Inside Anthropic’s Culture: Learn Faster, Dream Bigger

• “AI adoption”把真正的组织问题说窄了：AI 不是等着被部署的锤子，而是需要被 onboarding 的新团队成员。 企业不能只盯使用率和某个流程节点，而要像带新人一样交代组织背景、目标、角色、可用资源和评价标准，也要询问 AI 可以怎样重新分工。Hannah 的判断是，很多所谓模型效果不佳，本质上是组织只告诉 AI “去钉一颗钉子”，却没解释为什么要建这堵墙。
• AI 正把管理工作从少数经理扩展到所有知识工作者。 每个 IC 都可能带一支 agent team，每个 frontline manager 都像突然获得高管级的资源调度能力；技术人员的工作也从连续写代码，转向委派、等待、审核、纠偏和多任务切换。因此，taste、任务拆解、反馈与 coaching 不再只是管理者能力，而会变成新的基础职业能力。
• Anthropic 的学习型文化不是靠口号，而是靠 Selection、Expectations、Interactions 三个变量共同形成。 公司先选择使命导向、能快速学习的人；再明确哪些岗位可以做 big swings、哪些岗位必须控制风险；最后通过复盘、领导行为和真实奖惩让员工看到“失败是否真的被允许”。如果公司一边喊创新、一边惩罚失败，员工会理性地只做低风险的 singles and doubles。
• 扁平 title、不谈判 offer、统一薪酬和弱化细颗粒度绩效奖励，都是在保护内在动机。 Anthropic 愿意承受新人难以从 title 判断职责的成本，也不愿把组织变成地位竞赛。它希望员工因为使命、专业手艺和问题本身而工作，并把自己视为 superstar team 的成员，而不是争取个人最优回报的 individual superstar。
• People Team 在 Hannah 的定义中是组织产品团队，而不是后台服务商。 它的产品是“一家能够实现使命的公司”，员工是客户，使命是帮助人们 fit、function、flourish。Anthropic 因此把工程师和产品经理放进 People 组织，用 Claude 重构绩效评估、福利问答和招聘实验，同时要求团队先判断隐私、风险与允许的 error bars。
• 效率不应自动翻译为减员，而应先转化为更大的 ambition。 Hannah 认为“任务 X 更高效，所以人更少”忽略了所有曾因资源不足被放弃的机会；人应被计入 R&D，而非单纯成本，因为创意、新业务和组织适应力都来自人。Anthropic 也通过跨职能流动和 10% 学习项目，把员工从固定岗位盒子释放到 skills 与 passion 的交集。

贯穿全场的主线是：AI 能否提高组织产出，取决于公司是否把“学习”做成一套真实的管理系统。 从如何 onboarding Claude，到怎样鼓励失败、设计薪酬、建设 People Team、扩大内部流动，再到如何面对就业冲击，Hannah 始终在回答同一个问题——组织能否把新增智能转化为更大的目标，而不是只把它变成更低的成本。

核心要点：AI 工具推广通常从采购、利用率和流程替换出发；Hannah 认为更有效的起点是团队设计——给 AI 足够上下文，明确共同目标，并让它参与分工。

• Joelle 以“AI adoption”开场，Hannah 立即从语言学角度挑战这个词。她解释，隐喻并非修辞装饰：当人们说 adoption 时，背后的默认框架往往是“新工具”，于是管理者开始问买什么、谁在用、利用率是多少。
• 如果把 AI 当锤子，组织会拿出既有 workflow，只在其中选一个步骤让模型执行；流程所有权仍完全在人，模型只负责“敲这颗钉子”。这种用法天然限制了 AI 对任务重构的贡献。
• 如果把 AI 当新团队成员，问题会变成：它需要了解什么公司背景、团队目标和决策上下文？它负责什么，怎样与人协作？哪些资源可用，成功标准是什么？它对分工本身有什么建议？
• Hannah 用不断失控的“建墙—锤子”比喻说明差异：告诉 AI “一起建墙、为什么建、有哪些材料”，和只要求“用锤子敲一下”，会得到完全不同的参与质量。主持人顺势指出，很多公司对真人 onboarding 也犯同样错误——不给上下文，却事后责怪对方没有做出预期结果。
• 这套框架并不把 AI 人格化。Hannah 明确说 AI 不是人，但它是一种 intelligence，能带来技能；因此组织至少应使用比“被动工具”更接近协作者的管理方式。
• 这也改变了衡量标准：不是先追求多少人登录、多少 token 被消耗，而是观察人和 AI 是否形成更好的目标理解、分工和反馈闭环。

