Anthropic 盈利延续至第二个季度，但 IPO 考验仍在前方
Anthropic 表示，其调整后营业收入将在连续第二个季度保持为正，这对这家资本密集型 AI 开发商而言是一次显著逆转。报道称，Anthropic 盈利这一里程碑紧随公司成立以来首个盈利季度而来，也正值 Anthropic 为潜在公开募股向投资者做准备之际。
这一披露并不意味着 Anthropic 已实现持久盈利。该预测来自与私募投资者的沟通，而非经审计的公开账目；它还依赖于一项调整后指标，可能剔除了建设和留住 AI 研究组织所涉及的重要成本。
尽管如此，连续两个盈利季度将强化 Anthropic 的论点：企业需求能够支撑前沿模型开发。这也会加大 OpenAI 的压力，后者规模更大的消费者业务在带来体量的同时，也伴随着高昂的基础设施和服务成本。
Anthropic 当前的主张基于一个具体判断：其应用程序编程接口（API）和 Claude 编程产品的需求增长速度，快于服务客户所需的计算支出。下一阶段将检验，这一优势能否经受住又一轮模型训练、基础设施承诺和竞争性价格压力。
Anthropic 盈利正不再只是单季度事件
连续第二个季度为正，将使 Anthropic 的首次盈利从孤立的里程碑，转变为可衡量运营趋势的开端。
据最新报道背后的投资者更新，Anthropic 已告知一小部分股东，预计本季度调整后营业收入将为正。这将使公司披露的盈利表现延续至连续第二个季度。
这一限定很重要。Anthropic 是一家非上市公司，最新预测尚未出现在公开财务报表中。公司最终业绩可能与其在投资者推介期间分享的预测存在差异。
会计术语本身同样重要。调整后营业收入衡量的是在剔除部分选定费用后的业务收益。在缺少完整调节说明的情况下，外部读者无法判断这一数字与上市公司标准会计口径下的利润有多接近。
但这并不意味着该里程碑毫无意义。营业层面的盈利意味着，据报道，Claude 产品的收入已覆盖 Anthropic 所选计算口径中纳入的运营成本。这比宣布年化收入运行率上升的门槛更高。
Anthropic 对第二季度的披露提供了首份完整周期的证据。初步收入超过 115 亿美元，而第一季度为 47.3 亿美元，一年前则为 7.87 亿美元。公司还报告称，该季度调整后营业收入为正。
这些数据出现在向潜在投资者展示的文件中，并被用于一份季度营收报道的审阅。Anthropic 拒绝公开置评，而该报道也警告称，初步数字仍可能调整。
已完成业绩与预测业绩之间的区别，是当前故事的核心。第二季度提供的是初步的历史数据；第三季度的说法则仍是管理层在该期间完整披露前向投资者提供的指引。
即便如此，这一连串进展改变了围绕 Anthropic 的讨论。直到最近，投资者关注的仍是公司在消耗巨额资本的同时，销售额能够增长多快。如今的问题是，Anthropic 能否在为下一代模型投入资金的同时，重复实现正向运营业绩。
这是一项要求更高的考验。一家高速增长公司可以通过推迟投资、改变成本分摊方式，或受益于异常强劲的需求而暂时实现盈利。可持续盈利则要求收入持续覆盖日常推理成本和持续性的研发支出。
据报道，Anthropic 并不预计未来每个季度或全年都将保持盈利。公司训练新模型或获取更多计算能力时，支出可能上升。因此，即使底层业务改善，其利润线也可能在盈亏平衡线上下波动。
这一区别应当影响读者对 Anthropic 盈利能力的理解。该里程碑证明了公司的现有产品能够支撑正向的调整后运营结果，但尚不足以证明前沿 AI 开发已成为一项持续稳定盈利的业务。
Claude 的企业需求正在改变收入方程
Anthropic 最突出的优势不只是模型质量，而是其收入结构集中于愿意为高频、工作相关使用付费的企业。
Claude 已在软件开发、研究、金融分析、法律工作及其他专业任务中获得采用。这些应用能够带来持续性的 API 消耗，因为客户会在员工或自动化系统完成任务时调用模型。
