编者摘要：在 Anthropic 内部，前沿大模型首先改变了员工的日常工作模式，人机协作成为主流工作方式。AI 承接大量初稿撰写、信息检索、代码调试、内容校验等重复性、基础性任务，压缩基础事务耗时，员工得以聚焦模型研发、策略设计、安全评估等高阶创造性与决策类工作，单人可承担更大范围任务，岗位边界逐渐模糊。
岗位结构出现动态调整，传统辅助类岗位需求收缩，同时新增 AI 安全、模型对齐、智能体评估等新兴岗位，人才能力要求转向人机协同素养。员工工作内容不再以独立完成为主，转变为提示词设计、AI 输出审核、结果迭代优化，对批判性判断能力要求大幅提升。
与此同时，内部也伴随不确定性。员工感知到 AI 持续迭代带来的技能迭代压力，担心自身工作被模型逐步替代。Anthropic 并非大规模裁员，而是通过任务重组、职能转型完成就业重构。整体看，内部就业变化核心不是简单减员，而是工作任务、能力模型与岗位职责的重新分配，倒逼组织同步更新考核标准、人才培养机制，适配 AI 原生的工作范式。
附录 Anthropic 内部就业形态正在发生何种变化
2026 年 10 月 16 日 报告 PDF：https://www-cdn.anthropic.com/72628f1863c53432195db83279252dfd2cb53158/Employment%20at%20Anthropic.pdf
结论
引言 前沿场景下的劳动力需求 AI 是否推动 Anthropic 生产力提升？ 瓶颈与流程：高度依赖 AI 的职场中新旧任务 企业可以采取的举措 推荐引用格式 致谢 参考文献 作者：内森・威尔默斯、蕾吉娜・卡蒂蓬、马克西姆・马森科夫、彼得・麦克罗里
AI 将如何重构工作与就业？Anthropic 作为 AI 落地前沿企业，其内部变化可以作为先行信号，预示 AI 将如何改变全社会的工作组织、招聘偏好与劳动力需求。
要点
-
Anthropic 初级技术岗位招聘占比持续下降，与此同时 AI 智能体相对人类的工时快速扩张。截至 8 月，交互式 AI 智能体工时已经达到人类员工的 6 倍。 -
随着 AI 智能体在公司全面铺开，Anthropic 人均产出代码量提升，销售人员人均成交订单增多，合同处理量上涨。长期追踪同一员工可见：当员工开始使用新 AI 工具，个人产出随之上升。 -
生产力的提速，让人类注意力成为智能体产出的瓶颈。即便是非技术岗员工，仅仅阅读 Claude 智能体输出的全部内容，就要占用半个工作周。为此员工开始从事大量 “元工作”：搭建可视化工具、监控智能体工作流水线。 -
工作组织模式的变化，体现在招聘负责人的用人偏好上：相比专业技术能力与落地执行能力，招聘方越来越看重候选人的自主决策能力与判断力。
引言
当 AI 能力持续变强，我们会迎来怎样的工作与就业变革？研究 Anthropic 很有价值，因为公司已经把整套工作流深度基于 AI 搭建。智能体在 Slack 中参与对话、安排会议，自主修复漏洞、协同完成大型工程项目。智能体总工时已经达到人类工时的 6 倍。Anthropic 当下正在发生的一切，为未来的工作与就业图景提供了前瞻性信号。
本报告基于 Anthropic 内部全量数据：人员雇佣、AI 使用、产出指标、员工调研、内部沟通记录、员工日程、招聘决策记录；同时辅以 17 份员工访谈，用定性资料补充量化数据。
研究发现：即便公司整体规模仍在扩张，初级技术岗位的相对招聘规模已经放缓。工程师与非技术人员的生产力显著提升，在使用代码智能体之后出现跳增。招聘经理越来越看重候选人的自主判断力，而非特定领域的专业技术。在高度 AI 化组织中工作的典型特征，就是持续面临压力：尽可能把自己从瓶颈位置自动化替代。一名工程师这样描述工作感受：“面对一整支 Claude 大军，每一个都等着我分配注意力。” 员工依旧不可或缺，但他们创造价值的方式已经彻底改变。
Anthropic 针对这一系列变化搭建了预警系统，跟踪存在被 AI 替代风险的岗位；岗位发生变动时，公司优先开展内部岗位调配。这些发生在 AI 研发与职场变革前沿的举措，展示了组织承诺如何影响 AI 对就业的冲击。但同时，这些实践也引出难题：这类组织承诺究竟该如何设定边界。
前沿场景下的劳动力需求
Anthropic 规模扩张速度很快，但单位营收对应的新增雇佣人数，少于上一代大型科技公司。成立满五年时，Anthropic 人均营收是 Meta、谷歌快速增长期的 2–4 倍。