“AI 不是人，但它是一种 intelligence，也会把能力带到团队里。” —— Hannah Pritchett

核心要点：AI 把管理能力从岗位序列扩散到所有人。传统的 manager/IC 二分会弱化，因为 IC 也要持续规划、分派和审查 AI 的工作。

• Hannah 用一句带玩笑的判断概括变化：恭喜，公司里的每个人现在都在带团队。IC 可以同时调动多个 AI agent，必须说明目标、拆解任务、设置检查点，并决定结果不合格时怎样纠偏。
• Frontline manager 的变化更剧烈：过去一线经理管理有限人力，现在理论上可以调用接近无限的数字资源，因此要面对类似 executive 的资源配置、优先级和质量控制问题。
• Anthropic 技术人员已经感受到工作节奏重构。过去他们长时间 hands-on-keyboard、沉浸在深度专注中；现在更常把任务交给 Claude，等待返回，审核结果，再根据质量决定下一步。
• 这种工作变得 interruption-driven。工程师抱怨深度工作被频繁打断时，Hannah 的第一反应是“欢迎来到高管工作”：高管长期就在多条工作流之间委派、等待、审查和处理异常。
• 组织因此需要普及原本只给管理者的能力：优秀 taste、清晰表达目标、把工作切成合适颗粒、识别何时继续委派、何时亲自介入，以及给 Claude 提供可以改善下一轮结果的 coaching 和 feedback。
• 时间管理也要随之改变。人不再只安排“我什么时候做完”，还要管理多条 agent 队列：哪些任务正在运行、何时回来、审核需要多少时间、失败分支怎样处理。
• 这意味着 AI 培训不能只教 prompt 技巧。真正需要建设的是一套数字团队领导力，而这会反过来模糊技术、管理和组织能力之间的传统边界。

“每个 frontline manager 都像突然成了 executive。” —— Hannah Pritchett

核心要点：Anthropic 没有让 HR 或 L&D 先设计一套统一课程，再要求业务采用；它让最接近工作的实践者探索，People Team 随后识别、翻译和规模化有效做法。

• 当 Joelle 追问如何训练 IC 获得管理 agent 的能力时，Hannah 坦言 Anthropic 没有大量使用传统 Learning & Development。公司的第一层机制是招聘本就对变化兴奋、具备学习心态、flexibility 和 agility 的人。
• 她明确划分探索责任：People Team 不应站在最前线发明技术人员的未来工作方式，practitioners 才应该。因为只有真正做代码、研究、招聘或福利的人，才能最快看到模型在任务中的新能力和约束。
• People Team 的角色是监听实践者：谁发现了更好的委派方法？哪种工作模式只适合个人，哪种可以复制到整个团队？需要怎样的训练、工具、政策和沟通，才能让更多人获得同样能力？
• 这是一种“分布式研发—中心规模化”模式。局部创新来自一线，People Team 不是命令大家采用，而是把一个人的有效做法转译成全团队可理解、可访问的能力。
• Hannah 由此判断，未来优秀组织与过去优秀组织的分水岭，是 innovation、learning、agility 和 flexibility 是否成为真实运行方式。旧式 command-and-control 要求所有行动都由上而下授权，难以跟上 AI 能力和业务机会的快速变化。
• 相反，组织要让所有人共同理解公司目标，并创造条件让个人主动把自己的判断和资源指向这些目标。People Team 的任务，是让这种自主不变成混乱，而是形成可扩散的学习机制。

