Anthropic 要上市了,招股书里藏着一个让中国开发者心寒的数字

简介: Anthropic提交IPO招股书,一面高调讲述Claude Code驱动的“增长神话”:900%净留存、45倍提效、年入331亿;另一面却悄然披露5%-7%收入(约17–23亿美元)来自“违规客户”——含大量续费即封号、不退费的中国开发者。技术闪耀,规则冰冷。

一份提交给华尔街的文件,同时讲了一个增长神话和一个被割韭菜的故事。

先说结论
Anthropic(Claude 的母公司)正式提交了 IPO 招股书,准备登陆纳斯达克。这家可能是全球估值最高的 AI 公司,把 Claude Code 当作核心卖点讲给投资人听。

数据很漂亮。但在同一份文件的角落里,藏着一个数字:约 5% 到 7% 的收入,来自"违反使用政策"的客户。

按前三季度约 331 亿美元营收折算,这笔钱大约在 17 亿到 23 亿美元之间。

这里面有多少是那些续完年费、账号就被封、一分钱都没退的中国开发者贡献的?

招股书没有拆分,但 GitHub 上 Claude Code 仓库的 issue 记录比任何转述都原始。

一、Claude Code:一台装进企业内部的"增长引擎"
Anthropic 在招股书里把 Claude Code 摆在了增长故事的正中央,这并不意外。

几个关键数据:

指标
数据
用 Claude Code 的高消费客户 vs 普通用户支出
约 20 倍
2026 年 9 月公司代码库由 Claude 写的比例
超 90%
工程师日均代码贡献量(对比 2024 年)
约 45 倍
净收入留存率(一年内的老客户多花的钱)
900%
年付费超 10 万美元的企业客户
从不到 950 家 → 超 11,900 家
年付费超百万美元的客户
超过 1,900 家
年付费超千万美元的客户
约 250 家
900% 的净收入留存率是什么概念?一年前就在付费的客户,今年平均多掏了九倍的钱。

这套增长逻辑很清晰:一个工程师试用 Claude Code,觉得好用,在公司内部推广。等 Anthropic 的销售团队介入时,"Claude 往往已经在使用中了"。

这不是卖出去的产品,是自己长进企业里的产品。 获客成本由工程师的口碑承担,销售只需收割。

二、模型迭代:一道不断加码的旋转门
Claude Code 把人拉进来,新模型则给了他们继续掏钱的理由。

招股书里写得很直白:过去六个月内发布的模型,贡献了第三季度 80% 以上的收入。 2026 年 4 月到 9 月,Anthropic 发布了 8 款面向广泛用户的 Claude 模型和 3 款限特定用户访问的 Mythos 模型。

每一次性能提升,都会让客户有更多理由使用 Claude;能力更强的模型也能吸引新客户,促使现有客户增加使用量。

而这些收入又为下一轮研发提供资金——每一代 Claude 都在为下一代提供资金。 这就是为什么华尔街对 Anthropic 兴奋的原因:它是一个自我强化的飞轮。

按量计费的数据更说明问题:2026 年上半年按量计费收入达 131 亿美元,占比约 80%。2024 年这个数字还只有 2.88 亿美元。

用得越多,账单越大。一次 Claude Code 的试用,最终变成企业里持续增长的模型调用量。

三、那 5% 到 7%:封号不退费的钱,写进了营收
现在说回那个藏在角落的数字。

招股书第 145 页披露:截至 2026 年 9 月 30 日的九个月内,约 5% 到 7% 的收入来自违反 Anthropic 使用政策或服务条款的客户。公司预计随着检测和执法力度加强,这一比例会下降。这部分收入来自"被发现后失去访问权限的客户"。

但最关键的细节在于收入确认的顺序——

Anthropic 承认:收入是在服务交付时确认的,然后才限制或终止账户。

先确认收入,再执行风控。

不是"违规所以没有收入",而是"收入已经记上了,然后才封的号"。

这比任何解释都更接近被封号用户真正关心的那个机制。

四、GitHub 上的真实声音:收了钱,第二天封号
招股书没有拆分这笔钱的来源——多少是 API 滥用,多少是蒸馏行为,多少是跨区订阅后被封禁的个人开发者,多少是刚续完年费就被风控封掉的团队账号。