哪些岗位需求萎缩了？2026 年 1 月，Anthropic 核心技术团队内部已经开始讨论：初级技术岗需求下滑。深度使用 Claude 的团队发现，代码编写、漏洞排查这类工作越来越多地交给 Claude 完成。新一代大模型的能力提升，放大了这种感受：“最让人意外的是性能工程师岗位的能力提升，几乎一夜之间，我们的用人标准就变了。”
到 4 月，工程与研究团队已经减少低职级技术岗位招聘。同月调研显示，大多数管理者表示，AI 改变了他们招聘时看重的能力。约三分之一机器学习团队负责人、五分之一软件开发经理表示，因为 AI，他们减少了招聘。
人员结构的变化十分显著。图 1 显示：自 2025 年初，Anthropic 技术部门初级员工占比从 21% 下降至 14%；初级技术岗新招聘占比下滑更快，由 27% 降至 9%。2025 年 12 月之后，初级岗位招聘需求降幅尤为明显。
图 1：Anthropic 初级技术岗招聘收缩
与此同时，过去一年，技术部门员工在公司总人数中的占比从 61% 下降到 56%。公司扩张过程中，技术岗绝对招聘人数仍在增长，但销售、财务、招聘等业务岗招聘增速超过技术岗。一部分原因是企业规模化过程中业务职能自然扩张；另一部分原因是代码工具让非技术人员也可以自主开发软件。举个例子：一名销售搭建了适配自身工作的定制看板与业务流程：“这类开发本来不在我的能力范围，尤其是 UI 界面、各类工具和 MCP 协议对接。但我只花三四个小时，反复调试就完成了。” 非技术员工（基线无代码提交记录，不含新入职员工）使用代码类 AI 智能体的会话数量，从 2025 年 8 月每月 2 次，暴涨至 2026 年 5 月每月 90 次。
招聘结构变化，不只是代码自动化让开发能力外溢。在技术部门内部，2026 年 4 月之前的一年里，不直接写代码的员工（过去 30 天无代码提交）占比几乎减半。部分原因是非工程师占比降低：工程师与产品经理比例约 17:1，相比 2025 年持续走高。管理者提交的代码提交量也翻倍。技术团队内的管理协调工作，越来越要求编写、交付代码。
行政类岗位并未随公司规模同步扩张。依托智能体助手、自动审核、工单外包服务，Anthropic 在快速扩张的同时，行政人员规模维持低位。一名财务经理搭建采购申请审核智能体，向同事解释：“这个工具就是用来接管大量重复性工作，让大家把精力放在别的事情上。”
即便是需要线下对接的行政工作，人员增长也十分缓慢。一名高管助理搭建了负责日程管理、邮件分拣的个人智能体，她说：“Claude 已经不再只是辅助基础行政工作，基础助理类岗位已经被 AI 覆盖。我的工作重心转向更高阶的幕僚类事务。”
岗位重构带来人员内部流动：2026 年，入职满一年的员工跨部门调动概率，相比 2025 年提升 50%。部分团队甚至把原有工作交给智能体之后，整体转岗。例如产品文案团队，原本负责 Claude.ai 首页文案，比如 “嗨，夜猫子”、“咖啡配 Claude 时光？”。2026 年春季，该团队搭建了上下文图谱，可以引导智能体自主产出优质产品文案。团队负责人说：“这套方案放大了团队产能”，但也带来疑问：人类文案作者还剩下什么工作？于是团队转向智能体提示词工程，为 Claude 编写模型评测用例与提示词。“原本用语言引导人的文案人员，现在用语言引导 Claude。”
AI 是否推动 Anthropic 生产力提升？
这些变化是否由 AI 驱动？在 Anthropic，人类只是庞大 AI 智能体集群之上薄薄的一层。根据智能体会话遥测数据，2026 年 3 月，自主智能体与交互式智能体的总工时，首次超过人类工时。其中一部分智能体集群承担大规模软件工程：海量常规测试、基础设施代码维护、大规模代码库迁移。即便是员工个人使用的智能体，如图 2 所示，到 8 月，智能体运行工时已经达到操作它们的人类员工的 6 倍。
图 2：智能体工时超越人类工时 注：统计范围限定员工发起的交互式会话，包含子智能体；工时定义为智能体运行时长，含推理与工具调用，排除超过 30 分钟的空闲等待。人类工时按人头、每周 40 小时估算。
