Karpathy 加入 Anthropic Pretraining 團隊的深層訊號：中小企業 AI 廠商投資組合該怎麼重新分配？

34.4%。這是 2026 年 5 月 Anthropic 在美國企業市場的採用率，首次超越 OpenAI 的 32.3%。同一個星期，另一件事悄悄發生：Andrej Karpathy，OpenAI 共同創辦人、前 Tesla AI 主管，在 5 月 19 日宣布加入 Anthropic Pretraining 團隊。

這兩個事件同時出現，不是巧合。它們指向同一個問題：AI 廠商的格局正在快速重組，而中小企業老闆現在面臨的，是一個過去從未遇過的採購困境——市場第一名的位子換人坐了，你的 AI 投資組合要怎麼調？

Karpathy 加入 Anthropic 的消息，由TechCrunch 在 5 月 19 日首先報導。他的定位很明確：在 Nick Joseph 帶領的 Pretraining 團隊負責研發，並啟動一個新方向——用 Claude 本身加速 pretraining 研究。這不只是一次人才流動，而是一個公開的信號：Anthropic 認為 pretraining 還沒結束，還有大量未解的問題值得頂尖人才投入。

這跟 AI 界另一個廣為流傳的觀點形成直接對比。2024 年，Ilya Sutskever 在 NeurIPS 發表演講，提出「pretraining 即將撞牆」的論點，並以此為由離開 OpenAI，成立專注在 post-training 方向的 Safe Superintelligence。兩個 OpenAI 共同創辦人，走向了截然不同的道路。

對中小企業老闆來說，這場技術路線辯論聽起來很遙遠——但它的決策影響卻很現實。你現在花在 AI 工具的每一塊錢，背後依賴的廠商正在做一個會改變整個市場格局的賭注。這篇文章的目的，是幫你看清楚局勢，給你一個可以實際落地的採購框架。

Karpathy 加入的深層訊號：pretraining 路線的強力宣示

先講正方觀點：Anthropic 押注 pretraining，而且用行動在背書。

Andrej Karpathy 不是一般的業界人才。他是 2015 年 OpenAI 創始七人之一，後來主導 Tesla 的 Autopilot 和 Full Self-Driving 系統長達五年，2022 年離開 Tesla 後短暫回到 OpenAI，2024 年再次離開並成立 Eureka Labs（AI 教育平台）。他在 AI 社群的影響力遠超過任何一個職稱——他的 YouTube 深度學習課程至今仍是全球最多人觀看的 AI 教育資源。

這次加入 Anthropic，他在 X 上的聲明耐人尋味：「The next few years at the frontier of LLMs will be especially formative.」（未來幾年在 LLM 前沿將特別關鍵。）他接受 CNBC 採訪時補充：他相信 pretraining 仍有巨大空間，而 Anthropic 是他認為最認真對待這件事的地方。

換句話說，他的選擇本身就是一票投給「pretraining 還有路可走」這個立場。

Anthropic 在 pretraining 上的積累

Anthropic 的Constitutional AI 方法論在業界一直被視為安全性與性能並重的最佳範例。Claude 3.5 Sonnet 在多項編程與推理評測上領先 GPT-4o，關鍵是從 pretraining 階段就對數據品質和訓練方法做了更多投入，RLHF 微調只是其中一環。Karpathy 加入後，Anthropic 的目標是讓 Claude 自身成為加速 pretraining 研究的工具——用 AI 做 AI 研究，這個方向如果成功，將是護城河等級的競爭優勢。

從採購角度，這代表一件事：選 Anthropic，你押注的是「模型本身會持續變強」的廠商，而不是靠部署服務和合作夥伴網絡撐起的生態。

OpenAI 的反擊：部署層才是 AI 落地的真正戰場

反方論點同樣有力。OpenAI 在同一個時期做了截然不同的佈局。

5 月 12 日，OpenAI 宣布成立 OpenAI Deployment Company（ODC），由 TPG 主導、Advent、Bain Capital、Brookfield 共同投資，同步收購 Tomoro，直接帶進約 150 位經驗豐富的 Forward Deployed Engineers（FDE）。FDE 的工作方式是深入客戶組織，重新設計工作流程、選擇正確的 AI 工具、建立可持續運作的系統。

這個動作傳達的訊息很清楚：OpenAI 認為，AI 落地最難的問題不在模型本身，而在部署。用再好的模型，如果沒有懂得怎麼嵌入組織流程的工程師，企業得到的只是一堆 API 呼叫，不是真正的生產力提升。

Forward Deployed Engineer 是什麼？

FDE 這個職位在 2026 年突然成為 AI 業界最搶手的角色。簡單說，FDE 就是「在客戶現場工作的 AI 整合工程師」——他們不坐在總部開發產品，而是深入到客戶的倉庫、客服中心、財務部門，把 AI 能力縫進現有系統。這跟傳統的系統整合商（SI）有一個關鍵差異：FDE 本身懂模型，知道什麼可以做、什麼是幻覺，不會承諾辦不到的事。

