Anthropic 產品主管 Dianne Penn 描述的不是一套「AI 產品方法論」。她談的是在模型能力每幾個月就改變一次的環境裡，產品、研究、評估與人類判斷如何一起工作。
來源：Lenny’s Podcast 訪談〈Why the best product leaders are building for 2028 | Dianne Penn (Anthropic)〉。原始發表日期：2026 年 7 月 26 日。本頁整理受訪者的經驗與觀點，並以完整英文逐字稿作為「問 AI」原始資料；不代表投資、職涯或技術採購建議。
Penn 在 2023 年加入 Anthropic 時，產品團隊很小，Claude 與 coding 幾乎不會被放在同一句話裡。她描述的工作起點不是先定義一張長期功能清單，而是緊貼模型的使用現場：人們是否已經把模型從自動補全，改成能處理一段段真正的程式工作？
這種觀察很重要，因為模型能力不是穩定的底座。若產品團隊只把模型當成固定 API，規劃會很快落後。研究能力、使用者行為、產品介面三者必須一起更新，產品經理的責任也從「收集需求」變成辨識哪個新能力已經跨過可用門檻。
Penn 把 Opus 4.5 與 Claude Code 的關係說得很直接：模型本身與產品體驗彼此放大。沒有 Claude Code 這種把模型帶入實際開發流程的產品，模型的進步不一定會被大量人看見；沒有更強的模型，產品也難以形成同樣的採用動能。
這不是把研究成果「包裝得更漂亮」。程式代理、工具使用、電腦操作、Skills 與推理功能都會改變使用者可交付的工作範圍。產品團隊要處理的是介面、權限、失敗時的回復方式與信任邊界，讓能力不只在展示中驚人，而能在工作裡被反覆使用。
因此，產品策略的單位不再只是功能，而是一個能被完成、被檢查、被修正的任務。模型越能替人執行，產品越需要讓人理解它做了什麼、還不知道什麼。
訪談多次回到 evals。Penn 的說法不是評估可以取代產品判斷，而是產品團隊必須建立足夠接近真實工作的測試：任務是否完成、結果是否可用、失敗在哪裡、下一次是否改善。當模型更新頻繁，單靠規格文件很難保存團隊的共同判斷。
這也改變研究與產品的合作方式。產品提供最值得驗證的任務與使用脈絡，研究把能力推進，評估再把「感覺有變好」轉成可比較的訊號。這條回路讓團隊可以快速嘗試，同時避免每一次模型升級都只靠印象做決策。
不是「模型是不是更聰明？」而是「在這個明確任務中，它是否以可接受的成本、可靠度與可檢查性，讓使用者多完成了一步？」
Penn 也談到 Claude 的「會推回來」：模型不是永遠順從的輸出器，而有一套約束與行為原則。這讓產品設計面對另一個問題：使用者希望模型主動到什麼程度？何時需要提出異議？何時必須要求更多資訊或讓人確認？
她對 AI 寫作與使用 AI 的提醒也很務實。模型能讓人更快開始、更快做出草稿，卻不會自動提供判斷責任。驗證來源、挑選任務、設定標準、理解例外，以及在有風險時暫停，仍是人要承擔的工作。
所以「為 2028 年做產品」不只是預測模型會多強，而是先設計一個能承受未知能力的系統：能力變強時可以接上，能力失誤時可以看見，人仍保有否決與校正的位置。
產品領導者不是替
下一次模型發布排程，而是建立一條能持續判斷「這個能力現在值不值得交給使用者」的路。
根據 Dianne Penn 對 Anthropic 早期、Claude Code、評估與人類判斷的訪談脈絡整理。
這不是測驗。選一個你認為組織最容易忽略的環節。