但 GitHub 上 Claude Code 仓库的 issue 记录,比任何转述都原始:

案例一:一位用户 3 月 16 日订阅 Claude Pro,17 日升级 Max 5x,18 日升级 Max 20x 并支付约 209 美元。同一天账号被禁用,无法访问 Claude.ai 和 Claude Code,申诉无回复,要求按比例退款。

案例二:一位用户 9 月 1 日支付 249 美元购买 Max 20x,用 Claude Code 做正常的软件开发工作。第二天整个账号被禁用,没有具体原因、没有警告、没有自动退款。用户原话是:

"收了 249 美元,第二天封号,没有具体理由,没有立即退款,和欺骗性计费没有区别。"

案例三:一位用户用 Max 5x 礼品订阅,正常使用 claude.ai 和 Claude Code 的情况下账号被禁用,申诉一周无回复,100 美元无法使用,也没有退款路径。

这些人用的正是 Claude Code。他们续的年费、充的额度、跑掉的 token,在封号那一刻没有退回,而是留在了 Anthropic 的营收里——如今写进了给华尔街看的文件,被归入"违反政策客户"贡献的收入。

五、控制权:七个人,50.1% 的投票权
招股书首次披露了 Anthropic 的股权结构:七位创始人持股数量大致相当。锁定期到期后,纸面财富会变成真实的财富。

但控制权不会旁落。公司发行的"Class F"创始人股份,让七个人合计拥有相当于流通股 50.1% 的投票权。

也就是说,上市之后,这家公司依然牢牢攥在七个创始人手里。

有评论说得一针见血:"Anthropic 可能会是全球历史上最大 IPO,但同时也可能是全球最不要脸的公司。"

写在最后
这是一份非常矛盾的招股书。

一方面,Claude Code 确实创造了真实的价值——它让工程师的代码产出提升了 45 倍,让企业的开发效率发生了质变。这是技术实力的体现,毋庸置疑。

另一方面,那 5% 到 7% 的收入确认顺序,以及 GitHub 上那些"续费即封号"的真实记录,又让人看到一个冰冷的事实:

技术在改变世界的同时,规则的制定权依然掌握在单方面手里。

当你的年费已经确认进了对方的营收报表,当封号不需要理由、退款不需要流程,当这一切都写进了招股书——

这不是一个技术问题,这是一个谁在制定规则的问题。

对于每一个还在用 Claude Code 的中国开发者来说,这份招股书值得一读。不是为了看那些漂亮的增长数据,而是为了看清楚:

你花的每一分钱,在对方的报表里,到底被记在了哪一栏。

本文基于 Anthropic S-1 招股书公开信息及 GitHub 公开 issue 记录撰写。

开源工具AppCrawler 、Hogwarts-Browser-Use、以及Web & App Agent 试用,安装使用教程联系群内助理领取!

本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料,主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容,侧重测试实践、工具应用与工程经验整理。