API 让一个软件系统能够通过定义好的接口请求另一个系统的能力。对 Anthropic 而言，API 流量让 Claude 成为客户、云服务提供商和独立开发者所构建产品中的底层服务。
与由数百万偶尔使用的免费用户支撑的消费者聊天机器人相比，这种模式能够产生更可预测的需求。企业客户通常还会评估完成一项任务的成本，而不只是单次模型响应的成本。
这一差异有助于解释 Claude 编程需求为何重要。开发者通常会使用 Claude 检查代码仓库、提出修改建议、运行测试，并在失败后修订代码。每个工作流都可能需要多次模型调用，从而由单个任务创造大量付费使用量。
价值主张取决于任务完成质量。即使每次调用的费率更高，若模型能以更少的重试产生正确结果，整体成本也可能更低。PitchBook 的 Harrison Rolfes 在对企业模型经济学的分析中提出了这一观点。
这有助于将模型性能与 Anthropic 盈利能力联系起来。更好的任务完成效果可以支撑高端定位，同时减少获得可接受答案所需的重复调用次数。客户关心的是工作流最终的成本和可靠性。
Anthropic 还受益于通过 Amazon Web Services 和 Google Cloud 进行的分发。云市场将 Claude 与企业已在采购、治理和监控的基础设施并列提供，这可以缩短从试验到生产部署的路径。
不过，云端分发也使 AI 公司之间的比较更加复杂。Anthropic 对通过某些云合作伙伴产生的收入的确认方式，可能与 OpenAI 不同。因此，报告的收入总额和年化运行率可能衡量的是相互重叠但并不完全相同的业务活动。
公司的公开案例研究展示了这一战略如何触达实际工作负载。Replit 已将 Claude 集成到其编程代理中，而 Thomson Reuters 则在专业税务软件中使用 Claude。Novo Nordisk 已将 Claude 应用于临床文档工作流。
Anthropic 在宣布此前一轮投资和扩张时描述了这些部署。公司的案例研究无法独立证明客户回报，但展示了推动其企业销售战略的任务类型。
这些工作流在经济上很重要，因为它们紧贴付费劳动力。当模型能够减少审核时间、加快软件交付，或帮助专业人员处理更多案例时，企业可能愿意接受较高的推理成本。
消费者聊天则呈现另一种方程。休闲用户可能产生大量计算需求，却未必带来相当规模的订阅或广告收入。服务这一市场的公司必须限制使用量、为其提供补贴，或寻找其他将注意力变现的方式。
Anthropic 并未放弃个人用户。Claude 的消费者界面仍是获取用户和产品发现的重要渠道。不过，公司当前的财务叙事日益依赖专业用户，因为他们的活动与企业预算直接相关。
这种侧重也带来了集中度风险。开发者切换模型时，编程需求可能快速变化；企业买家也越来越多地在多家供应商之间调度任务。Anthropic 必须持续赢得使用量，而不能依赖客户锁定。
目前，报告中的增长表明，Claude 的企业定位已改变了 Anthropic 的收入方程。公司不再只是要求投资者基于未来需求为研究提供资金，而是在将当前的商业使用呈现为运营杠杆的来源。
计算效率是利润率转变背后的机制
收入增长解释了 Anthropic 改善的规模，但计算效率决定了这种增长能否转化为利润。
前沿 AI 公司面临两大类计算成本：它们使用大型集群在较长时间内训练模型，随后通过称为推理的过程为客户运行这些模型。推理是生成每次响应所需的计算。
训练成本以大额且不均匀的波次出现，推理成本则随着客户活动增长。一家公司即使销售了更多模型使用量，若每一次新增请求都需要过多昂贵计算，仍然可能亏损。
Anthropic 表示，效率改进帮助利润率扩大。这些收益可能来自更高的硬件利用率、由更小模型处理较简单请求、软件优化、缓存，以及减少不必要的 token。
