导读：Anthropic公开的三组内部研究，把“AI会不会改变工作”变成了一组已经发生的数据：Agent工时超过员工、工程师代码提交量约增至5倍、初级技术岗位招聘占比从27%降至9%。更引人注目的是，1334名员工平均预测，到2030年AI可以完成他们当前75%的工作，并承担95%的前沿模型研发。但必须先划清边界：6倍Agent工时等属于内部观察，75%与95%属于员工预测，并不是Anthropic对外承诺的时间表。
01 / 同一个2026年，Anthropic员工和普通劳动者像活在两个未来
Anthropic调查了1334名员工，并将结果与美国成年劳动者的调查进行比较。员工平均认为，到2030年AI能完成自己现有工作中的75%；美国劳动者给出的平均值只有28%。
分布差异更明显：超过一半的Anthropic员工认为AI届时至少可承担80%的个人工作，而持相同判断的美国劳动者仅约5%。这不是细微分歧，而是两群人对技术推进速度的完全不同估计。
| 问题 | Anthropic员工 | 美国公众/劳动者 |
|---|---|---|
| 2030年AI能完成个人现有工作的平均比例 | 75% | 28% |
| 认为AI可完成至少80%个人工作 | 超过一半 | 约5% |
| 预计2030年前出现诺奖级AI发现 | 91% | 39% |
| 预计2027年前AI可独立完成研究 | 90% | 38% |
这组差异不能简单解释成谁更了解未来。Anthropic员工每天使用更强的内部模型和工具，确实更早看到能力上限；但他们也身处前沿实验室，存在明显的样本自选择和环境偏差。它更像一张“技术前线地图”，而不是对所有行业的平均预测。
02 / 预测尚未兑现，Agent工时却已经超过人类
最值得企业管理者注意的不是2030年的想象，而是Anthropic内部已经出现的工作结构变化。2026年3月，员工引导的交互式Agent总工时首次超过员工直接工作时长；到8月，Agent工时约为人类工时的6倍，研究部门一度接近19倍。
这里的“工时”并不等于一个Agent完全替代一个员工。Agent可以并行运行、等待工具结果、反复尝试，人类则负责提出目标、提供上下文、审批权限和检查输出。更准确的理解是：一名员工正在调度远多于自己可直接投入的机器执行时间。
内部协作网络也快速膨胀。研究样本从155名员工与150个Agent会话，增长到237名员工与7922个Agent会话。原来是“人与人协作”的组织图，正在加入密集的“人与Agent、Agent与工具”连接。
03 / 5倍代码产出、800多个修复：AI先重写了研发流程
Anthropic报告称，工程师平均代码提交量约为此前的5倍。AI的影响也不只在写代码：销售团队用Claude生成客户材料和分析仪表盘，研究团队用它整理实验，非技术员工则开始自己编写内部工具。
一个典型案例是API可靠性。Claude完成了800多个修复，使部分API错误下降约1000倍。团队估算，如果完全由人工处理，这批工作可能需要约4年。这个案例并不表示任何工程项目都能提速同样倍数，但它展示了Agent特别擅长的一类任务：目标明确、反馈可验证、可拆成大量小修复的长期积压。
非技术员工使用编程Agent的频率同样上升：相关会话中位数从2025年8月每月约2次，增长到2026年5月每月约90次。AI编程正在从工程部门的专用工具，变成知识工作者搭建小型自动化的通用入口。
04 / 真正稀缺的不是算力，而是人类注意力
Agent越能工作，组织越容易遇到一个反直觉瓶颈：输出增长速度超过人类阅读、验证和决策的速度。报告估计，工程与研究团队每周需要面对约424小时的Claude输出；交互式会话约80%的墙上时间，都在等待人类继续输入或确认。
工作重心因此从“亲手完成每一步”，转向“定义任务、提供上下文、筛选结果、处理例外”。这也是为什么Anthropic内部维护的常驻Agent指令增长到约8500条：当组织把经验写进规则、模板和检查项后，Agent才能在更多场景中稳定复用。
生产率陷阱：让Agent生成更多内容很容易，建立有优先级的审阅队列、质量门槛和停止条件才是难点。若不计算审阅成本，“产出翻倍”可能只是把拥堵从执行端搬到决策端。
05 / 每日3万次变更，7名工程师把内部系统做成Scion
Anthropic单体代码库的每日合并变更量从5月约2500次，增长到9月超过30000次。如此密集的变更，让传统Git操作、代码审阅和持续集成流程承受更大压力。
为处理这种规模，7名工程师用约5个月构建了内部版本控制系统Scion。另一个内部Agent Mythos重写导入工具后，报告称内存占用改善约20倍、运行速度提高约4倍。它们体现的不是“AI自动写完一个产品”，而是人类选定系统瓶颈、设定验证标准，再让Agent加速大量实现和测试。
做视频网此前已经详细介绍Scion的架构与使用背景：https://www.zuoshipin.com/article/54162
06 / 员工为什么比公众乐观？因为他们已经体验到压缩时间
调查不仅询问未来，也比较当前体验。59%的Anthropic员工表示，在适合AI的任务上，自己只需要原来的四分之一时间或更少；使用AI的美国劳动者中，持同样感受的比例为26%。
