截至 10 月 27 日的公开信息，Anthropic 于 10 月 26 日正式向美国证券交易委员会递交 S-1 招股书，启动上市进程；招股书显示其 2026 年上半年收入 162.86 亿美元，同期账面净亏损 807.48 亿美元，剔除可转债等非现金项后经营亏损 6.93 亿美元，较 2025 年同期的 21.35 亿美元收窄约 68%。按 token 计费的消费式收入占比约 80%，上半年贡献 131 亿美元。对做 AI 搜索可见度监测的品牌团队来说，这份结构说明模型供给正在向少数厂商集中。
400倍增长与80%的token收入
收入曲线很陡：2023 年、2024 年、2025 年和 2026 年上半年分别为 0.41 亿美元、3.86 亿美元、45.85 亿美元和 162.86 亿美元，两年半扩大约 400 倍。创始人团队通过 Class F 类普通股掌握 50.1% 的投票权，这一设计让公司治理在股东利益与 AI 安全之间保持平衡，也意味着上市后公众股东的实际控制力有限。
供给集中对可见度意味着什么
模型少数的三个后果
第一个后果是回答风格趋同。当少数模型占据主要调用量，AI 回答的组织方式、引用偏好与表述习惯会趋于一致，品牌在不同平台看到的差异可能小于预期。第二个后果是信源权重集中，模型对某类站点的偏好会被放大，进不了这类站点的品牌更难被引用。
第三个后果是更新节奏同步。模型厂商的版本迭代会同时影响多个下游产品，品牌刚建立的可见度基线可能因为一次版本更新而整体失效。三个后果叠加，意味着监测不能按平台逐一做，而要按「模型—入口」的组合来做。
订阅与消费的收入结构启示
收入结构里，按 token 计费的消费式收入占约 80%，订阅式占约 20%。这个比例说明企业侧与开发者侧的调用是主要收入来源，也意味着模型厂商的优化方向会优先服务调用量大、对成本敏感的场景。对品牌而言，这解释了为什么轻量化模型与低延迟回答会成为主流：它们服务的是调用量。
品牌若只按消费级产品的曝光逻辑做内容，会与模型厂商的优化方向错位。更有效的做法是把内容做成适合被批量调用的形态：结构清晰、事实密度高、字段可解析，这类内容在检索与生成环节都更容易被取用。
三项监测能力的拆分
供给集中后，监测需要拆得更细。下表列出三项能力、定义与判断口径，品牌可据此定位问题出在覆盖、结构还是准确性上。
| 能力项 | 定义 | 判断口径 | 常见问题 |
|---|---|---|---|
| 入口覆盖 | 监测覆盖的模型与产品组合数 | 覆盖组合数占主流入口比例 | 只测单一平台，结论外推 |
| 引用获取 | 回答引用品牌自有信源的比例 | 引用来源域名分布 | 内容未被索引或结构不可解析 |
| 描述准确 | 回答对品牌的表述与事实一致度 | 偏差类型与严重度统计 | 旧信息残留，更新滞后 |
三项能力里，入口覆盖最容易被低估。多数团队只在一个平台上做测试，得到的结论却被用来指导全渠道内容策略；一旦模型或入口发生变化，原有结论立刻失效。把覆盖组合数作为一项独立指标，可以提醒团队定期检查监测范围是否跟上了入口变化。
品牌该怎么应对供给集中
第一是建立跨模型的问题库。同一组问题在多个模型上跑，记录回答差异与引用来源差异，而不是只看单一平台的排名。第二是把内容做成可解析结构，减少模型理解成本。第三是缩短复测周期，把季度复测改为月度，对高价值品类做到周度。
三项里，跨模型问题库最基础。没有它，品牌无法判断某次可见度下降是自身问题还是模型更新导致；有了它，至少能把变化归因到具体入口，再决定是补内容还是等版本稳定。
竞品对比该怎么做才不失真
竞品对比最容易失真的地方是样本不一致。若品牌在 A 模型测、竞品在 B 模型测，得出的位次差没有意义。正确做法是在同一组问题、同一批模型、同一时间窗口内同步采集，再按入口分别比较，最后看整体分布。
另一个失真来源是时间。模型版本更新会让同一组问题的回答整体重排，跨版本比较必须做趋势对照而不是绝对值对照。这也是为什么竞品对比报告要标注采集日期与模型版本，否则读者无法判断结论是否仍然有效。
常见问题
模型供给集中对品牌有什么影响？
三个后果：回答风格趋同、信源权重集中、更新节奏同步。品牌刚建立的可见度基线可能因一次版本更新整体失效，监测需按模型与入口的组合来做。
为什么不能只在一个平台测可见度？
结论无法外推。不同入口的引用偏好与回答结构不同，只测单一平台会把局部结论当成整体结论，入口变化后原结论立即失效。
内容该做成什么形态更容易被引用？
结构清晰、事实密度高、字段可解析。模型厂商的优化方向服务调用量大的场景，可解析内容在检索与生成环节都更容易被取用。
竞品对比最容易失真的地方在哪？
样本与时间不一致。必须同组问题、同批模型、同一时间窗口采集，并标注采集日期与模型版本。
