作者：腾讯科技

 

美国当地时间10月16日，Anthropic发布了一份关于自身劳动力结构的内部研究报告——《Anthropic就业之变》（How Employment is Changing at Anthropic）。

这项研究基于Anthropic内部的就业记录、AI使用遥测数据、员工产出指标、员工调查、内部沟通记录、日历数据和招聘决策评分卡，并结合17次员工深度访谈，系统分析了公司在深度应用AI后，工作内容、招聘结构和劳动力需求的变化。

报告提出了四项主要发现：

首先，Anthropic初级技术岗位的招聘占比显著下降，从2025年初的27%降至2026年的9%。但公司整体就业规模仍在扩张，受到挤压的是入门级岗位，而非岗位总量。

其次，AI智能体的工作时长迅速增长。截至2026年8月，Anthropic员工直接指导的交互式智能体，其工作时长已达到人类操作者的6倍。多个岗位的生产率有所提升，研究团队通过对照分析进一步评估了AI的独立贡献。

第三，员工的工作内容正在发生结构性变化。从直接执行任务，到构建工具、监控工作流程和管理智能体，员工的工作重心逐渐转移。与此同时，人类注意力成为新的瓶颈，招聘标准也开始从领域专长转向自主性和判断力。

第四，Anthropic已开始建立早期预警系统和内部人员调配机制。但报告指出，企业层面的应对措施仍不足以解决入门岗位收窄等更广泛的社会问题。

作为AI应用最前沿的企业之一，Anthropic内部的这些变化，为观察AI可能如何影响其他企业的工作方式和招聘需求提供了一个样本。

初级岗位招聘收缩

报告中最引人关注的数据，是初级技术岗位招聘比例的大幅下降。

自2025年初以来，Anthropic技术部门中初级员工的占比从21%降至14%，初级技术岗位的招聘占比则从27%降至9%。2025年12月之后，初级岗位招聘启事的数量出现了尤为明显的下降。

Anthropic入门级技术岗位招聘下降

这一变化并非源于公司收缩。相反，Anthropic在过去一年中规模扩大至原来的三倍，技术岗位的绝对数量仍在增长。真正发生变化的是招聘结构：新增岗位更多集中在中高级和专家层级，初级岗位的入口则明显收窄。

对初级岗位需求的讨论最早出现在2026年1月的核心技术部门。

一些重度使用Claude的团队发现，基础代码编写、漏洞排查等常规工程任务越来越多地可以交由模型完成。性能工程师岗位受到的影响尤为明显。一位受访者表示，这几乎在一夜之间改变了团队对人才的需求。

Claude使用复杂度较高的岗位，初级员工增长相对较慢

到2026年4月，工程和研究团队已开始系统性地下调低职级岗位的招聘权重。当月的内部调查显示，约三分之一的机器学习经理和五分之一的软件工程经理表示，他们因使用AI而减少了招聘人数。

初级岗位首先受到冲击，与这类工作的特点有关。

入门级工作通常具有规则清晰、执行性强的特征，而这正是当前大语言模型能够较好处理的领域。代码编写、数据处理、文档整理和客户支持等任务，都在不同程度上受到AI的影响，模型完成这些工作的能力也在持续提升。

当模型能力每几个月跃上一个台阶，最先被替代的可能会是技能阶梯的“最下端“。

非技术部门也呈现出类似趋势。通常，企业规模扩张时，行政、财务、人事等支持部门也会相应增加人员。但在Anthropic，智能体助手、自动化审核和工单服务外包等方式，使公司在快速扩张的同时，仍维持着精简的文职人员配置。

一位行政助理开发了用于日程管理和邮件分类的个人助理智能体，并表示，团队已经过了利用Claude增强入门级行政岗位的阶段，工作重心开始转向更高层级的协调与规划任务。

智能体工时达到员工6倍

招聘结构的变化背后，是智能体在公司内部的快速普及。

2026年3月，Anthropic内部自主运行和由员工直接指导的两类AI智能体，其累计工作时长首次超过了人类员工的工作时长。此后，智能体的工作时长继续增长。到今年8月，仅员工直接指导的交互式智能体，其工作时长就已达到人类员工的6倍。

智能体工作时长已超过人类时长

大量智能体被部署在软件工程领域，承担测试用例生成、代码检查、基础设施维护和代码库迁移等任务。这一数据尚未包括完全自主运行的智能体集群。对单个工程师而言，这意味着其可以同时安排多个智能体持续执行任务，并对其生成的代码和分析结果进行检查。工程师的工作也逐渐从亲自编写代码转向任务分配和结果审核。

生产率的变化也反映在具体数据中。报告显示，工程师人均代码提交量在6个月内增长至原来的5倍，数据科学家的查询处理量大幅上升，律师、应付账款和销售等非技术岗位的产出也有所增长。

Anthropic多个职能部门采用AI技术后，员工生产率激增

为了排除业务增长等因素的干扰，研究团队采用了对照分析方法。他们追踪了192名采用编码智能体的工程师，并以同期尚未采用该工具的74名工程师作为对照组，利用个体和月份双向固定效应进行估计。

结果显示，采用编码智能体后，工程师的代码提交量出现了统计上显著的快速增长。

Anthropic工程师采用编码智能体后产出上升，AI生成代码的回退率与手写代码无显著差异

对于AI是否会生成低质量代码的问题，报告也进行了分析。

研究团队比较了同一名员工在同一个月、同一个代码目录下，由智能体直接生成和由员工手动编写的代码，并以代码在90天内被删除或回退的比例作为质量评估指标。结果显示，两者在代码质量上不存在统计上显著的差异。至少从代码回退率来看，AI生成的代码与人类手写代码表现相当。