Token 是语言模型处理的小型文本单元。以更少 token 完成同一项任务，可降低所需计算量。将请求路由至能够解决问题的最低成本模型，也是降低成本的另一条路径。
模型架构同样重要。若改进能让 Claude 以更少的重试得出答案，就能降低一个工作流消耗的总计算量。这对编程代理尤其有价值，因为它们可能需要规划、测试、诊断并修订输出结果。
这正是 Anthropic 报告的盈利比单纯收入增长更具信息价值的原因。收入可能因为客户使用了更多计算而上升；利润率改善则意味着，公司在服务这些请求后保留了更大比例的收入。
与 OpenAI 的比较赋予这一机制战略意义。两家公司都必须为先进芯片、数据中心容量、网络、能源和模型研发付费。它们也都在谈判长期基础设施安排，以确保稀缺的计算能力。
Anthropic 历来将自己定位为在消费者补贴和基础设施扩张方面更为审慎的公司。这种做法可以保留现金，但若竞争对手能够负担更广泛的分发，也可能限制产品覆盖范围。
OpenAI 面临的是相反的挑战。其消费者规模带来了广为人知的品牌和庞大的产品发布渠道。但这种规模也带来了沉重的推理负担，尤其是在免费或变现程度较低的活动增长快于付费需求之时。
因此，主要竞争不只是 Anthropic 与 OpenAI 的营收之争，而是哪家公司能够在持续改进系统的同时，将模型使用转化为可靠的利润率。随着新模型和新合同改变成本基础，答案也可能随之变化。
Anthropic 的效率论点同样依赖其基础设施合作伙伴。Amazon 此前承诺投资总额达 80 亿美元，同时保持少数股权地位。Anthropic 在这项算力合作中将 AWS 指定为主要云服务和训练合作伙伴。
Amazon Trainium 等定制加速器可以降低对最昂贵通用 AI 硬件的依赖。当软件针对芯片进行了优化且利用率保持较高时，它们也能改善经济效益。
然而，基础设施合作并不意味着算力免费。它们可能结合股权投资、云服务承诺、优先访问权，以及关联方之间流动的商业收入。公开市场投资者会希望未来的申报文件能够清晰区分这些关系。
同样的审视也将适用于折旧。数据中心设备和基础设施承诺可能在数年内影响财务报表。经调整经营指标未必能以谨慎投资者预期的方式反映其经济负担。
因此，Anthropic 盈利背后的机制具有可信度，但尚未完全透明。不断增长的企业使用量、任务效率以及硬件优化都可能提高利润率。缺失的部分，是对哪些成本被纳入、何时确认的详细且标准化说明。
OpenAI 如今面临的是效率竞赛，而不只是增长竞赛
Anthropic 据称取得的领先地位，正迫使 OpenAI 证明其更广泛的覆盖能够带来可比的经营纪律。
多年来，AI 公司一直要求投资者优先关注营收增长、模型能力和市场份额。亏损被视为在需求成熟前建设基础设施的可预期结果。
Anthropic 连续第二个季度盈利挑战了这一叙事。如果一家领先的模型开发商能够实现正向经调整经营利润，竞争对手将面临更尖锐的问题：为什么它们自己的产品需要更深的补贴。
OpenAI 仍然是强大的对手。它拥有全球消费者品牌、大量开发者采用、不断扩展的企业产品，以及获得大规模资本的渠道。其规模也为其带来更多使用数据和更多分发新服务的机会。
但规模并不等同于效率。一项消费者服务可以触达数亿人，却在每次交互上承受微薄的利润率。企业 API 的受众可能更小，但每项工作负载能够带来更高、也更可衡量的收入。
Anthropic 似乎正在其投资者叙事中强调这一区别。据报道，该公司的年化营收运行率在 7 月底超过了 650 亿美元。OpenAI 报告的运行率则超过 400 亿美元，尽管两者的计算方式可能并不具可比性。
营收运行率将短期销售额外推至全年。它有助于描述增长势头，但并不等同于一个完整年度内已经实现的营收。
115 亿美元的第二季度数字更具分量，因为它覆盖了一个已经结束的期间。不过，它仍是初步的、由私营公司披露的数据，并受到外部人士尚无法审查的会计选择影响。