Anthropic 是软件研发企业，绝大多数智能体消耗的 token 都用于编写代码。看板系统监控全公司运行的智能体集群。个人助理智能体则管理员工日程、消息，安排会议，从消息里整理待办事项，自动向员工简报即将参会人员与会议目标。Token 正在渗透越来越多日常工作场景。
图 3：多业务线生产力提升 注：基于输出指标做局部加权平滑拟合。
海量 token 转化成了什么？图 3 绘制了多个可量化产出岗位随时间变化的产出。和之前报告结论一致，工程师的代码提交量增速最快，达到半年前的 5 倍。数据科学家更多借助 Claude 智能体查询海量内部数据，把实时指标接入看板，交付给决策人员。图 3 显示，随着代码智能体普及，非技术岗产出同样上涨：律师处理更多合同、应付会计加速发票流转、销售完成更多订单。
但这一切增长都来自 Claude 吗？同一时期公司业务本身高速增长，大模型产品竞争力变强，签单自然更容易。为剥离 AI 独立带来的影响，我们对比两组员工：已经使用代码智能体的员工，和同期还未使用的员工。两组员工处于相同业务环境，仅工具使用状态不同。但需要注意：工具使用不是随机选择；例如准备启动重大项目的员工主动引入工具，会造成估计偏差。
我们长期追踪 192 名使用代码智能体的工程师，同时对比 74 名同期未使用智能体的工程师。图 4 显示，工程师启用工具之后，新增代码量大幅上涨。代码量变多不等于代码质量更好。为检验 AI 代码质量问题，我们分析 Anthropic 代码提交记录：对比同一个员工、同一月份、同一代码目录下，由 AI 智能体生成和由人直接编写的代码。代码质量有多个评估维度，AI 缺陷可能更难被发现。但研究发现，90 天内被删除、回滚的代码行占比，二者没有显著差异。
图 4 同时观察工程师启用完全自主智能体后的变化：启用自主智能体的工程师，本身产出增长曲线就高于未使用者。说明选择使用全自动智能体的员工，本身就在提升产出。
图 4：基于员工分阶段使用 AI 工具估算的个体生产力提升 注：系数对比代码智能体使用者与非使用者，采用员工与月份双向固定效应。干预起点定义为员工首次完成至少 5 次智能体会话。误差棒为聚类到个人的 95% 置信区间。质量对比：同一人编写，区分人工直接编写 / 本人智能体生成；质量代理指标：90 天内因任何原因删除代码行占比、漏洞修复删除代码占比、提交整体回滚、添加忽略检查注释、添加待修复标记、标记测试跳过 / 重试 / 允许失败。
除了写代码，这种变化是否延伸到更广范围的知识工作？从去年 9 月开始，Anthropic 销售代表逐步采用 AI 智能体。图 4 显示，销售代表接入智能体之后，客户签约量提升。一部分原因可能是本身客户资源更好的销售主动选用自动化工具；但也可能是自动化接管了客户记录、常规沟通。一名客户经理说，Claude 自动化负责邮件撰写、客户管理系统对接，替代了大约 20% 原有工作。另一名销售表示，自动化解放了精力，让面对面沟通的客户数量提升 30%：“任何重复工作，我都会思考，怎么用 Claude 做到不用重复做第三次。”
销售之外，Anthropic 律师搭建一系列 Claude 自动化流程：风险识别、法律问题分流、对外文稿初稿法律预审。招聘人员用 Claude 筛选候选人、跟踪简历，原本需要几周的分析工作，一键完成，腾出时间重构老旧面试题库、面试更多候选人。
这说明，随着 AI 能力提升，Anthropic 内部大量岗位都受到影响。从数据直观来看，在 Claude 承担高复杂度任务的岗位，初级岗位人员增长放缓（图 5）。
图 5：按 Claude 使用任务复杂度划分的初级岗位人员增长 注：岗位层面统计；对比 2026 年 1 月与 7 月人数。AI 复杂度基于智能体日志自动标注（2025 年 10–12 月，在初级岗位收缩之前）并做百分位转换。圆点大小代表 1 月岗位人数；回归线加权拟合。
瓶颈与流程：高度依赖 AI 的职场中新旧任务
大规模 AI 落地，改变的不只是就业与生产力，还持续重塑工作流程，催生新任务，改变员工对工作的感知。一名员工形容：“在 Anthropic 永远有紧迫感，尽可能提速，所有事情都交给 Claude。” 另一名员工评价：“在这里一周做完的工作，在别的地方要三个月。” 内部员工调研询问工作流程能否最大化个人生产力：2024 年末 44% 员工认同；2025 年 11 月提升至 58%；2026 年 4 月问卷措辞微调（去掉 “尽可能”），认同率达到 75%。截至 8 月，Anthropic 员工平均预计到 2030 年 AI 可承担自身 75% 工作；美国普通劳动者均值仅 28%。