對中小企業老闆來說，這個框架很重要：你真正該問的是「你的痛點在哪一層」，而非「哪個模型比較好」——如果是整合難、落地難，OpenAI 的 FDE 生態可能更有價值；如果是模型本身的能力跟不上需求（coding、分析、多語言），Anthropic 的路線可能更切中要害。

用數據說話：Anthropic 企業滲透率首次超車的背後

數字最直接。Ramp（美國最大企業信用卡平台，追蹤 5 萬家以上企業支出）在 2026 年 5 月公布的 AI Index顯示：Anthropic 企業採用率從 2025 年 4 月不到 8%，一路攀升到 2026 年 4 月的 34.4%，一年內翻了四倍以上。同期 OpenAI 企業採用率從 32% 幾乎原地踏步，降至 32.3%。

更驚人的是速度差異：Anthropic 在這一年的增長幅度，是 OpenAI 的超過十倍。這是一個持續了數個月的趨勢，並非一次性的統計雜訊。

驅動這次超車的是什麼？

數據指向一個主因：Claude Code。Ramp 的分析指出，Claude Code 的爆發性採用是 Anthropic 企業滲透率飆升的核心引擎。有報告估計，2026 年 5 月全球 GitHub 公開 commit 中，約 4% 是由 Claude Code 產生，相較上個月翻倍。

對企業採購決策來說，這個數字意味著：AI 工具的選擇越來越成為工程師團隊每天在用的工具，已經不只是 CTO 一個人的事。底層採用率一旦建立，從下往上推動訂閱升級的壓力就會形成。

財務面的訊號同樣強烈。業界追蹤顯示 Anthropic ARR 在 2026 年以每 6 週翻倍的速度成長，從年初的 $9B 飆升至 $44B。Anthropic 在 2026 年 2 月完成估值 $380 億的融資輪，但在Axios 的報導中，二級市場已將其隱含估值推升至超過 $1 兆，首次超越 OpenAI 的 $850 億。

廠商的財務健康度直接影響你的採購安全性。一家 ARR 快速成長、估值持續上升的廠商，降低了你「剛整合完就倒閉」的尾端風險。

兩種路線的技術賭局：中小企業老闆該站哪邊？

回到技術層面，這場路線之爭的核心問題是：「pretraining scaling 還有多少空間？」

2024 年 Ilya Sutskever 在 NeurIPS 提出的觀點是：目前用於 pretraining 的「有機」網路數據即將耗盡，下一個 10 倍不會來自更大的資料和更多運算，而是來自更好的 reasoning、agent 設計、和 post-training 技術。他的新公司 Safe Superintelligence 就是圍繞這個假設建立的。

但 Karpathy 顯然不這麼看。他的加入傳達出另一個立場：pretraining 的問題遠比外界想像的複雜，還有大量演算法創新空間，而且「用 AI 自己研究 AI」這條路才剛開始。這是一個基於工程現實的判斷，跟樂觀情緒無關。

對你的採購決策，這場辯論代表什麼？

簡單說：如果 Karpathy 的路線是對的，兩年後 Claude 的能力會大幅領先現在的版本；如果 Ilya 的路線是對的，OpenAI 在 post-training 和 deployment 的投資會讓他們的實際應用成效更好，即使基礎模型沒有大幅進步。

對中小企業老闆，這個問題的實際意義是：你現在的 AI 工具投資，依賴哪一個假設？

公開報告與業界訪談指出，大多數中小企業的 AI 導入失敗，真正的原因是沒有人負責把 AI 接進現有工作流程，模型選擇反而是其次。這個洞察跟 OpenAI 的 FDE 路線其實是吻合的——但它也說明一件事：即使你選了最好的模型，如果沒有整合資源，你的投資依然會卡在落地這一關。

三種典型場景：你的公司現在該怎麼分配 AI 預算？

不同類型的中小企業，面對這場廠商重組的最佳策略不同。以下是三個典型場景，對號入座後可以直接用來做決策。

場景一：以 coding / 開發自動化為主要需求

如果你的核心需求是工程效率——讓工程師更快寫程式、做 code review、自動化測試——Anthropic 現在就是最值得加碼的方向。Claude Code 的企業採用率爆炸是工程師自己用腳投票的結果，並非行銷噱頭。Karpathy 加入後，Anthropic 在 coding 相關的 AI 能力會持續強化。

• 建議配置：Claude Pro 或 Claude API 為主，GitHub Copilot 為輔
• 預算分配：70% Anthropic，30% 其他工具
• 觀察指標：Claude Code 的每月 PR 合併數、bug 修復速度
• 風險：若 pretraining 路線驗證需時，2 年內能力提升可能不如預期

場景二：以客服 / 流程自動化為主要需求

如果你的核心需求是客服自動化、表單處理、內部知識庫問答，廠商的路線之爭對你的直接影響相對小。現有模型的能力已經足以支撐大多數這類需求，你更應該關注的是：工具整合的難度和維護成本。