“Practitioners should be on the forefront of figuring this out.” —— Hannah Pritchett

核心要点：文化由进入组织的人、领导明确说出的期望，以及每天真实发生的互动共同构成。复制 Anthropic 的表面制度不会自动复制其文化。

• Hannah 用三个相互依赖的变量解释文化：Selection 决定谁被带进组织及其自然倾向；Expectations 告诉员工“我们是谁、加入这个群体意味着什么”；Interactions 则通过领导、同事和奖惩持续校验前两者是否可信。
• Selection 不是招聘完成即结束的“文化匹配”。Anthropic 选择对使命有承诺、愿意学习和适应的人，但后续仍必须明确说明组织期望，否则员工只能靠猜测判断哪些行为被认可。
• Expectations 需要按业务风险区分。Labs 等实验岗位会被直接告知：你的工作就是 experimentation，要做 big swings，失败是可接受结果；另一些岗位虽然也需要学习心态，但一次巨大失误可能不可承受，实验必须收窄。
• 这种差异说明“创新文化”不能一刀切。银行等高可靠行业的 error bars 更窄，不等于不能创新；真正的问题是哪些领域可以试错、试错边界是什么、谁承担最后判断。
• Interactions 是最严格的真实性测试。如果领导口头要求创意，却在想法刚提出时就批评；如果公司表扬实验，却在失败时惩罚个人；员工会迅速得出结论：组织真正要的是安全，而不是创新。
• Joelle 问能否复制 Anthropic playbook，Hannah 的回答是否定的。Anthropic 自己也没有完美答案；制度必须适合本组织的 selection、风险与互动方式。抄 Labs、扁平 title 或某套绩效流程，不能替代内部一致性。
• 她的判断标准很直接：如果说要 creativity，却只奖励打中 singles and doubles，或把所有失败都变成职业风险，那么公司实际上没有选择创造力。

“人们会看领导说什么，也会看领导和同事实际做什么。” —— Hannah Pritchett

核心要点：成功的实验天然容易被奖励；真正决定员工是否敢冒险的，是失败后组织怎样复盘、评价和分配职业后果。

• Anthropic 许多团队会做项目 retro。Hannah 特意避免把复盘只用于“事情严重搞砸”之后，因为那会让 retro 带上事故审讯色彩；她的团队对不同结果的项目都形成复盘习惯。
• 复盘同时问三类问题：哪些做得好、哪些尝试没有奏效、下一次会怎样改变。管理者不仅追问“为什么不好”，还要明确告诉团队：尝试本身有价值，组织很高兴做过这次实验。
• Hannah 用自己近期投入的 strength training 解释这一点。力量训练必须推到力竭，才能知道强度足够；但高成就者第一次举重失败时，直觉反应往往是羞耻，觉得自己做得不够好。
• 她教几位同样高成就的女性朋友训练时，建立了一条规则：任何人第一次在一组动作中失败，大家都鼓掌、击掌。因为如果从不失败，很可能没有真正接近能力边界，训练反而是在浪费时间。
• 她把同一隐喻带回团队：若组织永远没有失败，可能不是执行完美，而是 ambition 太低、尝试不够困难。失败不是自动正确，但它必须能换回新的认知。
• 这套机制比“允许失败”的口号更严格：项目需要可复盘、学习需要被说清楚、下次行动需要改变。组织奖励的不是粗心或重复犯错，而是有意义的探索和学习速度。

