2026 年 7 月 14 日，Anthropic 发布了 Claude for Teachers。距离 OpenAI 在 2025 年 11 月 19 日推出 ChatGPT for Teachers，正好过去约八个月。两款产品都面向通过验证的美国 K-12 教育工作者，都不向学生提供账号，也都承诺工作区里的输入和输出默认不用于模型训练。
表面看，这只是两家公司先后送给教师一个免费的聊天框。真正的差别藏在产品从哪里开始。OpenAI 先做了学校可以统一管理的工作区，至于什么算好教案，主要由教师和学区自己设定。Anthropic 先把课程标准和备课规则写进工作流，学区需要的身份、权限和管理功能则要等后续版本。
这两条路线恰好补上教师 AI 的两项必要条件：学校敢不敢让老师用，老师拿来以后能不能少做无效返工。但把两款产品合在一起，仍然缺了教育最关心的那一步：材料进入课堂以后，学生究竟学得怎么样，系统并不知道。
三个月前，我在《每个学生配一个 AI 老师，这就是 AI 教育的落地方向吗？》里提出，AI 在教育里的更大杠杆可能在教师和课程设计端，而非直接给每个学生配虚拟家教。两家公司这次都把账号先交给成人教师，说明这个入口正在成为产品共识。不过，它们也补出了我当时没有充分展开的两道门槛：好的材料工作流怎样进入学校的治理范围，课堂结果又怎样返回下一轮教学。
这里的“学区”不是中国读者熟悉的入学划片，而是美国公立 K-12 教育的一层地方治理机构。一个 school district 通常管理多所小学、初中和高中，由学区办公室统一负责预算、采购、账号体系、数据隐私和技术规范，校长与教师则在单所学校里落实教学。各州安排并不完全相同，但一款工具能否从个别教师尝试变成正式部署，决定权往往不只在学校，还在学区。
教师让 AI 改一份材料，首先要知道哪些资料可以上传。如果里面有学生姓名、测验分数或特殊教育信息，谁可以访问，学校能否统一收回账号，教师离职以后材料怎样处理，这些都不是一句“数据不用于训练”能够回答的。学区的技术和隐私团队需要管理身份、权限、数据和协作范围，才可能统一批准一款工具。
即使账号已经获批，备课本身也不会自动变轻松。通用聊天机器人不知道某个州五年级数学教到哪里，不知道一项标准下面还有哪些细分能力，也不知道同一个学习目标怎样给不同进度的学生提供支持。教师要自己找到这些背景，再逐项核对生成结果。如果每次都重新解释课程要求，初稿出来得再快，时间也可能在修改和返工中花回去。
OpenAI 和 Anthropic 分别先压低了其中一种成本。顺着这个区别看，两款产品为什么会采用不同的功能、合作与分发方式，就容易理解了。
ChatGPT for Teachers 允许教师、学校职员、校级领导和学区管理员自行验证身份并创建工作区，也为学区提供了把散落账号重新纳入管理的路径。
按照官方指南，管理员可以认领本学区的邮箱域名，也就是 domain claiming，把用这些邮箱注册的账号归到同一个 managed workspace。SAML SSO 让教师使用学校身份登录，RBAC 决定不同角色能用哪些功能，analytics 则让管理员看到整个工作区的使用情况。个人教师可以先开始用，学区以后仍有办法把这些账号收进同一套规则里。
进入工作区以后，shared projects 可以让同事共同维护课程文件和项目背景，Custom GPTs 可以把校内常用的模板与规则保存下来。OpenAI 后来又把 Workspace Agents 放进 Teachers plan，教师可以把重复流程交给后台 Agent 运行。它目前仍是 research preview，长期任务成功率、人工接管和错误恢复都没有公开数据，不能当成已经成熟的学校自动化。
这些功能回答的是谁能用、在哪里协作、管理员怎样管。它们并不自动回答什么算一份好材料。ChatGPT for Teachers 默认没有 Claude 那套专用的 50 州标准图谱和公开教学 rubric，教师与学区需要通过文件、Custom GPTs 或 Agent 加入本地课程规则。强教研团队可以把自己的经验写进去；缺少这些经验的学校，也可能把一份看似完整、实际偏离学习目标的材料复用给更多人。
Claude for Teachers 先处理另一笔成本。它接入 Learning Commons，可以查询美国 50 州课程标准、标准下面的细分能力，以及这些能力通常按什么顺序学习。OpenSciEd 和 IM v.360 等课程资源也进入了这套查询范围。教师不必完全依赖模型记忆来猜标准和先修关系，但仍要检查查询与生成结果。
拿到标准以后，Claude 会按照内置的 Skills 组织任务。Anthropic 公开了 K-12 教师 Skills 仓库，目前正式内置的只有两个：lesson planning 负责从头准备一节课，lesson differentiation 负责调整已有材料。它们不只是一段提示词，还包括参考资料、执行步骤、guardrails、文档脚本和 rubric。
