Lenny's Podcast: первый технический PM Anthropic о создании Claude изнутри

Этот эпизод Lenny’s Podcast вышел 26 июля 2026 года. Гость — Dianne Penn, руководитель продукта для команд AI Research и Labs в Anthropic. Penn пришла в Anthropic в 2023 году первым техническим PM, когда весь продуктовый отдел состоял из пяти инженеров. Она участвовала в выпуске каждой модели — от Claude 2 до Fable — и помогала строить Claude Code, MCP, Skills, компьютерное управление, использование инструментов и функции рассуждения с нуля. До Anthropic она работала над AI в Alexa в Amazon и торговала высокодоходными облигациями в JPMorgan Chase.

Эпизод сосредоточен на конкретных решениях — не на абстрактных принципах, — которые вывели Claude из позиции перспективного, но догоняющего игрока на доминирующую позицию в области кодирования и корпоративных рабочих процессов. Penn объясняет эти решения изнутри продуктового процесса, что отличает разговор от большинства внешнего анализа траектории Anthropic.

Ключевые выводы

Ставка на кодирование была осознанным решением, а не случайной силой. Penn описывает, как Anthropic определила кодирование как сферу, где модель может создавать наиболее измеримую и проверяемую ценность, и сосредоточила разработку продукта и модели вокруг неё. Решение идти глубоко в одну высокоценную сферу вместо конкуренции по общим бенчмаркам определило всё последующее. Для PM, создающих AI-продукты, это решение о позиционировании стоит исследовать: в какой сфере правильно победить, прежде чем расширяться?
Eval-driven разработка — это реальная методология. Penn объясняет, что Anthropic не выпускает функции на основе интуиции или производительности в демо. Каждое продуктовое решение основано на наборе оценок — структурированном наборе тест-кейсов с измеримыми выходными данными. Создание инфраструктуры оценки раньше самой функции — это процесс, а не запоздалая мысль. Для PM, курирующих AI-функции, это переопределяет, что означает «готово» на уровне спецификации: функция не готова к разработке, пока вы не можете описать, как вы узнаете, работает ли она.
Token maxing и зазубренный край. Penn вводит два понятия, объясняющие, почему AI-продукты часто ведут себя непредсказуемо в production. Token maxing описывает тенденцию пользователей доводить модели до предела их контекста способами, которые выявляют режимы сбоя при масштабировании. Зазубренный край (jagged edge) относится к неравномерному профилю возможностей больших языковых моделей — исключительным в одних измерениях, удивительно слабым в смежных. Понимание обоих паттернов помогает PM проектировать лучшие ограничения, онбординг и запасные механизмы.
«Жить в будущем» как PM-методология. В Anthropic от PM ожидается использование создаваемых ими инструментов на уровнях возможностей, которых большинство пользователей достигнет лишь через несколько месяцев. Penn описывает это как «жизнь в будущем» — намеренное исследование граней возможностей модели, чтобы продуктовые решения учитывали направление развития возможностей, а не только их текущее состояние. Это сложнее воспроизвести без доступа к фронтирным моделям, но базовый принцип — опережать реальное использование своих пользователей — применим широко.
Что будет после решения задачи кодирования. Penn делится своим прогнозом о том, куда движется агентная AI, когда кодирование станет базовой возможностью. Следующей сферой она ожидает высокоставочную профессиональную работу, требующую более длинного контекста, более сильного рассуждения и инфраструктуры доверия — области, где надёжность и проверяемость важнее сырой скорости.

Стоит смотреть, если

Вы создаёте AI-функции и хотите получить взгляд практика на то, как принимаются продуктовые решения в компании, выпускающей модели, которые вы используете. Подход Penn не носит предписательного характера — она не говорит вам, как управлять своей командой, — но конкретика того, как Anthropic подходит к оценке, приоритизации и согласованию продукта с моделью, предоставляет реальные точки отсчёта для команд, работающих в меньшем масштабе.