“如果我们从不失败，有时说明我们梦想得还不够大。” —— Hannah Pritchett

核心要点：Anthropic 有意识地减少地位和个体回报的信号，希望员工把注意力放在使命、手艺和团队成果上；它也承认这会带来组织导航成本。

• Anthropic 的技术 title 长期非常扁平，许多人统一称为 Member of Technical Staff；运营岗位也曾统一使用 Member of Operations Staff。仅仅增加更具体的 staff 分类，在公司内部都曾是一项重大变化。
• 公司把候选人过度关注 title 视为负面信号，因为这说明其注意力可能更偏向身份和地位，而不是使命、影响与专业问题。Hannah 在 Anthropic 超过 2.5 年，希望公司永久抵抗 title inflation。
• 扁平制度并非没有代价。新人查到某个人只看到 Member of Technical Staff，很难判断对方负责哪个领域；Hannah 把这种导航困难视为公司愿意支付的成本。
• 她用 intrinsic/extrinsic motivation 区分激励来源：员工可能因为相信使命、热爱 craft 或觉得问题有挑战而投入；title、status、细颗粒度绩效奖励则属于外在动机。
• Hannah 引用心理研究的一般结论：当组织不断给原本有内在吸引力的活动增加外在奖励，人会逐渐把行为理解为“为了奖励”，反而损害原有兴趣。Anthropic 因而尽量减少个体化奖赏的中心地位。
• 入职 offer 不谈判是同一系统的一部分。谈判制可能奖励“擅长谈判”而不是“擅长岗位”，还会在员工进入组织第一天就强调个人最大化。
• Anthropic 希望传递的信号是：公司支付同一团队一致的薪酬，因为目标是打造 superstar team，而不是围绕 individual superstar 展开竞价。当前主要薪酬调整机制是 level 晋升，而非频繁的绩效奖金。
• Hannah 反对 finely graded performance reviews 和 stack ranking，认为它们会放大政治、争论和自我优化，使员工从“为组织使命工作”转向“为自己的分数工作”。

“这不是成为个人超级明星，而是成为超级明星团队的一员。” —— Hannah Pritchett

核心要点：Anthropic 把使命认同当作招聘约束，而不是 employer branding；它也认为任何组织都应回答自己的产品究竟为世界创造什么。

• Joelle 认为 Anthropic 的使命天然宏大，银行等传统企业似乎很难复制。Hannah 反驳说，银行也可以把自己理解为社会运行所需的关键基础设施，而不是只提供一组金融产品。
• 任何组织都可以选择两种自我叙事：我们只是卖 widgets；或这些 widgets 在世界中产生某种具体影响。使命不一定宏大，但必须说明公司希望创造什么变化。
• 这既是公司的招聘问题，也是个人的职业选择问题。公司应问候选人是否愿意把时间、精力和才能投入这项使命；候选人也应问，这是否是自己愿意长期贡献的方向。
• Joelle 直接追问：是否会遇到完全能做工作、却因使命不匹配而不发 offer 的优秀候选人？Hannah 回答“经常如此”，并明确表示公司接受这个结果。
• 使命导向与 Anthropic 的薪酬、title 和团队制度形成闭环：如果组织弱化外部地位信号，就更依赖员工对使命、手艺和问题本身的投入。
• 这里的风险同样明确：使命不能只是一句漂亮口号。如果员工观察到业务决策与使命冲突，Interactions 会迅速摧毁招聘阶段建立的承诺。

“更多公司应按使命招聘，更多员工也应按公司使命筛选工作。” —— Hannah Pritchett

核心要点：Hannah 不把 People Team 定义为服务请求处理中心，而是把它视为建设组织系统的产品团队；其目标从招对人，延伸到让公司有效运转和让员工长期发展。