内部模型版本迭代，不断拉高生产力预期。新模型上线后，员工立刻在交互式代码智能体会话中挑战难度更高的任务。我们用 Claude 自动评分器，基于任务深度、范围、涉及系统数量对匿名会话做难度评级。模型更新后，难度处于旧模型 90 分位以上的任务占比，从全部任务的 10% 提升至 13%，涨幅约 30%，并且在后续几周维持高位；交给智能体的简单任务占比几乎不变。
智能体产出爆发式增长，海量结果扑面而来，挤占人类注意力。一名工程师把这个过程比作带孩子： “它们就像吵着要打开果汁盒，这件事被当成紧急事件，优先级和手指割伤流血同等紧急。带孩子的时候，每个孩子提出的诉求都同等需要你的关注；一众 Claude 也是如此。”
2026 年 4 月开放式调研，问及 AI 对日常工作的影响：27% 员工提到 Claude 工具带来生产力提升；20% 员工表示，自身工作已经从亲手做事，转向管理 Claude 智能体。
在模型驱动的高速运转之下，人类注意力始终是瓶颈。多轮交互式会话里，智能体绝大多数时间不是在运算，而是等待。我们统计空闲时长：用会话总墙钟时间减去智能体实际工作时长。Claude 交互式会话约 80% 时间都在等待人类输入。一名工程师总结：“人，才是智能体的瓶颈。”
读完交互式会话里 Claude 全部输出内容，到底要花多久？我们把智能体输出 token 换算成单词量，按普通人阅读速度估算。图 6 显示，过去半年技术岗位代码智能体输出文本量暴涨。即便是非技术团队，Claude 交互式会话产出的文字，全部读完也要占用超过半个工作周。海量 Claude 生成文本，需要系统化管理。
图 6：阅读 Claude 输出几乎相当于一份全职工作 注：估算方式：token 转单词，按每个 token0.75 词、阅读速度每分钟 250 词。
应对信息洪流的方案之一是继续自动化。但这催生另一类全新工作。给智能体的书面指令，从 2025 年 7 月的几百条，增长到一年后的 8500 条。一名工程师搭建智能体 “幕僚长”，负责智能体请求分流；有人给自己的 Claude 团队写绩效评估：“我们来聊聊沟通方式哪些做得好、哪些不行。” 招聘人员搭建集成看板，由智能体主动发现问题、发起动作。一名律师把重心从法律问题审核，转向 “法律建议的 SEO：撰写框架，让客户那边的智能体可以检索使用。”
图 7 显示这类元工作占员工 Claude 交互式会话工作量的比重，从 2025 年秋的 10% 上涨至 2026 年春季的 22%。增长主要来自智能体管理：编写多智能体运行规范、安排智能体互相评审输出、监控流水线。在各个岗位，人类工作越来越脱离具体代码或文稿本身，转向搭建工具链，让智能体高效完成任务。
图 7：成为 Claude 的管理者 注：元工作判定方法：自动标注 2000 条单行聊天摘要；区分两类会话：一类是搭建 Claude 能力、智能体方案与评审、智能体流水线看板监控、工作文档记录；另一类是业务本身的生产工作。
尽管智能体可靠性持续提升，同时大量投入监控工具，人类的判断与问责依旧不可替代。一名员工解释，排查漏洞时 “经常暴露出组织、系统或者技术债务问题，这类问题必须人类开会协调、决策和治理才能解决。” 多轮访谈中，员工一致认为面对面协同不可或缺。根据日程数据，员工会议时长中位数相比一年前增加 20%。一部分来自公司扩张，以及岗位向会议密集型非技术职能转移；但即便是技术独立贡献者，会议时长也同比上涨 16%。宏观战略议题，分布在大量高杠杆岗位，通常需要多人讨论协作。管理智能体的间隙，往往就是投入会议讨论。
总体来看，技术与非技术岗位的执行类工作都被自动化：写代码、查漏洞、进度记录、邮件草稿。工程师转变为智能体的负责人与管理者；非技术员工越来越聚焦工作中的战略部分：“原本占 20% 的战略工作，现在变成岗位 90% 的核心。” 但很多非技术岗位的核心执行环节带有强人际属性：销售电话、面试、跨团队对齐复杂问题，这些仍然由人完成。
再看 Slack，它既是 Anthropic 对外沟通窗口，也是内部私下交流渠道。智能体进驻 Slack，最终活跃公共频道里近半数都出现智能体。图 8 聚焦一个大型部门的沟通网络，基于该成员参与的全部公共 Slack 频道。节点为人类或智能体，连线代表在同一对话线程内交互。图中可以直观看到智能体爆发式增长，橙色节点大量涌现，主导网络。
