两周砍一次项目：Anthropic 20人小团队的创新法则
在人工智能企业内部，一支规模不大的创新孵化团队正成为产品升级的核心动力。这类团队通常采用高度灵活的运作模式，以快速试错的方式将前沿技术转化为可用产品，Anthropic旗下的Labs团队就是其中的典型代表。
Labs团队仅有约20名成员，由Anthropic联合创始人Ben Mann牵头带领，团队中还包括Instagram联合创始人Mike Krieger等资深从业者。Claude代码工具、连接AI智能体与数据源的MCP协议，以及今年推出的Claude设计工具等明星产品，均诞生于Labs或是在这里完成了早期孵化验证。
和传统产品团队不同，Labs从成立之初就接受“多数创新尝试都会失败”的预设，内部创意的成功率仅维持在20%到30%之间。这支团队采用高度流动的运作机制，每两周就会对所有在研项目进行一次评审，决策是继续推进、调整方向还是直接关停。
项目组不会绑定固定的组织架构，而是根据每个创意临时抽调产品、工程等相关人员组建临时团队，设置一名全权负责项目结果的负责人，但负责人并不承担传统的人员管理职责。表现不佳的项目会直接关停或并入其他原型项目，团队成员会快速转向新任务；而真正具备潜力的项目，一旦团队规模超过4人，就会从Labs“毕业”，转入独立的正式产品团队。
这种模式让这支20人的小团队始终保持高流动性，成功项目的成员进入正式团队后，Labs会持续从公司内部吸纳新成员，开启下一轮创新探索。
这种运作模式参考了贝尔实验室，以及谷歌早期的Area 120和X“登月工厂”，但Anthropic Labs最大的独特之处在于它距离前沿模型研究足够近——产品团队可以第一时间掌握模型能力的最新变化，提前思考如何将这些新能力转化为可用产品。
Claude Code是Labs运作模式的典型案例。早在2024年底正式启动开发前，Anthropic内部研究团队就发现新模型在智能体编程领域展现出更强能力，Ben Mann将这个方向交给了刚加入公司的Boris Cherny。Cherny最初的想法只是打造一个代码分析工具，但Mann认为目标格局太小，他告诉团队“尤其是刚加入的成员，需要把目标提升到完全不同的层次，毕竟现在没人真正清楚智能体能做到什么地步”。
随后Cherny打造的原型很快在公司内部流行开来，2025年2月Claude Code以预览版正式发布，随着模型能力持续升级，迅速成长为Anthropic最重要的新产品之一。Claude Design也经历了类似的过程，早期由临时小组开发，经过多轮版本迭代获得市场正向反馈后，Anthropic才为其组建独立团队，从快速试错阶段转向长期产品建设。
Labs和传统孵化团队的另一个区别在于，产品研发会反向推动模型研究方向。Ben Mann举例，Labs曾推动其他研究团队优化音频模型，提升对小众语言的理解能力；Claude Design的开发过程中，也推动研究人员更加关注模型的视觉输出质量。可以说，Labs不仅承担“将模型转化为产品”的工作，还会通过真实的产品需求，将新的研究问题反馈回模型团队，形成产品与模型研究的双向闭环。
目前这种“下注式”的创新文化已经开始在Anthropic其他产品工程部门扩散，越来越多团队开始采用类似的快速试错机制，公司内部也逐渐不再将项目关停视为失败，而是将其视作创新过程中的正常成本。
在Krieger看来，AI时代的工程管理并没有失去价值，但管理者的工作重心已经发生变化——不再仅仅紧盯项目进度，而是要理解每个成员的兴趣、能力和擅长领域，将合适的人放到最匹配的项目中。
不止海外，国内的科技企业也在探索类似的小团队快速试错模式。据行业媒体报道，腾讯的WorkBuddy并非自上而下规划的战略级产品，而是由小团队自主孵化而来。2026年1月相关产品发布后，腾讯团队仅用一个周末就做出了类似产品，复用了现有基础设施和工具，当晚团队负责人就决定在全公司内测。随后近两个月时间里，每天都有上千名非技术员工使用该产品，团队快速迭代，最终让它成为办公智能体中表现最好的产品之一，到当年5月，相关团队被升格为独立组织。
还有企业采用完全自下而上的研发模式，不预先规定角色，分工自然形成；员工有想法后可以自主寻找感兴趣的伙伴组队，无需经过严格的层级审批，一旦创意被证明有潜力，公司再投入资源扩大规模，计算资源和人员协作也相对自由。这种模式和Ben Mann的理念高度契合：创新需要尽可能少的管理干预，给员工足够的试错空间，管理层的核心作用是找对人、提供资源，而非提前规划创新路径。不过不同企业的模式也存在区别，有的更偏向产品孵化器，有明确的项目关停和“毕业”机制；有的更偏向研究组织，核心是让研究人员围绕兴趣自然组队，验证技术方向。