• Hannah 的职业路径并非传统 HR 路线。她受过语言学训练，在 Facebook 做 trust & safety，在 Stripe 做 risk、payments operations 和 talent，在 Binti 负责人力期间还临时带过 engineering。
• 她很早进入管理岗位，把当时的业务领域视为 major、People 工作视为 minor。转入 People Team 时，她想测试“把 minor 变成 major”，结果发现这可能早就是更合适的专业方向。
• 语言学带来的主要能力不是会说多门语言，而是识别 patterns 和进行 systems thinking。Hannah 认为 People 领域充满重复模式，也极需要把政策、激励、能力和行为放在同一系统中设计。
• 她把 Anthropic People Team 的使命概括为 fit、function、flourish。Fit 是找到既认同使命、又具备岗位技能和适应能力的人，不是“想不想一起喝啤酒”的同质文化匹配。
• Function 是帮助公司有效运转：与领导一起识别决策风险，明确组织规范，制定沟通和落地方案，把抽象文化变成可以执行的机制。
• Flourish 超过“劳动换薪酬”的最低关系。它关心员工是否愿意醒来工作、是否喜欢与同事合作、正确的人是否长期留下、职业是否能增长，以及员工是否感到自己属于更大的团队和使命。
• Hannah 把 People Team 类比产品团队：产品是“能够实现目标的组织”，员工是客户。产品经理会观察客户行为、理解问题和持续收集反馈，People Team 也应如此，而不是等工单上门。

“我们的产品，是一个能够完成目标并推进使命的组织。” —— Hannah Pritchett

核心要点：标准调查并非失效，真正失效的是公司收集信息后不行动。Anthropic 把员工反馈视为一种需要回报的时间交换。

• Anthropic 员工非常 vocal，会主动表达意见；Hannah 把这种高反馈密度视为特权，而不是管理负担。People Team 除了等待员工直接说，也会观察行为、在不同渠道倾听并主动访谈。
• 公司仍使用常见的 employee surveys，也会在特定生命周期节点收集数据，例如新人入职约 90 天后询问本人和经理的状态。
• 推出新项目时，团队会找大约 5 位能代表不同组织群体的员工，直接询问其判断。因为 People Team 的“客户”就在身边，很多问题不需要先建复杂研究系统。
• Hannah 认为年度调查的问题不在于固定 20 或 50 道题，也不在于分数变化 2% 是否足够精确；问题在于公司是否把下一次调查当作唯一动作，中间没有任何回应。
• 她把调查视为契约：既然要求所有员工投入时间和精力表达意见，People Team 就欠他们一个结果。结果不一定是解决全部问题，也可以明确说明某项现在不会处理，但不能让反馈无声消失。
• 最近一次调查中，有员工留言希望自己的楼层增加一种饮料。Hannah 看到后立即让团队购买；大型问题不能隔夜解决，但这个小问题没有理由等待。员工可能并不知道饮料第二天出现正是来自留言，但组织兑现了倾听承诺。
• 这个小故事体现她的产品观：反馈系统的可信度不只来自年度宏大变革，也来自组织能否快速处理显而易见、低成本的问题。

“如果我索取了你的时间，就对你负有某种回报义务。” —— Hannah Pritchett

核心要点：Anthropic 没有要求“everybody AI all the time”，而是先明确隐私、错误容忍度和 guardrails，再同时推动正式产品建设与一线小实验。

• Anthropic 的公司级 onboarding 当前约两天，重点讲公司整体背景、文化和“如何工作”。具体岗位的 what 变化太快，因此由各团队继续提供 domain-specific 模块。
• 新人同时参加 Claude onboarding。有人入职前已经熟练使用，也有人经验很少；课程既拉齐基础能力，也明确设置期待：在这里会大量与 Claude 协作，并获得试验和探索的许可。
• Hannah 认为 People Team 使用 AI 的第一步不是列场景，而是界定 error bars、risk tolerance、privacy 和 guardrails。银行等行业允许的错误范围更小，不能照搬 AI 实验室的节奏。
• 她的组织内有工程师和产品经理，直接为 People 工作构建产品。业务专家不是旁观客户，而是 consulted experts：说明流程如何运行、风险在哪里、Claude 应在哪些节点成为有用的 team member。
• Anthropic 的绩效评估系统由内部团队使用 Claude 构建。员工在标准流程中可以直接围绕绩效问题与 Claude 对话，而不是把 AI 作为流程之外的附加聊天窗口。
• 福利 open enrollment 是另一个具体场景。团队先写出约 40 页、尽可能覆盖所有问题的文档，再让员工把个人情境交给 Claude 解释；员工最后只需向福利专家确认一个细节，把人力留给真正需要判断的部分。
• Recruiting 团队运行大量小实验，寻找每段流程中可以与 Claude 合作的环节。团队还有开放咖啡分享，员工展示自己与 Claude 的自动化和工作 hack；提出有效方法的人也成为同伴 trainer 和 mentor。
• 正式工程和分布式实验并行：如果个人方法本身已足够好，不必立即工程化；如果只是一点有规模化潜力的 glimmer，工程团队再把它做成全公司产品。工程师也会从观察工作方式出发，主动提出更彻底的重构。