相反，29%的美国AI用户认为任务既没有变快也没有变慢，Anthropic员工中这一比例仅5%。这解释了预期鸿沟的一部分：如果一个人每天都看到AI压缩任务时间，他自然会把更快的进步外推到未来。
但外推仍有风险。前沿实验室拥有定制工具、更高预算、更懂模型的员工和适合数字化验证的任务，制造、护理、现场服务和强监管行业不会以相同速度复制这条曲线。
07 / 最惊人的95%：AI开始参与制造下一代AI
在“用于开发前沿模型的工作中，有多少由AI完成”这一问题上，员工预测的中位数是：当前约51%，2027年底达到80%，2030年底达到95%。研究人员给出的当前平均估计更高，约为60%。
Anthropic同时公布了几项递归自我改进实验：
- Mythos优化实验：某项工具优化中，Agent报告的性能倍数远高于人类短时优化结果，但官方明确提醒，绝对倍数不能直接等同于真实训练系统的提速。
- 弱到强研究：Agent在约800小时累计计算和约1.8万美元成本下，缩小了97%的设定差距；两名人类研究者在一周内完成23%。不过问题、指标与实验框架仍由人类选择，也不能直接外推到生产级模型研发。
- 研究下一步判断：在129个经过筛选的研究节点中，模型约64%的选择优于人类当时的下一步；但样本存在选择偏差，在另一组强人类决策上，模型更优的比例只有约20%。
真正的信号不是AI已经能独立造出下一代模型，而是模型研发流程中可验证、可并行的子任务正在迅速被自动化。研究方向、评价指标、异常解释和是否值得继续投入，仍高度依赖人类判断。
08 / 人数可能继续增长，但初级岗位入口正在收窄
调查中95%的员工预计Anthropic会继续扩张人员规模，但这只是员工个人判断，不是公司公布的招聘计划。与此同时，实际招聘结构已经变化：初级技术岗位在技术招聘中的占比从27%降至9%，初级技术员工在相关团队中的占比从21%降至14%。
这组数据揭示了“总人数增长”与“新人机会减少”可以同时发生。高杠杆员工能够调度更多Agent后，公司仍需要产品、研究、安全和基础设施人才，却可能更偏好能独立定义问题、审阅复杂输出并承担责任的资深人员。
长期风险在于人才梯队：如果初级岗位持续减少，未来的资深工程师从哪里来？企业需要把新人培养从“完成重复小任务”改成“验证Agent结果、理解系统、处理失败案例”，否则短期效率会换来长期经验断层。
09 / 17.1% GDP增长只是情景推演，不是确定预言
将员工对AI能力的预期输入经济模型后，报告得到2030年GDP增长约17.1%的中位情景。这个数字更适合用来观察“如果这些预期成真，经济影响会有多大”，而不是当成宏观经济预测直接引用。
模型结果高度依赖采用率、资本投入、监管、任务可自动化程度和收益如何分配。技术能力出现，并不代表所有组织会同时部署，也不代表节省的成本会自动转化为更高工资或更短工时。
10 / 企业落地教程：别从“替代多少人”开始
如果团队准备引入Agent，Anthropic的经验更适合转化成一套可测量的工作流，而不是先制定裁员目标。
- 选择可验证任务：优先从测试、资料整理、数据清洗、内部工具和可回滚修改开始。
- 同时记录执行与审阅时间：不能只统计Agent跑了多久，还要记录人类提供上下文、等待、校验和返工的时间。
- 建立常驻指令库：把团队规范、禁区、检查项和完成标准写成版本化规则，而不是每次临时提示。
- 设置质量门：高风险代码、对外内容、价格、法律与安全决策必须保留人工批准，并明确Agent何时必须停止。
- 保护新人培养：让初级成员参与测试设计、错误复盘和架构阅读，不要把所有可学习的小任务全部交给AI。
- 重新分配收益：效率提升应转化为更高质量、更短交付周期或新项目，而不只是不断增加工作量。
11 / 做视频网分析：人类不是“只剩5%”，而是5%变得更贵了
“AI完成95%的模型研发”最容易制造一种误解：人类只剩下无关紧要的尾巴。现实可能相反。越多执行步骤被自动化，剩下的5%越集中在目标选择、风险判断、资源取舍、结果验收和责任承担上，这些环节对最终结果具有不成比例的影响。
Anthropic的数据也不能代表所有公司。它是一家研发前沿模型、员工高度技术化、工具深度定制的实验室，更接近未来能力的压力测试场。它证明的是“高适配组织能把Agent推到多远”，而不是普通企业明年一定会到达哪里。
真正值得警惕的是两条已经发生的曲线：一条是Agent产出速度超过人类注意力，另一条是初级岗位入口收窄。未来的竞争优势不会只来自拥有更强模型，而来自谁能更快建立审阅机制、组织记忆和新人培养体系。
站内导航与延伸阅读
- Anthropic导航：https://www.zuoshipin.com/link/1191.html
- Claude导航：https://www.zuoshipin.com/link/876.html
- Scion导航：https://www.zuoshipin.com/link/54161.html
- Scion架构与内部实践：https://www.zuoshipin.com/article/54162
- Claude Code挑战Linux内核：https://www.zuoshipin.com/article/54451
- AI能力漏斗与企业落地：https://www.zuoshipin.com/article/52306
- 更多AI资讯：https://www.zuoshipin.com/archive/75