非技术岗位的生产率也有所提升。报告显示，销售代表采用智能体后，完成的客户交易数量有所增加。一位客户主管估计，Claude自动化了约20%的常规工作，包括起草邮件和操作客户管理系统。

另一位受访者表示，自动化释放的时间使其能够增加30%的客户面谈量。

从执行者到智能体管理者

智能体数量增长和生产率提升，并没有让员工从工作中解脱出来。相反，人类注意力正逐渐成为智能体产出的瓶颈。

报告显示，在交互式会话中，智能体约80%的时间处于等待状态，需要人类下达指令、确认结果或提供下一步方向。

研究团队还按照普通人的阅读速度，将智能体输出的token换算为阅读时间。结果显示，非技术部门的交互式Claude会话产生的内容，阅读起来已足以占据员工每周相当大一部分工作时间。仅阅读和处理AI生成的内容，就成为一项不容忽视的工作负担。

仅阅读Claude的输出，就相当于一份全职工作量

面对这一变化，员工逐渐形成了一种新的工作方式。报告将其称为“元工作”（meta-work），即围绕智能体开展的管理性工作，包括构建管理工具、编写常设指令、设计监控仪表盘，以及安排不同智能体相互审查。这类工作的核心，是不再直接执行具体任务，而是设计和管理由AI完成任务的流程。

相关数据也记录了这一转变。2025年秋季，“元工作”约占员工交互式Claude会话的10%。到2026年春季，这一比例升至22%。增长主要来自智能体管理活动，包括为多智能体系统编写规格说明、安排智能体交叉审查，以及监控工作流程的运行状态等。

Anthropic员工越来越多地在管理智能体，而非做实际工作本身

工作方式的变化也体现在招聘标准上。

研究团队对2024年以来Anthropic数千名员工的面试评分卡进行了自动编码分析，发现技术岗位中提及AI工具使用能力的评估比例从约5%升至约15%，非技术岗位则从约7%升至约28%。

与此同时，招聘评估的重点也发生了变化。技术岗位中，自主性和判断力成为增长较快的评估维度，领域专业知识的权重相对下降；非技术岗位则更加重视客户意识和使命导向，对执行技能的讨论有所减少。一位招聘经理表示，他预计模型能力在不同领域仍会存在差异，因此希望团队成员能够在不同领域之间灵活切换。

报告中的一个案例也体现了这种变化。

Anthropic一支负责撰写Claude.ai产品问候语的设计团队，在2026年春季开发了上下文图谱系统，引导智能体生成产品文案，从而扩大了团队的产出能力。随后，该团队转向智能体提示工程，开始负责撰写模型评估内容和提示词。

报告对此作了一个概括：曾经通过语言影响人类行为的写作者，如今开始通过语言影响Claude的行为。换言之，岗位的名称和外壳没有改变，但其工作的内核可能已经不同。

入门阶梯面临挑战

Anthropic的案例呈现了AI对就业结构的影响。作为AI应用最前沿的企业之一，公司内部发生的变化，为观察其他行业未来可能面临的变化提供了参考。

从目前的情况看，AI对就业的影响首先体现在认知劳动的入门层级。初级程序员、入门分析师、一线客服、基础文案和初级财务等岗位，过去通常是大学毕业生进入职场的起点，如今正逐渐受到AI的影响。

这一变化带来的问题不仅是岗位数量的变化。初级岗位也是员工积累经验、学习业务流程和逐步成长的重要起点。当这一层级收缩，年轻人获得第一份工作和积累职业经验的机会也可能随之减少。如果企业对新人的要求逐渐转向AI工具使用能力、判断力和自主性，那么这些能力应该在什么阶段、通过什么方式获得，也成为需要面对的问题。

报告讨论了企业可以采取的几项措施：

第一，通过广泛的股权共享机制，让员工分享AI推动生产率提升所带来的收益。当员工需要管理智能体、承担更多决策责任时，将个人利益与组织目标相结合就显得更加重要。

第二，建立早期预警系统，持续监测AI对不同岗位的影响，并提前规划受影响员工的内部转岗。

第三，强化内部流动机制。当原有任务逐渐实现自动化时，帮助员工转向新的工作领域，而不是直接将其推向外部劳动力市场。

但企业内部的措施仍不足以解决更广泛的社会问题。Anthropic作为一家前沿AI公司，有条件为员工提供内部转岗和利益共享机制。对于大多数传统行业的企业和员工而言，这些资源和制度安排未必具备。谁来帮助这些企业识别岗位变化？谁来承担员工技能转换的成本？这些问题已经超出了单一企业的应对范围。

报告末尾有一句话值得注意：“一支焦虑担忧的劳动力，不是一支尽力工作的劳动力。”

这句话提示我们，AI对就业的影响不仅是经济性的，也是心理性和社会性的。

当工作的定义在快速变化，当入门的门槛在持续抬高，当每个人都需要不断证明自己不会被AI替代，这种持续的不确定性本身就会成为一种广泛的社会心理负担。

Anthropic的实验仍在继续。智能体的能力不断增强，应用数量持续增长，人类与AI之间的工作分工也在不断变化。这场变革的最终形态尚不明朗，但有一点可以确定：工作可能不会消失，但工作的含义、门槛和价值排序，正在被改写。