“每个人都可以把自己当作一家用 Claude 实现目标的小型创业公司。” —— Hannah Pritchett

核心要点：当领导认为 HR 价值不高时，团队往往只收到低期待任务，继而产出低价值，进一步证明偏见。打破循环需要先提高自我期待并交付一小块可见价值。

• Hannah 把许多 People Team 的困境描述为恶性循环：领导觉得 HR 没用，于是只让它做低价值事务；团队会“上升或下降到被期待的水平”，最终产出又强化领导的低评价。
• 第一种破局方式是挑战领导的 expectations。People 负责人应直接说明：你对我和团队期待得不够高；如果希望我们成为战略伙伴，需要开放哪些具体权限。
• 第二种方式是不等待授权。先假设自己已是充分授权的 executive team member，列出真正应该改变的组织问题，再寻找可以立即启动的 minimum viable path。
• Hannah 不建议一开始要求大量资源或全面许可，而是只请求解锁一个关键约束，并承诺交付一小块业务价值。价值一旦可见，领导会更愿意增加权限和资源，循环就会转为正向。
• 这一建议与她对学习型文化的判断一致：高 agency 不是无边界行动，而是在理解组织目标和风险后，不把“没人要求我做”当作停止条件。
• People Team 也不应把 compliance 与创造力对立。它有时必须说不，但其更高阶价值是为领导想要的文化创造条件、识别风险并把规范变成可操作系统。

“不要等 permission，也不要等别人来问；先找到最小可行路径，开始提供价值。” —— Hannah Pritchett

核心要点：AI 同时释放时间和学习能力。组织若只保留原 roadmap 并减少人数，会错过更大的机会；更优策略是扩大目标、重配人才，并让员工移动到技能与热情的交点。

• Hannah 区分 cost 与 opportunity cost。企业过去做每一件事，都意味着放弃另一项产品、业务线或客户价值；AI 让任务 X 更高效时，被释放的不只是人力成本，也是此前无法追求的机会。
• 公司可以选择保持 ambition 不变，用更少的人完成三年 roadmap；也可以看到所有 roadmap 之外的可能性，扩大目标。她惊讶于许多极有野心的 CEO 明明长期缺资源，却在获得效率后首先想到裁减人员。
• Anthropic 密集推出新产品，部分原因正是把某个领域释放的效率重新投入更长的机会清单，而不是把效率只变成财务节约。
• Hannah 反对把人固定在岗位 box 中。如果某类工作缩小，不等于做这类工作的人没有价值；员工还有其他技能、创意和潜在落点。她甚至希望公司会计把 people 计入 R&D，而不是成本，因为创意与新业务正来自人。
• 她承认 Anthropic 已有大量跨职能流动，但仍“做得太难”。公司有人从 recruiting 转到 go-to-market、communications 和 public policy，她自己也曾在 Facebook 五年换四个岗位、在 Stripe 七年约换五个岗位，加入 Anthropic 前从未在同一岗位超过 18 个月。
• 一个完整案例发生在她过去管理的运营团队：员工说想成为软件工程师，却不会写代码。Hannah 没有立即转岗，而是允许其每次拿出 10% 工作时间做能培养技能、同时解决团队 bug 的项目。
• 两人制定了约 12 个月的路线。员工要在个人时间学习，团队则提供真实工作中的练习机会；每完成一个项目，再安排下一个 10%。后来这名员工成为软件工程师。
• 其他流动可能由经理触发。Hannah 曾发现员工对另一个团队的工作明显更有热情，直接询问后帮助转岗。她认为最有贡献的落点是 skills 与 passion 的交集，留住一个“有技能但没热情”的人并不符合员工或公司利益。
• AI 进一步降低了转岗门槛：它可以成为无限耐心、拥有大量知识的 tutor。Joelle 也用自己借助 Claude Code 做出接近预期产品原型的经历说明，过去需要多年专业训练才能跨过的表达门槛正在下降。