OpenAI 可以通过多种方式回应。它可以提高企业采用率、改善推理效率、降低免费服务成本，或推出利润率更高的产品。它也可以在构建更广泛平台的同时接受更大的短期亏损。
最后一种选择使竞争比较不那么直接。如果今天投入更多，能够带来持久的基础设施、研究人才和分发优势，那么这样做可能是理性的。为了展示季度利润而削减投资，可能会削弱公司长期地位。
Anthropic 表示自己并未采取这条捷径。该公司仍计划在前沿模型和计算能力上投入巨资。其警告称未来季度可能无法保持盈利，承认持续研发可能会打断当前的盈利趋势。
IPO 时间表提高了风险。Anthropic 宣布已向美国证券交易委员会秘密提交 S-1 草案。该文件使其能够在监管审查后，并视市场状况而定，选择推进上市。
上市将使 Anthropic 面临标准化披露和持续审视。投资者将更清楚地了解营收确认、股份支付、基础设施承诺、客户集中度和关联方交易。
这一转变也会使简单的增长比较更缺乏说服力。公开市场最终会要求现金生成能力、可辩护的利润率，以及对每一项重大调整的解释。
Anthropic 当前的信息很适合这一受众。该公司可以宣称快速增长，同时指出两个季度实现了正向经调整经营利润。OpenAI 必须决定是匹配这种纪律，还是为更重投资的策略辩护。
两条路径都不能保证胜利。如果 Claude 需求放缓，或竞争对手缩小其性能优势，Anthropic 可能失去增长动力。OpenAI 则可能在基础设施利用率提高后，将自身规模转化为强劲利润率。
对于企业买家而言，这场竞争具有实际后果。更高的效率可以带来更低的使用成本、更高的限额以及更可靠的容量。它还可能决定哪些供应商保持独立，并能在多年期合同中持续支持产品。
经调整利润留下若干未解问题
只有当基础会计处理经得起公开披露和新一轮基础设施投入的检验时，Anthropic 的盈利才具有意义。
第一个不确定性涉及经调整经营利润的定义。经调整指标通常会排除管理层认为异常或不太适合评估经营状况的项目。这些排除项仍可能代表股东真实承担的经济成本。
股份支付就是一个例子。AI 实验室正激烈争夺研究人员、工程师和产品负责人。股权奖励可能是薪酬的核心组成部分，尽管它们不需要立即支付现金。
排除这些奖励会使经营表现看起来更强劲。但当员工获得额外所有权时，现有股东仍会经历稀释。未来的公开申报文件应同时披露经调整结果和标准会计结果。
第二个不确定性涉及模型训练成本。训练前沿模型需要集中使用基础设施，但由此产生的系统可能在多个季度内支持产品。会计处理会改变这项费用在报告结果中出现的时间。
如果 Anthropic 进入训练活动较少的时期，利润率可能暂时改善。即使客户收入继续增长，一轮新的训练计划也可能逆转这一结果。这一模式有助于解释该公司为何警告不要假设季度利润会不间断持续。
第三个不确定性涉及基础设施承诺。长期算力合同可以保障供应并降低单位成本，但也会产生固定义务。即使需求、定价或模型架构发生变化，Anthropic 仍必须为预留容量支付费用。
硬件改进带来了另一项变量。新型加速器可以降低每次计算的成本，但在不同平台之间迁移工作负载需要工程投入。供应约束或数据中心建设延期，也可能削弱预期节省。
第四个问题涉及收入质量。当快速 API 增长反映出多元化、持续性的生产工作负载时，这是令人鼓舞的。当少数客户驱动大部分使用量，或促销合同夸大早期采用率时，其可靠性就较低。
Anthropic 尚未公开提供这些报告季度的完整客户集中度明细。投资者需要了解，有多少收入来自直接客户、云合作伙伴，以及与主要股东有关联的公司。
通过云渠道确认收入尤其值得关注。Amazon 和 Google 既是基础设施合作伙伴，也是 Anthropic 的投资者。资金可以在这一网络中以投资资本、云服务支出或客户收入的形式流动。
这些关系在 AI 行业很常见，并可以支持正当的商业活动。但它们也使得仅凭单一醒目数字来比较公司变得更加困难。招股说明书应澄清合同和会计边界。