图 8：智能体进入沟通网络 注：蓝色圆点 = 员工；橙色圆点 = 智能体线程。连线代表同一线程内人或智能体之间的交互。
智能体更多集中在专门的人机交互频道，而不是大量混入原本人类沟通频道。人类沟通网络本身结构、密度变化不大。智能体没有取代人际沟通，而是叠加一层新交互：该部门人类线程的人类回复数量不变，额外新增智能体回复。智能体更多是单人专属助手集群，而不是同时和大量员工建立连接的中心节点。
当人类和庞大智能体集群协同工作，就会面临压力：必须把人类工作放到智能体可感知的渠道内。如果决策只在线下会议完成，没有记录和纪要，智能体就缺少更新目标、假设的关键上下文。一名员工举例：一份几个月前由自己负责 Claude 周边礼品的文档，即便岗位职责早已变更，智能体依旧持续收到 T 恤、马克杯相关请求。没有记录的线下会议、私聊属于隐性信息，会造成智能体理解混乱，在高度 AI 化的职场中不被鼓励。一名研究员说，这种一切尽量公开透明的默认机制，是 Anthropic 深度集成 AI 的关键：“大多数组织不是这样运行，这是巨大转变，管理者必须愿意公开接收反馈。” 想要给 AI 提供完整上下文，人类的工作与决策过程必须可观测。
什么样的人能在这种职场脱颖而出？Anthropic 工作内容的变化，直接体现在招聘经理看重的能力项上。我们用自动标注工具分析 2024 年以来数千份招聘面试评分表，内容是面试官对候选人的定性评价。最明显变化：越来越看重候选人创造性使用 AI 工具的经历。2024 年，技术岗面试评价中，招聘经理提及候选人 AI 工具使用能力仅占 5%，非技术岗 7%；到 2026 年，技术岗该占比翻 3 倍，非技术岗翻 4 倍。面试官重点考察候选人使用 AI 的有效性。
评估标准还发生更深层变化。技术候选人面试中，增幅最大的评价维度，是候选人自主性与判断力；领域专业知识的权重占比下降。一名经理解释：“我预判模型能力会持续存在短板，所以团队需要跨领域灵活应变的人。” 同理，非技术候选人评价中，客户意识、使命认同感权重上升，执行能力权重下降。招聘经理越来越依靠判断力、责任心评估候选人，而不是 AI 可以替代的领域技能与执行能力。
企业可以采取的举措
Anthropic 深度落地 AI，提供了绝佳案例。随着 AI 普及迭代，工作组织模式或将重演历次技术革命的变迁：铁路催生大型科层制企业，蒸汽机带来工厂，个人计算机催生创业公司。具备推理能力的大模型，会催生什么样的新型组织？人类在其中承担什么角色？一种想象是单人创业公司：创始人指挥大量智能体，创造数十亿营收；另一种设想是 AI 天才 CEO 管理企业，人类只负责实验室操作、国会听证。
Anthropic 不属于这两类。过去一年员工总数翻三倍，已经不是小型初创企业；同时公司没有把决策权交给模型。公司战略、团队决策，全部依靠书面 Slack 讨论与线下会议，AI 智能体几乎不参与决策。全公司保持人类工作可被观测，保障自主智能体获取最新上下文。独立贡献者带领智能体集群，在知识要求、工作依赖关系上越来越像管理者。在高度 AI 化组织中，公开讨论与决策至关重要。
当员工的工作越来越像管理一支 Claude 团队，他们需要投入大量精力搭建适配自身业务的管理工具。这种持续试错，意味着员工在不断自动化掉自己手头任务。部分岗位，员工逐步脱离原本用来积累能力的实体业务工作。智能体高速推进流程，人类注意力与判断力成为整个系统最大瓶颈。从销售到法务，员工被要求承担全新、更多类型工作。岗位范围扩大，包含产品搭建、智能体管理，以及那些当前最强大模型仍无法完成的战略、人际类工作。
伴随上述组织与工作内容变化：初级技术岗在总人数、招聘、岗位发布中的占比下滑。招聘经理评估重心转向自主性、判断力，弱化执行能力和窄域专业知识。整体上，Anthropic 营收增速远超人员扩张速度，超越上一代科技企业早期生产力增长水平。
把这个样本推演到整个经济体，AI 普及可能带来劳动力替代风险。已有研究同样指出相关规律。我们从 Anthropic 的实践，能学到什么，从而管理 AI 变革，保障劳动者权益？
我们必须保持审慎：Anthropic 很多用工实践无法在全行业复制。
但三点经验值得关注：
