Lenny's Podcast: prvi tehnički PM Anthropica o izgradnji Claudea iznutra

Ova epizoda Lenny’s Podcasta objavljena je 26. jula 2026. Gost je Dianne Penn, rukovodilac proizvoda za timove AI Research i Labs u Anthropicu. Penn je 2023. ušla u Anthropic kao prva tehnička PM, kada je ceo produktni tim bio pet inženjera. Učestvovala je u svakom izdanju modela, od Claudea 2 do Fablea, i pomogla je izgraditi Claude Code, MCP, Skills, computer use, korišćenje alata i mogućnosti rezonovanja od samog početka. Pre Anthropica, radila je na Alexinom AI-u u Amazonu i trgovala visokoprinosnim obveznicama u JPMorgan Chaseu.

Epizoda je usredsređena na konkretne odluke — ne apstraktne principe — koje su Claudea premestile s pozicije sposobnog, ali ne i dominantnog igrača na dominantnu poziciju u kodiranju i poslovnim tokovima rada. Penn te odluke objašnjava iznutra produktnog procesa, što razgovor razlikuje od većine spoljašnjih analiza Anthropicove trajektorije.

Ključni zaključci

1. Okretanje ka kodiranju bila je svesna opklada, a ne slučajna snaga. Penn opisuje kako je Anthropic identifikovao kodiranje kao oblast u kojoj model može da kreira najmerljiviju, proverljivu vrednost i koncentrisao razvoj proizvoda i modela oko nje. Odluka da se ide duboko u jednu visoko-vrednu oblast umesto da se takmiči na generalnim benčmarkovima oblikovala je sve što je sledilo. Za PM koji grade AI proizvode, ovo je odluka o pozicioniranju vredna istraživanja: u kojoj oblasti je ispravno pobediti pre širenja?

2. Eval-driven razvoj je stvarna metodologija. Penn objašnjava da Anthropic ne lansira funkcije na osnovu intuicije ili demo performansi. Svaka produktna odluka zasnovana je na setu evaluacija — strukturisanom skupu test slučajeva sa merljivim ishodima. Izgradnja evaluacione infrastrukture pre same funkcije je proces, a ne naknadno razmišljanje. Za PM koji nadziru AI funkcije, ovo redefinišе šta znači biti “završeno” na nivou specifikacije: funkcija nije spremna za razvoj dok ne možete opisati kako ćete znati da li funkcioniše.

3. Token maxing i nazubljeni rub. Penn uvodi dva koncepta koji objašnjavaju zašto AI proizvodi često ponašaju nepredvidivo u produkciji. Token maxing opisuje tendenciju korisnika da modele dovedu do granica konteksta na načine koji otkrivaju režime grešaka pri skaliranju. Nazubljeni rub (jagged edge) odnosi se na neravnomeran profil sposobnosti velikih jezičkih modela — izuzetan u nekim dimenzijama, iznenađujuće slab u susednim. Razumevanje oba obrasca pomaže PM da dizajniraju bolja ograničenja, onboarding i rezervna ponašanja.

4. “Živeti u budućnosti” kao PM metodologija. U Anthropicu se od PM očekuje da koriste alate koje grade na nivoima sposobnosti koje će većina korisnika dostići tek za mesec. Penn to opisuje kao “živeti u budućnosti” — namerno istraživanje granice onoga što model može da uradi, kako bi produktne odluke uzimale u obzir kuda idu sposobnosti, a ne samo gde su danas. Ovo je teže replikovati bez pristupa graničnim modelima, ali osnovni princip — ostati ispred stvarnog korišćenja vaših korisnika — široko se primenjuje.

5. Šta dolazi nakon što je kodiranje rešeno. Penn deli svoju procenu kuda se kreće agentni AI kad kodiranje postane osnovna sposobnost. Sledeću oblast očekuje u visoko-uloženom profesionalnom radu koji zahteva duži kontekst, jače rezonovanje i infrastrukturu poverenja — oblasti gde pouzdanost i proverljivost znače više od sirove brzine.

Vredi pogledati ako

Gradite AI funkcije i želite praktičarev pogled na to kako se donose produktne odluke u kompaniji koja isporučuje modele koje koristite. Pennov okvir nije preskriptivan — ne govori vam kako da vodite tim — ali konkretnost toga kako Anthropic pristupa evaluaciji, prioritizaciji i usklađivanju proizvoda s modelom pruža stvarne referentne tačke za timove koji rade u manjem obimu.