还有企业在智能体领域有多条并行产品线，采用内部创业的方式探索不同方向，团队可以在尝试中调整产品方向，经历多次“落地—验证不成立—重新开始”的过程。后续企业还会将验证成功的项目整合，建立专门的创新事业部负责新项目孵化。和海外的Labs相比，国内的这类模式更接近传统互联网公司的“内部赛马”，不同团队不仅要验证产品方向，还要竞争资源和商业指标，最终由集团统一收编，组织负担通常更重。
随着AI研发速度不断提升，从业者也面临着新的压力。Krieger表示，在过往的行业环境中，一年中最重要的行业变化可能只是一次大型科技会议，竞争对手的重大更新往往间隔数月；但如今企业每周都可能接触到新的模型、产品和行业政策变化。面对这样的行业节奏，他的应对方式是强制留白和主动休息，企业的联合创始团队也反复提醒员工，职业倦怠一旦发生往往需要很长时间恢复，不能将长期高强度工作视作理所当然。
Krieger还特别强调团队内部坦诚表达情绪的重要性。几个月前，他负责的一个Labs项目被终止，在复盘会议开始时，他首先向团队表达了自己的遗憾和挫败感，随后其他成员也纷纷说出了真实情绪，团队反而能够更快接受结果，快速将注意力转向下一步行动。在他看来，这种文化和企业的产品研发方式是一体两面：项目可以被关停，成员也可以坦然承认失落，但团队必须能够迅速重新出发。
在模型和产品几乎每周都可能发生重大变化的AI行业，真正重要的不是追赶每一次短期波动，而是长期搭建团队、形成文化，建立持续试错和迭代的能力。
在快速升级AI能力的同时，企业也在主动淘汰旧功能。团队内部设有专门的老旧功能梳理计划，用于持续梳理低效、低价值、不再适配当前产品形态的功能。这一思路源自过往的产品运营经验：很多单独来看有少量用户使用的功能，很难直接下线，但如果保留所有这类功能，产品最终会变得越来越复杂臃肿。
企业此前已经下线了使用率较低的旧版功能，因为这种固定模式已经不如新的功能体系灵活。相关负责人认为，当前产品需要精简的不只是单个功能，更是用户理解和使用产品的成本。目前用户仍需要主动区分不同类型的工具，且这些产品之间无法实现完全无缝的互相调用，这种工作方式已经不符合AI时代的协作节奏。企业后续希望进一步打通各类产品，让不同工作场景之间的边界逐渐消失。
随着企业准备上市，Labs的重要性进一步提升，它的核心任务是快速将前沿模型能力转化为可用产品。相关负责人认为，Claude Code代表了Labs更长期的目标：不断扩大AI的“行动空间”，让AI不只是回答问题，而是真正能在现实世界中完成更多任务。
不过随着企业的产品边界不断扩大，它也越来越多地进入传统软件公司的领地，比如设计工具已经开始和行业内的主流产品形成直接竞争。行业分析机构的相关分析师认为，企业未来需要在平台扩张和生态合作之间找到平衡，随着功能不断增加，自身平台的吸引力会越来越强，但同时也可能和现有软件合作伙伴产生越来越直接的竞争。
相关负责人则希望，Labs最终孵化的不只是软件产品，而是能进一步进入生物学研究、清洁能源储存等现实领域，他认为真正值得期待的不是再多做几个AI应用，而是让前沿模型帮助人类加速基础科学研究，解决现实世界中更复杂的问题。
从Claude Code到MCP，Labs已经证明这种“小团队、高淘汰率、快速重来”的机制能够产出重要产品。对企业来说，下一阶段的问题是：随着公司规模继续扩大，甚至进入公开市场，这支仅20人的“创业小队”还能不能继续保持足够快的试错速度。
与此同时，对于AI平台高速扩张是否会“吃掉”创业公司的担忧，Krieger持相反观点。他认为，AI正在大幅降低产品开发和试错成本，反而可能引发新一轮创业浪潮。大模型可以普惠代码、设计等通用能力，但无法替代创业者对具体用户、审美和行业的理解。
他以过往的创业经历为例，当时团队同样担心大型平台会推出同类产品进入市场，但大型平台通常需要服务整个生态和庞大的用户群体，很难像创业公司那样极度聚焦于某一个垂直场景。这一逻辑在AI时代依然成立：三五人的小团队可以围绕单一问题快速迭代，而大型平台必须同时考虑生态、兼容性和不同用户群体的需求。
在Krieger看来，代码开发从来不是创业最核心的瓶颈，真正的壁垒是场景深耕、用户理解和行业认知。医疗和金融是他目前尤其看好的两个垂直方向，但他也认为，垂直AI真正的困难不在于模型能力本身，而是如何在灵活性和合规之间找到平衡。比如金融领域既希望智能体能够实时分析数据、构建仪表盘和自动化流程，又必须保留完整的数据溯源、审计日志和验证能力，而传统合规系统大多围绕确定性软件建立，并不适合高度动态的智能体工作模式，因此从底层基础设施到上层应用，整个技术栈都存在大量创新和重新设计的空间。