第一，广泛的员工持股，让员工和企业成功深度绑定。当然，对于估值大幅上涨的企业，推行持股门槛更低。对很多企业来说，员工共享股权可能不可行或者不合适。但很难想象一套对劳动者友好的 AI 落地方案，劳动者不分享 AI 落地带来的收益。正如访谈员工所说：独立贡献者要 “管理智能体”、“做 VP 级决策”、“像独立业务线负责人”，对齐员工与组织利益至关重要。上世纪 50 年代二战后劳资协议的核心逻辑正是如此：全美汽车工人联合会、钢铁工人联合会等工会，允许管理层重组工作甚至提升劳动强度，换取与生产力挂钩的加薪与完善福利。无论 AI 时代劳资新协议如何设计，AI 落地收益共享机制必不可少。Anthropic 员工把自身经验固化给模型，日常工作持续被重构，大量工作变成快速阅读 AI 输出；这些劳动不能无偿付出。
第二，Anthropic 搭建持续运行的预警系统，监测 AI 变革冲击下的岗位。基于岗位层面的需求、生产力指标，对照 AI 能力与使用数据，识别工作正在发生变化的岗位。预警系统可以提前安排受影响员工内部转岗，调配到短期内不容易被替代、技能匹配的岗位。当全社会企业加速重构工作流程，高效的内部人员调配机制价值会持续上升。AI 迭代越快，单纯依靠外部市场招聘填补新任务，瓶颈会越突出。
本报告观察到，Anthropic 内部跨部门流动增加，工作内容迭代，员工在原有任务被自动化之后转向新任务。对于高度 AI 化组织，搭建灵活内部人员调配体系至关重要。
但内部人员调配存在权衡取舍。运转良好的劳动力市场，应当把劳动者配置到最高效岗位，无论留在原公司还是跳槽。承诺优先安置老员工，可能降低企业招聘新人的意愿。在常规、高度竞争的市场环境下，这类承诺成本很高。
第三：但优先内部调配，会倒逼引入 AI 的企业思考：如何用 AI 创造新产品、新市场对应的全新岗位，而不是仅仅用 AI 替代人力降低成本。这有助于企业抵制 “勉强够用自动化” 的诱惑：AI 技术只是微弱优于人力，企业裁员，造成劳动者收入损失这类巨大社会成本，却只带来微小生产力提升。
从 Anthropic 实践看，深度使用 AI 的同时，全新且只能由人完成的任务持续存在。未来这类岗位总量存在不确定性，因此企业需要保持劳动力弹性。一名 Anthropic 高管这样评价：“焦虑不安的团队，无法发挥最佳水平。”
上述举措，无法阻止强大 AI 对就业的冲击，也无法解决本报告记录的初级岗位招聘萎缩问题。保护现有在岗员工，无法惠及那些原本就得不到录用的求职者。企业层面的自主行动，必须搭配政府长远政策：职业再培训、收入保障。政策制定，需要充分理解 AI 带来职场变革的规模。
推荐引用格式
@techreport{wilmers2026employment,
author = {Nathan Wilmers and Regina Catipon and Maxim Massenkoff and Peter McCrory},
title = {How employment is changing at Anthropic},
institution = {The Anthropic Institute},
type = {Technical Report},
year = {2026},
month = oct,
url = {https://www.anthropic.com/research/employment-at-anthropic}
}
致谢
感谢所有接受访谈、分享工作变化感受的 Anthropic 员工。感谢 Kate Astbury、Shehzad Bashir、Zoe Blumenfeld、Scott Booth、Henry Brill、Yena Cho、Henry de Valence、Adam Farina、Johannes Hermle、Zoe Hitzig、Hasnain Lakhani、Eva Lyubich、Kerry Persen、Kristina Pham、Sarah Pollack、Hannah Pritchett、Georg Rilinger、Santi Ruiz、Szymon Sacher、Florian Scholz、Meg Tong、Monika Tuchowska、Helen Wang、Kim Withee、Charles Yang、Jack Clark 提供宝贵意见与协助。
参考文献