相关文章
|
2天前
|
人工智能 前端开发 JavaScript
让 Claude 帮你点浏览器:10 分钟从零生成一套可运行的 E2E 测试
本文介绍如何用Playwright MCP让Claude“先看页面再写代码”,解决AI凭空猜测导致E2E测试失败的痛点。通过“侦察→生成→执行→修正”闭环,10分钟即可从零产出可运行测试,大幅提升自动化测试效率与可靠性。
|
2天前
|
机器学习/深度学习 人工智能 前端开发
Anthropic 砍掉了编程面试,跟我们做测试的有什么关系?
本文探讨AI对编程面试与测试工作的颠覆性影响:Anthropic面试题被Claude“秒杀”,Felix Rieseberg宣布取消编程面试——因AI已拉平基础编码能力,测试价值正从执行转向判断力:设计策略、识别AI缺陷、评估质量风险。饥饿胜过资历,新人借AI快速验证、突破组织惯性。测试人的核心能力——怀疑、验证、兜底——从未过时,反而更关键。
|
2天前
|
人工智能 自然语言处理 JavaScript
Cypress + AI:自然语言生成端到端测试,脚本维护也能交给 AI 吗?
Cypress AI 正革新端到端测试:Studio 录制操作、Studio AI 智能推荐断言、cy.prompt() 将自然语言转为可执行脚本,支持自愈维护。但AI生成≠测试有效——需结合业务断言、接口验证与人工审核,方能落地企业级回归体系。
|
2天前
|
人工智能 JSON 测试技术
手把手:把你团队那份《用例编写规范》变成一个 Claude Code 能自动加载的 Skill
本文介绍如何将团队30页《用例编写规范》转化为Claude可自动加载执行的Skill,解决新人记不住、AI不遵守的问题。通过拆分“硬规则”与“参考模板”,六步构建.claude/skills/结构,实现编号格式、三层断言、六类异常等强制校验,大幅提升用例合规率(60%→95%)与生成效率。
|
消息中间件 关系型数据库 Kafka
flink cdc 数据问题之数据丢失如何解决
Flink CDC(Change Data Capture)是一个基于Apache Flink的实时数据变更捕获库,用于实现数据库的实时同步和变更流的处理;在本汇总中,我们组织了关于Flink CDC产品在实践中用户经常提出的问题及其解答,目的是辅助用户更好地理解和应用这一技术,优化实时数据处理流程。
|
Java 数据库连接 Maven
使用mybatis插件generator生成实体类,dao层和mapper映射
使用mybatis插件generator生成实体类,dao层和mapper映射
1767 0
|
消息中间件 NoSQL 算法
Redis延时队列,这次彻底给你整明白了
所谓延时队列就是延时的消息队列,下面说一下一些业务场景实践场景订单支付失败,每隔一段时间提醒用户用户并发量的情况,可以延时2分钟给用户发短信先来看看Redis实现普通的消息队列我们知道,对于专业的消息队列中间件,如Kafka和RabbitMQ,消费者在消费消息之前要进行一系列的繁琐过程。如RabbitMQ发消息之前要创建 Exchange,再创建 Queue,还要将 Queue 和 Exchange 通过某种规则绑定起来,发消息的时候要指定 routingkey,还要控制头部信息但是绝大 多数情况下,虽然我们的消息队列只有一组消费者,但还是需要经历上面一些过程。有了 Redis,对于那些只
5269 0
|
7月前
|
机器学习/深度学习 数据采集 算法
大模型应用:K-Means/LDA + 千问大模型:无监督文本自动打标完整方案.85
本文介绍“聚类算法+大模型”无监督自动打标方案:先用K-Means/LDA对海量无标签文本(如电商评论、客服工单)自动分组,再由大模型为每簇生成可理解的业务标签与语义解释,实现从“类1/类2”到“物流慢”“价格争议”等高价值洞察的跃迁,显著降本增效。
853 6
|
2月前
|
人工智能 API 调度
Windows 本地 AI 漫剧全自动生产线部署完整教程(零基础、全指令、带源码、模型配置、排错方案)
本文详解Windows下本地部署AI漫剧全流程:涵盖硬件要求(RTX3060/4050起)、Python/CUDA/ComfyUI环境配置、剧本解析、批量API调度、GPU监控与FFmpeg后期处理,提供可直接复用的脚本与故障排查方案,兼顾个人创作与计算机毕设需求。(239字)
|
5月前
|
传感器 人工智能 运维
AI Agent设计与实战深度剖析:三大任务链路、四大智能体范式全解析
AI Agent也就是人工智能智能体,是一类具备环境感知、自主决策、任务执行与反馈迭代能力的智能实体。区别于传统大语言模型仅能完成问答、文本生成等被动输出任务,AI Agent可以主动感知外部环境变化,根据预设目标动态调整执行策略,联动各类工具完成全流程任务,并且在交互过程中持续积累经验、优化行为逻辑。如今这项技术已经广泛渗透到智能家居、工业生产、自动驾驶、智能运维、企业协同等众多领域,成为数字化与智能化转型的核心技术之一。
508 0

热门文章

最新文章