不取决于客户名单有多漂亮，而取决于客户是否把真实高价值任务持续托付给 Claude。

下一章应进入技术对象研究：Claude 的技术到底解决什么问题，是否形成性能、可靠性、成本、迁移成本或安全信任优势。