“我希望公司把 people 当作 R&D，而不是只当作 cost。” —— Hannah Pritchett

核心要点：Hannah 不否认 AI 对工作的冲击，也不接受“因此一切注定”。她主张同时正视风险、扩大组织目标，并把制度和政策视为真实的 intervention points。

• 第一种令人沮丧的叙事，是企业只看到 cost saving。它把生产力提高直接翻译为裁员，忽略新产品、科学进展、服务改善和员工转型等可能性。
• 第二种是 denialism：坚持 AI 不会改变工作。Hannah 认为变化已经发生，证据越来越明确；Anthropic 也持续公开提醒外界关注趋势，而不是等到冲击完全显现。
• 第三种是在承认变化后，把它描述成无法干预的 force of nature：AI 会拿走所有工作，人们无能为力。她认为这同样错误，因为社会可以选择保护哪些人类工作、如何满足物质需求、怎样重新定义工作与生活。
• 可能的制度路径并非只有一个。社会可以认为工作本身对人有价值，即使 AI 能做也保留人；也可以重新讨论人是否必须通过传统就业获得生活所需。真正危险的是在变化发生前拒绝讨论选择。
• Hannah 不替别人规定应该乐观、悲观还是紧张，她自己也会在不同日子感到各种情绪。Anthropic 的价值观 hold light and shade 要求同时直视积极与消极结果，用 intellectual honesty 权衡路径。
• 她的乐观不是忽略 existential risk，而是认为 human flourishing 仍有可设计空间。与 8 岁儿子吃晚饭时，她展示过去 150 年儿童死亡率曲线，说明科学发现怎样实质改善人类生活。
• AI for science 的进展因此构成重要希望：如果 AI 能继续加速类似曲线，人类可能获得新的医疗与福祉提升。组织和社会必须一边尽力防止最坏风险，一边同样努力建设值得追求的未来。

“我们有 intervention points，也有可以采取的方法和政策。” —— Hannah Pritchett

核心要点：高绩效不是套用统一人才标签，而是明确本组织需要什么能力和行为；AI 时代最重要的共同特征，则是持续学习。

• Lightning Round 中，Hannah 首先淘汰 finely graded performance reviews，包括 stack ranking 和过细等级。她认为这种机制会把注意力拉向分数、争论和内部政治。
• 这与访谈前半段的 intrinsic motivation 一致：当奖励被切得过细，员工更容易为自己优化，而不是为团队目标和组织使命工作。
• 对 talent-dense organization，她没有给出“只招顶尖人才”这样的通用答案。第一步是定义 talent dense 对本公司意味着什么：谁会成功，哪些 skills、traits 和 attributes 最关键。
• 不同组织的成功条件不同。实验室可能重视学习速度、使命和大跨度探索；银行可能更强调可靠判断、风险纪律和在窄 error bars 中创新。Talent density 必须与业务和文化相匹配。
• 被问到 AI 有效部署后每个人的工作会怎样，她回答 “more fun”；被问到未来五年最成功公司共同特征，她只回答一个词：“learn”。
• 这两个答案收束了整场访谈：AI 的价值不是让人以更低成本重复旧工作，而是把更多人从固定任务释放出来，进入更有判断、创造和学习空间的工作。

“未来五年最成功的公司，会是那些能够 learn 的公司。” —— Hannah Pritchett