• 建議配置：評估 Claude API + n8n 自動化，或 OpenAI API + Zapier 的整合生態
• 預算分配：40% 工具平台（n8n / Zapier）、30% 模型 API、30% 整合人力
• 觀察指標：每個自動化流程的 ROI、工程師維護時間
• 風險：過度依賴單一廠商的 API，若定價策略改變，切換成本高

場景三：以策略分析 / 決策支援為主要需求

如果你主要用 AI 做市場分析、競爭情報整理、財務報表摘要，這類需求最重視的是模型的推理品質和上下文理解深度。Claude 3.5 Sonnet 在這類複雜任務上的表現在公開評測中持續領先，但 OpenAI o3 在純邏輯推理上也有不弱的成績。

• 建議配置：Claude Sonnet 為主力分析工具，定期跑兩家模型比對同一份分析
• 預算分配：50% Claude、50% OpenAI，保持彈性
• 觀察指標：分析結果的採納率、實際決策影響
• 風險：過度依賴 AI 分析而缺乏人工判斷，可能放大模型的盲點

中小企業 AI 採購的三層評估框架

回到最核心的問題：你現有的 AI 投資組合需要重新分配嗎？以下是一個可以直接使用的評估框架。延伸閱讀：大廠 Claude 全面鋪開，中小企業 AI 採購預算要怎麼重設。

第一層：廠商穩定性評估

AI 廠商的穩定性在 2026 年比兩年前重要得多，因為整合成本越來越高。一旦你把工作流程接進某個廠商的 API，切換就不只是換個訂閱計畫那麼簡單。

第二層：能力匹配評估

廠商好壞最終還是要回到「對你的需求，哪個模型更好用」。公開評測只是參考，最有效的方式是用你自己的真實任務做 benchmark。

• 取你過去一個月最常做的 5 種 AI 任務
• 用同樣的 prompt 分別跑 Claude Sonnet 和 GPT-4o
• 從輸出品質、回應速度、成本三個維度評分
• 根據你自己的任務分佈決定預算分配比例

第三層：整合成本評估

整合成本是中小企業最常忽略的隱形支出。一個 API 的月費可能只是 $100，但一個工程師花 3 週整合加上後續維護，實際總成本可能是 $30,000 以上。

有一個數字很值得注意——業界公開報告顯示，AI 整合專案的隱藏成本通常佔總成本的 40-60%，包含：工程師整合時間、測試成本、prompt 優化時間、模型 API 定價變動的因應成本。這也是為什麼AI 模型成本 benchmark 和混合策略這類分析在 2026 年對採購決策的重要性越來越高。

Anthropic 現在值得加碼嗎？一個誠實的評估

講了這麼多有利 Anthropic 的數據，也需要講清楚幾個風險。

支持加碼 Anthropic 的理由

• 企業採用率首次超越 OpenAI，且增速是後者的 10 倍以上
• Karpathy 加入代表頂尖研究人才的信任票
• ARR 成長速度和估值反映市場對長期路線的信心
• Claude Code 的實際工程生產力提升已被廣泛驗證
• Constitutional AI 方法論讓企業在合規和安全面的風險更低

保持觀望或降低比重的理由

• pretraining 路線是否正確，兩年內不一定有清楚的驗證訊號
• OpenAI 的 FDE 生態對需要深度整合服務的大型企業更有吸引力
• Anthropic 的企業服務生態（合作夥伴、認證體系）仍比 OpenAI 薄弱
• 單一廠商重倉永遠是風險，特別是 API 定價透明度偏低的 AI 市場

如果你已經在用 Claude，這個時間點適合評估是否把更多核心工作流程遷移過來。如果你還沒用過，建議先從單一工作流程試水，看完Anthropic 900 億估值與廠商穩定性之後再決定投入力道。

現在該做什麼：給中小企業老闆的三步行動清單

不管你最後怎麼分配 AI 預算，以下三步行動應該在接下來 30 天內完成。

• 盤點現有 AI 工具清單，列出廠商、月費、使用率三欄，刪掉使用率低於 20% 的訂閱
• 用自己的任務跑一次 Claude vs GPT-4o 的評估，記錄輸出品質差異，不要依賴別人的 benchmark
• 如果有任何工作流程是「完全依賴單一廠商 API」，評估一下切換的成本——目的是讓自己清楚知道自己的 switching cost，而不見得真的要切換

如果你需要有人幫你做 AI 廠商評估和工作流程整合規劃，恆遠數位行銷的 AI 顧問服務可以從你的實際業務需求出發，做一次廠商投資組合的健檢。目的是幫你看清楚自己的選擇，並非要賣你一個方案。

AI 廠商的格局每季都在變，但有一件事不會變：選對廠商的框架比選對廠商更重要。Karpathy 加入 Anthropic 是一個值得關注的訊號，但它不應該成為你重新分配所有預算的唯一理由。花 30 分鐘做一次AI 投資組合健檢，比花 3 小時追業界新聞更有價值。

延伸閱讀：Mistral AI 歐系 LLM 採購指南｜AI 模型成本 benchmark 與混合策略｜Salesforce-Anthropic Token 路由策略