Acemoglu, Daron, and Pascual Restrepo. 2019. “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives 33 (2): 3–30. https://doi.org/10.1257/jep.33.2.3Beraja, Martin, and Nathan Zorzi. 2025. “Inefficient Automation.” Review of Economic Studies 92 (1): 69–96.https://academic.oup.com/restud/article-abstract/92/1/69/7612958Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026. “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools.” NBER Working Paper 35275.https://doi.org/10.3386/w35275Ewens, Michael, and Xavier Giroud. 2025. “Corporate Hierarchy.” NBER Working Paper 34162.https://doi.org/10.3386/w34162Favaro, Marina, and Jack Clark. 2026. “When AI Builds Itself.” The Anthropic Institute.https://www.anthropic.com/institute/recursive-self-improvementHitzig, Zoe, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, and Peter McCrory. 2026. “Agentic Coding and Persistent Returns to Expertise.” Anthropic, June 16.https://www.anthropic.com/research/claude-code-expertiseHosseini Maasoum, Seyed Mahdi, and Guy Lichtinger. 2025. “Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data.” SSRN Working Paper 5425555.https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555Huang, Saffron, Bryan Seethor, Esin Durmus, Kunal Handa, Miles McCain, Michael Stern, and Deep Ganguli. 2025. “How AI Is Transforming Work at Anthropic.” Anthropic, December 2.https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropicKim, Hyunjin, and Rembrand Koning. 2026. “AI-Native Firms.” Harvard Business School Working Paper 26-090.https://www.hbs.edu/ris/Publication%20Files/26-090_96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdfRoodman, David, and Maxim Massenkoff. 2026. “An Evidence Review of Subsidized Job Training.” The Anthropic Institute Working Paper 2026-01. https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs