Anthropic 賭的不是更強的模型，是 workflow

> Meta Shift

---

Anthropic 上週發布了 Claude Science，但這次沒有新模型、沒有新 benchmark、沒有更強的生物推理能力。官方直接說清楚：「這不是一個新的 AI 模型，也不是更強的生物模型，它跑的是所有人都已經能用的 Claude 模型（包含 Claude Opus 4.8），沒有特殊 access、沒有任何 gating。」

這段聲明其實很有意思。在 AI 軍備競賽打得最激烈的時間點，Anthropic 選擇用 workflow 而不是模型本身來切入科學家市場。這個決定背後，藏著一個比模型能力更有趣的商業判斷。

Claude Science 是一個給科學研究用的 AI workbench，整合了超過 60 個科學資料庫，有預建好的 toolkit 針對基因組學（genomics）、蛋白質結構、化學等領域，還有一個內建的 fact-checker agent 負責在送出論文前確認引用和計算的正確性（來源：TechCrunch）。架構上是 multi-agent：一個主 AI 當 project manager，可以拆解任務給 sub-agent，或轉交給使用者自己建的 custom expert assistant。

跑在機構自己的 infrastructure 上、不把資料送到 Anthropic server，這個設計對科研環境來說基本上是必要條件，不是加分項。

這件事為什麼重要？因為它代表 Anthropic 正在複製 Claude Code 的邏輯 — 先在某個垂直領域做到成為「operating layer」，而不是繼續在通用 benchmark 上跟 OpenAI、Google 拚數字。這是策略轉向的訊號，不只是產品更新。

---

商業模式拆解：賣 workflow，不賣算力

先講 Anthropic 現在的整體局面。根據多份報導，Anthropic 2025 年的 ARR 估計超過 30 億美元（來源：多份財經媒體報導），目前估值約 610 億美元，但燒錢速度也快，模型訓練的成本壓力是真實存在的。在這個背景下，往垂直市場走是很合理的財務決策 — 垂直 SaaS 的利潤率通常比通用 API 高，客戶黏著度也高很多。

Claude Science 鎖定的是科學研究機構、藥廠、生技公司。這些客戶有幾個特點：

• 預算大，enterprise 合約動輒百萬美元年費
• 對資料安全敏感，願意為 on-prem 或 private deployment 付溢價
• workflow 一旦建好、pipeline 一旦跑通，換供應商的成本極高

從早期用戶來看，Allen Institute 的神經科學家用 Claude Science 建了 multi-agent 的 computational review pipeline，UCSF Brain Tumor Center 用它把 glioma 的 germline analysis 壓縮到原本時間的一小部分（來源：TechCrunch）。這種 case study 的敘事方向很清楚：賣的是效率，而且是可量化的效率。

定價目前沒有公開數字，但參考 Claude Code 的企業方案以及市場上類似科研 AI 平台（例如 Benchling 的 enterprise tier 約 $50K-$200K/year），估計 Claude Science 的企業合約落在同等量級，甚至更高，因為整合了資料庫 access 和 multi-agent orchestration 這層複雜度。

護城河不在模型，在整合深度。連接 60 個科學資料庫、預建各領域 toolkit、支援機構自有 infrastructure — 這些東西複製起來要花時間，而且需要對科研 domain 有很深的理解。對競爭對手來說，光有更強的模型並不夠。

---

競爭格局：大家都在往垂直走

這場仗不只 Anthropic 在打。

OpenAI 方向類似但打法不同 — 他們的策略是大量跟 enterprise 做客製化合作（跟麥肯錫、Salesforce 的整合），還有針對研究用途的 ChatGPT Edu。但 OpenAI 目前還沒有一個專門針對生命科學研究 workflow 的整合平台。

Google DeepMind 其實在這個領域有最強的 domain asset — AlphaFold 已經是蛋白質結構預測的業界標準，最近的 AlphaFold 3 又擴展到更多分子類型。但 DeepMind 的科學工具更像研究成果輸出，不是讓科學家自己拿來用的 workbench。

Benchling 是這個領域的老玩家，專注在生命科學研究的 data management 和 workflow。它的強項是 lab notebook、inventory、分子設計，已經在藥廠深度整合。Claude Science 要跟它競爭的話，打的是 AI-native 的優勢。

粗略比較：

	模型能力	科研 domain 整合	Workflow 深度	資料安全
Claude Science	★★★★	★★★★	★★★★	★★★★
OpenAI Enterprise	★★★★★	★★★	★★★	★★★
Google DeepMind	★★★★★	★★★★★	★★	★★★
Benchling	★★	★★★★	★★★★★	★★★★★

Claude Science 的定位比較像是結合了 AI 能力和 Benchling 的 workflow 整合，但還在早期。

---

Meta 判讀：這是 AI 市場的 role specialization 時刻

用電競的框架來說，這不是 patch note，這是 meta shift。

過去兩年，AI 公司的競爭框架是「誰的 benchmark 高」— MMLU、HumanEval、GPQA，數字高就代表模型強，模型強就能賣更多 API。這個邏輯現在開始出現裂縫。

原因很簡單：benchmark 的邊際差距對大部分實際應用來說已經不重要了。Claude 4 跟 GPT-4o 在大多數企業 use case 裡，使用者其實感受不到決定性的差別。這時候，workflow 的深度、整合的廣度、domain 的專業性，才是真正的差異化。

歷史上類似的轉折點：Salesforce 當年做的事情。CRM 本身不是 Salesforce 發明的，但它做成了 SaaS 的 operating layer，把整個銷售 workflow 包進去。現在 Salesforce 的護城河不是資料庫技術，是幾千個企業在上面跑的流程和資料。

Anthropic 在賭的是同一件事 — 如果科學研究的 workflow 是在 Claude Science 上跑的，那就算未來有更強的模型出現，遷移成本也足夠高到讓客戶留下來。

這對「通用 AI 模型廠商」的定義是一個很實質的挑戰。OpenAI 和 Google 如果繼續打模型能力的仗，Anthropic 就在旁邊悄悄把 workflow 層吃掉。

如果站在投資人的角度評估：Claude Science 這個方向如果成功，能帶來的不只是更高的 ARR，是更高的 NRR（Net Revenue Retention）。科研機構一旦把 pipeline 建在上面，續約率會很高。這對估值的意義比單次拿到大合約更長遠。但早期階段、domain 整合的複雜度、以及跟 DeepMind 這種有深厚科學背景的競爭對手之間的差距，都是風險。現在說 Anthropic 在科研市場穩了，還太早。

---

工程師該怎麼看

如果你在做 B2B SaaS 或 enterprise tool，Claude Science 這個案例給了一個很清楚的訊號：AI 競爭的下一個戰場是 domain workflow，不是通用能力。

技術選型上，multi-agent orchestration 是值得現在開始搞清楚的東西。Claude Science 的架構 — 一個 orchestrator agent 管多個 sub-agent、有 fact-checker 做 QA — 這個 pattern 會在越來越多的垂直產品裡出現。LangGraph、AutoGen、或是直接用 Claude 的 tool use API 自己實作，都是可以開始熟悉的方向。

職涯方向上，如果你對生命科學或任何科研領域有興趣，現在是一個不尋常的視窗期。懂 domain 的工程師 + 懂 AI agent 的能力組合，市場上真的很稀缺。不需要是生物學家，能夠跟科學家溝通、理解他們的 workflow 痛點、然後用 AI 工具解決，就已經很值錢了。

Side project 方向：拿一個你自己熟悉的領域（不一定是科學，可以是法律文件、財務分析、工程 spec review），試著建一個 multi-agent workflow，跑一個 fact-checker 或 QA agent 在最後。這個 pattern 的應用空間比你想的大很多。

延伸閱讀

• OpenAI 的科學家專用 AI — GPT-Rosalind 要顛覆研究產業嗎？
• Anthropic 企業客戶數超越 OpenAI
• Anthropic 首季盈利 — AI 公司終於找到賺錢公式了？