第五个不确定性是竞争性定价。企业客户越来越多地使用模型路由器，根据价格、速度或质量在供应商之间进行选择。当应用支持多个兼容 API 时，切换会变得更容易。
如果 OpenAI、Google 或新供应商降价，Anthropic 可能需要回应。降价可以扩大需求，同时压缩带来当前利润的利润率。
开源模型带来了相关挑战。一些企业可以在自己控制的基础设施上运行模型，尤其适用于可预测或专业化任务。这些部署可能无法在每项基准测试中匹敌 Claude，但它们可能为 API 定价设定上限。
监管和安全义务也可能增加成本。Anthropic 将安全研究定位为其身份的核心。公开市场投资者将检验，当季度收益承压时，这些承诺是否仍能得到保障。
这些问题都不会抹去已报告的里程碑。它们界定了在两个盈利的经调整季度能够成为持久业务证据之前，必须验证的内容。
最负责任的解读应保持克制。Anthropic 表示，其当前经营将带来又一个正向经调整结果。该公司尚未证明持续的净盈利能力，也未保证在下一轮投资周期中取得正向结果。
三个信号将显示利润能否持续
下一项考验不是又一个乐观的运行率估计，而是 Anthropic 能否在公开审视和不断上升的研发成本下维持利润率的证据。
第一个信号是公开可得的注册声明。Anthropic 的秘密草案并未向投资者提供评估其主张所需的财务细节。公开申报文件应包括经审计的历史报表、风险因素以及对经调整指标的解释。
读者应审视经调整经营利润与标准经营利润之间的调节。一项较小的调整将增强当前的盈利叙事。对于薪酬或基础设施的大额排除则会削弱这一叙事。
该文件还应显示收入集中度和合作伙伴关系。如果增长来自广泛的独立企业客户群，Anthropic 的模式将更具韧性。若严重依赖少数投资者或云渠道，则会增加风险。
第二个信号是在下一轮重大模型训练周期中的表现。Anthropic 已明确警告，对先进模型和基础设施的投入可能使未来季度重新陷入亏损。
暂时下滑并不会自动否定其进展。关键问题在于，经营亏损相对于收入是否仍受到控制，以及新模型是否改善了未来的推理经济性。
如果重回严重亏损却没有相应的产品或效率提升，将削弱 Anthropic 盈利可持续性的论据。若投资季度的影响受到控制，随后利润率再次扩张，则会提供支持。
第三个信号是竞争对手作出回应后的企业留存率。OpenAI、Google 及其他模型提供商不会对 Anthropic 报告的增长置之不理。他们可以通过更强的编程性能、更低的价格、更大的上下文限制，或更紧密的云集成展开竞争。
客户行为将给出最明确的答案。Anthropic 需要企业续签合同、扩大 API 使用量，并让 Claude 持续融入生产工作流。试用活动和短期的编程热情，无法无限期支撑一家基础设施企业。
开发者应关注，在竞争对手发布新产品后，Claude 是否仍是处理高难度编程任务的首选模型。企业采购方则应跟踪可靠性、任务完成率、治理能力，以及运行多步骤智能体的总体成本。
知识工作者也面临类似的决策。当团队能够将模型能力与有序的公司上下文结合时，AI 输出会更有价值。一个可搜索的知识库能够帮助团队依据源材料评估输出，而不是依赖缺乏依据的回答。
无论最终由哪家提供商领先，这种严谨态度都至关重要。当前的竞争将不断催生关于营收、基准测试和效率的说法。采购方应将这些说法与自身工作流的实际表现联系起来。
Anthropic 已达到一个重要门槛。连续两个季度实现经调整后的营业收入为正，将表明一家前沿实验室能够在以惊人速度增长的同时，覆盖一组明确的运营成本。
更困难的挑战还在后面。Anthropic 必须在公开会计披露揭示调整项、竞争对手冲击其企业市场地位，以及新一代模型需要新增算力之后，重复这一结果。
对于正在评估 Anthropic 盈利故事的读者而言，正确的问题不是一个季度能否证明 AI 商业模式成立，而是审计后的利润率、客户留存率和训练后结果，是否会继续指向同一方向。
