同样面对快速进化的AI，站在研发一线的人与普通劳动者，对未来工作的判断拉开了47个百分点。Anthropic于2026年10月16日发布《The AI expectations gap》研究：受访员工平均预计，到2030年，AI能够完成自己当前工作时长的75%；美国在职劳动者的平均预期为28%。Anthropic是开发Claude系列大模型及AI助手的公司，这次研究把内部员工调查与美国成年人调查放在一起，追问能力、应用和效率体验如何塑造未来预期。
75%对28%：差距落在具体工作上
这里衡量的是受访者认为AI届时能承担多少当前工作时长。员工使用滑块作答，美国公众选择区间，研究者以区间中点计算。核心题目的有效样本分别为1147名员工、2278名美国在职劳动者。
超过一半的Anthropic员工预计，AI到2030年能完成自己至少80%的工作；美国在职劳动者中，持这一判断的仅约5%。职业差异存在，但不足以解释两组之间的距离：体力技工、生产及运输岗位受访者的平均预期为25%，计算机、工程和科学岗位为33%；后者中经常使用AI的人预期为40%，仍明显低于Anthropic员工的75%。
与此同时，95%的受访员工预计Anthropic未来12个月还会增加人数，员工预期的招聘增长中位数为66%，27%预计人数至少翻倍。任务自动化与企业扩张，在这批受访者的判断中同时发生。这些数字反映员工个人预期，公司的实际招聘计划由另一套经营决策决定。
省时体验：59%的人已感到任务压缩至四分之一
差异也体现在今天如何使用AI。研究要求受访者设想一项当前AI擅长的任务，例如总结文档、起草邮件，并把检查和修正输出的时间计入总耗时。59%的Anthropic员工认为，使用AI后耗时可降至原来的四分之一或更少；美国工作中使用AI的成年人中，这一比例为26%。
85%的员工认为这类任务至少能节约一半时间。相对地，29%的美国工作中使用AI的成年人认为，总耗时与不用AI一样长或更长，员工中这一比例为5%。这让“AI能做什么”之外的另一层分歧浮现：相同的能力，能在不同工作流程里兑换出多大的效率提升。
科学发现与落地速度，同样出现预期断层
两组对AI当前能力的判断大体接近，对未来进步速度的判断则明显分叉。大约四分之一的美国成年人和Anthropic员工认为，AI现在已能设计、开展并发表科学研究；展望2027年，员工中约九成预计AI具备这一能力，美国公众中为38%。
对于2030年前取得诺贝尔奖级别科学发现，持肯定预期的员工占91%，美国成年人占39%。研究问的是达到相应发现水平的能力，而非实际获奖安排。经常在工作中使用AI的美国受访者中，56%预计AI到2030年能胜任调查列出的八项任务中的至少七项；全体美国成年人为41%，从未使用AI工具者为28%，Anthropic员工为96%。使用经验与更高能力预期呈现明显关联。
能力与应用之间还隔着落地过程。在AI技术上能够完成的工作任务中，美国成年人预计到2030年有42%会实际使用AI，员工预期为65%。公众最常提到的应用障碍包括客户更愿意与真人打交道、数据隐私与安全、AI可靠性。经常在工作中使用AI的公众把隐私和安全放在第一位，42%将其列入三大障碍，其他受访者中为37%。
更高自动化预期，如何连接经济与就业判断
研究发现，两组受访者的判断逻辑相近：认为AI能完成更多自身工作的人，也往往预计更高的失业率。在美国在职劳动者中，对自身工作受AI影响比例的预期每增加10个百分点，对2030年失业率的预测平均高出0.4个百分点。这是调查回答之间的统计关联；处于相似自身工作暴露水平的员工和公众，对失业率的预测也较接近。
研究者还将能力、普及、自动化、生产率和转岗摩擦五个维度的回答输入经济模型。完整回答相关问题的3259名美国成年人和1093名员工，其回答对应的2030年美国GDP增速情景中位数分别为5.4%和17.1%。这是在指定模型及其他参数设定下，由受访者信念推导出的经济情景。9月上线的互动情景工具在最初48小时收集到23075份完整回答，网站访问者对应的中位情景为12.5%，位于公众与员工之间。
员工对AI研发本身也抱有较高预期：在构建一个2026年初水平前沿模型的工作中，他们估计当前由AI完成的比例中位数为51%，到2027年底为80%，2030年底为95%。这一问题覆盖研究方向、实验设计和评估等模型开发工作，口径比代码生成更广，数字来自员工个人估计。
调查如何进行，差异意味着什么
Morning Consult于8月11日至23日开展美国成年人在线调查，去除重复访谈后得到10980名独立受访者，并进行人口统计加权。未来问题分别向约一半受访者询问2027年、另一半询问2030年。Anthropic内部调查于8月9日至12日开展，共1334人参加、覆盖各部门，结果未加权，所有人均回答2030年问题。
公众可选择“不确定”，各题占比为12%至21%，研究按题排除这些回答；员工可跳题。因此，调查总人数、某道题有效人数、就业人群人数以及经济模型完整回答人数各有不同。公众样本来自自愿加入的在线调查面板；内部样本则描绘一家前沿AI公司的员工经验。
这项研究最有价值的线索，是把抽象的“看好AI”拆成了真实工作中的能力判断、节省时间和应用速度。前沿实验室员工每天在高密度AI环境中工作，普通企业还在摸索流程、数据安全和客户服务的结合方式。随着更多行业把AI接入日常业务，哪些任务能稳定节约时间、哪些环节仍依赖人的判断，将成为理解工作变化更具体的入口。
来源：Anthropic《The AI expectations gap》、配套研究介绍及方法附录；发布于2026年10月16日。