我刚把 Anthropic 官网 claude.com/customers 这页从头到尾翻了一遍。这页是 2026 年 5 月的现状，列着十几家正式公布姓名的客户和他们用 Claude API 在做的事——Notion、Slack、Figma、HubSpot、Pendo、Vapi、Rogo、OpusClip、Reversia、Smartsheet、Artemis、Gradial、Bolt、Delivery Hero、AirOps、Bubble、Mutiny。

把这 17 个案例放在一起看，你会发现一个有趣的规律：真正在大模型 API 上花钱并且持续用下去的业务场景，全都长一个样——它们要么是替人重复看东西，要么是替人重复写东西，要么是替人重复做决策。听起来像废话，但这句话是有刀的，下面我把它切开。

替人重复看东西：客户支持、安全运营、合规审查

这是最早被打透的赛道，也是 2026 年依然在收钱的赛道。

Slack 用 Claude 做"AI search and summaries"——员工在 Slack 里搜东西、总结频道、回顾会议纪要，本质都是让模型"看"完海量历史消息再吐出一句话。Artemis 这家做安全的，自己披露的数字是"帮安全团队把事件解决时间砍掉 96%"——一个安全告警通常要工程师扒一堆日志、Jira、PR、Slack 上下文，模型替他们扒完了。

逻辑在哪？人看 100 条消息要 30 分钟，模型看 100 条消息要 30 秒，准确率还不输。这个 ROI 算不烂。客户支持也是一样——HubSpot 在他们的客户故事里讲怎么"reclaim time for creativity"，潜台词就是把回复工单、检索知识库这些"看东西"的活给了模型。

替人重复写东西：销售、营销、内容生产

Mutiny 的描述特别精炼——“gives every seller a full creative team”。意思是销售本来要靠创意团队帮他写邮件、做落地页、改文案，现在 Claude 一对一陪着每个销售。Reversia 把电商店铺"翻译成 110+ 种语言"——这是另一种重复写。OpusClip 用 Claude Code 搭它的 GTM（go-to-market）引擎，跟 Mutiny 是同一个套路。

这条赛道的关键不是"模型能写"——三年前的 GPT-3 也能写。关键是 2026 年的模型已经能在写之前先把客户档案、产品文档、品牌调性吃进去。所以 Mutiny 不是"自动写邮件工具"，是"知道你这单跟进了 5 次、对方公司刚拿了 B 轮、上次提过预算紧、所以这次邮件应该这样写"的工具。

这件事人能做，但人有 8 小时和 5 个销售对象的物理上限；模型可以并行 500 个对象、24 小时。

替人重复做决策：金融分析、PR review、自动化运维

这是 2026 年最值得关注的新赛道，2024 年还没成气候。

Rogo 的描述是"evaluates frontier models for institutional finance"——它本身就是给机构金融做模型评估的，潜台词是机构金融已经在用模型做投资决策辅助。Delivery Hero 公布的数字最猛：Claude 帮他们的 agent 一天合并 100+ 个 PR。一天 100 个 PR review 决策是模型做出来的，不是人。

为什么 2026 年这条赛道才起来？因为前两年的模型在做决策时不够稳——一个金融分析错了直接亏钱、一个 PR merge 错了直接挂线上。要等到模型本身的稳定性 + 工具调用 + 人类审核闭环这三件事都成熟，企业才敢把决策权交出去。Anthropic 在 2026 年专门推了 Claude Managed Agents（Pendo 那个故事里写明了），就是为这条赛道服务。

写代码：单独成立的一条主赛道

我把它单拎出来，因为这条赛道大到撑得起一整套产品——OpusClip / Bolt / Bubble / Delivery Hero 全部在用 Claude Code 做生产级代码生成。Bolt 直接"基于 Claude Agent SDK 搭了 autonomous design system agent"，Bubble 用 Claude 把"prompts 变成 production apps"。

OpenAI 那边自己披露的数字也夸张：2M+ 开发者在 OpenAI API 上构建，含 92%+ Fortune 500 公司（来源 a16z 2024 年报告，2026 年只会更高）。这意味着写代码这件事，现在已经不是"开发者用 AI 辅助"，而是"代码本身大部分由 AI 写、开发者做 review 和编排"。

不太适合大模型 API 的场景：精确数值、强实时、极致低延迟

写到这反过来说一下，避免误导。

精确计算（财务对账、税务计算）不适合——大模型本质是概率模型，会算错小数点。这种场景应该走传统规则引擎，模型只做最外层的自然语言交互。

毫秒级实时决策（高频交易、自动驾驶感知层）不适合——模型推理延迟在 100ms-2s 量级，不可能赶得上。

输入输出极小的高频场景（每天百万次的简单分类）不适合——单纯算 token 成本，传统 NLP 模型便宜两个数量级。

判断标准其实只有一句话：如果你的业务里有"一个聪明实习生看完一堆背景材料能搞定，但你雇不起 100 个聪明实习生"的环节，那就是大模型 API 的场景。反之不是。

国内开发者落地这件事，有一个实际问题先解决

写到这里不可避免要提一句——Anthropic 的 supported regions 名单里没有中国大陆（这点我前几天专门写过一篇）。所以国内团队要做以上任何一类业务，第一步不是产品定义，是 API 接入路径。

主流做法是用兼容 OpenAI/Anthropic 双标准的国内中转网关，例如七牛云 AI 的 portal.qiniu.com/ai-inference/api-key 这类入口——SDK 一行不改，base_url 换一下就跑通，国内服务器直连，开发票走人民币。等你产品跑顺了再考虑要不要走 AWS Bedrock 海外账号那条更重的合规路径。

一个建议

如果你正在选场景，别看那些 “100 个 AI 应用方向” 的清单——那些清单在 2024 年看起来都对，到 2026 年大半已经死了。

更靠谱的做法是去 claude.com/customers 和 OpenAI 的 stories 页面挨个翻，只看那些已经公开姓名、敢上 logo、敢披露数字的案例。能上官网的客户至少证明了三件事：场景跑通了、ROI 算清楚了、模型厂商愿意把它当样板。剩下的"大模型可以做 X"的设想，可以参考但不要直接押注。

本文 17 个客户案例（Notion / Slack / Figma / HubSpot / Pendo / Vapi / Rogo / OpusClip / Reversia / Smartsheet / Artemis / Gradial / Bolt / Delivery Hero / AirOps / Bubble / Mutiny）来自 2026-05-15 抓取 claude.com/customers 页面所得。OpenAI “2M+ 开发者、92% Fortune 500” 数据引自 a16z《Top 100 Gen AI Consumer Apps》报告。Anthropic supported regions 现状基于 docs.anthropic.com 直查。

参考链接：

● Anthropic 官方客户故事：https://claude.com/customers

● a16z 生成式 AI 应用排行：https://a16z.com/100-gen-ai-apps/

● 兼容 OpenAI/Anthropic 双标准的国内 API