lesson differentiation 里有一条很具体的要求：给学习进度不同的学生增加或减少支持时，核心目标和认知难度不能跟着降低。这类规则能拦住一些常见的材料错误，也让外界有机会检查 Anthropic 所说的“教学对齐”究竟写成了什么。不过，rubric 检查的仍然是材料，正式 Skills 也只有两个。它没有证明教师采用这些材料以后，课堂效果一定更好。
Claude Cowork 又把任务扩展到多文件和周期工作，但它同样处在 research preview。更直接的限制来自学校治理。当前个人教师版不提供 domain claiming、SAML SSO、成员管理和 RBAC，学校与学区专用版本仍在开发。教师能够注册，不代表学区已经授权他上传学生数据；DPA 规定服务商如何处理数据，也不能代替学校内部的授权、审计与集中撤销。Claude 最有增量的场景往往需要更丰富的班级背景，产品当前最缺的恰好是管理这些背景的学区控制面。
合作名单很容易把产品覆盖、实际使用和教育效果混在一起。把证据按顺序排开会清楚很多：先是宣布开放，再是学校部署与培训，然后才是教师真的持续使用。更往上还要测教师是否客观省时、材料是否改善，最后才轮到学生学习结果。
OpenAI 发布时说，首批 16 个合作机构代表近 150,000 名 teachers and staff。这里的动词是“代表”。15 万是这些机构的人员范围，并非开通账号数、活跃用户数或培训完成人数。首批机构的实施进度也不一致，有的已经建立受管工作区，有的公开信息仍停在合作公告。
U-46 提供了目前少见的实际使用人数。根据 Chicago Tribune 的报道，当时有 756 名员工正在使用 ChatGPT for Teachers。47% 的用户回复了调查；在这些回复者中，超过 80% 至少每周使用数次，70% 以上自报每周节省 1-5 小时。
这组数字足以说明产品在一个学区越过了“有资格使用”，进入早期实际采用。它还不是留存或效果评估。调查只收到不到一半用户的回复，积极使用者更可能回答；节省时间来自回忆式自报；学生是否因此学得更好，报道没有提供数据。
Claude for Teachers 刚刚发布，目前能确认的是产品可用、标准查询和两个 Skills 可以检查。Prospect Schools 提供的是 early feedback，Detroit Public Schools Community District 宣布的是未来评估。冰岛试点、卢旺达合作与 Teach For All 网络能证明 Anthropic 在接触真实教育系统，但机会池、培训和合作不能换算成本产品的活跃用户。
更广的领域研究同样需要放回正确位置。Stanford SCALE 汇总的早期因果研究显示，面向教师的 AI 工具可能减少备课时间，同时维持材料质量。证据仍然不多，而且研究的不是 ChatGPT for Teachers 或 Claude for Teachers，更没有证明学生学习随之改善。
所以，ChatGPT for Teachers 在机构部署上更成熟，也已经出现少数学区的早期使用数据。Claude for Teachers 的教学材料工作流做得更深，实际部署、留存和结果证据则刚刚起步。这里没有一个总分可以宣布谁赢，因为两者成熟在不同位置。
两家公司目前最显眼的优势都可能被追上。Learning Commons 把部分知识图谱、评估器与 Skills 作为公共基础设施开放，其他平台也可以采用类似的标准查询和材料规则。Anthropic 将来可以补齐学区版本，但功能发布不等于学校已经愿意采用，身份整合、数据权限、支持和续约仍要逐项验证。
更难的一段发生在材料离开 AI 以后。教师把教案打印出来或导入学习系统，ChatGPT 和 Claude 通常就看不到后续发生了什么：学生在哪一步卡住，老师临场改了什么，下一次测试是否还记得。模型可以检查教案有没有标出正确标准，却无法从教案本身知道学生是否学会。
把课堂数据接回来也不是简单加一个 connector。学生练习、教师修改和长期成绩涉及新的隐私授权、数据质量与归因问题，还会增加教师记录和学校实施的负担。教师端产品真正要影响学习，既要让教学规则进入可复用工作流，也要让工作流进入学校治理，最后还要在可承受的成本下获得课堂反馈。OpenAI 与 Anthropic 分别把前两件事中的一件做得更完整，第三件事仍然没有产品证明。
这也给出了今天较实际的选择。如果学区最缺的是统一身份、权限和协作管理，ChatGPT for Teachers 的完成度更高。如果一位专业教师最想减少标准查找、学习目标细分和差异化材料返工，Claude for Teachers 提供的增量更明显。两种选择都需要教师承担最后的教学判断。
接下来真正有信息量的指标不会是又一批合作名单，而是 90/180 天后还有多少教师持续使用，扣除核查与返工以后究竟省了多少时间，Agent 发生过哪些失败或越权，材料进入课堂后实施得怎样，以及撤掉 AI 支持以后学生还保留了多少。教师端已经成为 AI 教育的新入口。现在要验证的，是这个入口能不能一路通到学习。