当一家 AI 公司把自己的产品用到工作各处，员工的工作会变成什么样？Anthropic 这份报告结合内部招聘、产出与 AI 使用数据，以及 17 次员工访谈，记录了正在发生的变化。以下为全文翻译。
Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory
AI 如何重塑了 Anthropic 的工作和就业？Anthropic 处于 AI 应用的前沿，或许能为我们提供一个先行信号，帮助理解 AI 将如何改变整个经济中的工作组织、招聘和劳动力需求。
主要发现
-
Anthropic 招聘的初级技术岗位占比正在下降。与此同时，AI Agent 的工作时长相对于员工迅速增长。到 8 月，交互式 AI Agent 的工作时长已经达到员工的六倍。 -
随着 AI Agent 在公司内部普及，Anthropic 的人均代码产出、每名销售代表的成交数量，以及合同处理量都在增加。持续跟踪同一名员工可以看到，他们采用新的 AI 工具后，产出随之上升。 -
这种加速使人的注意力成为 Agent 产出的瓶颈。即使是非技术员工，读完自己的 Claude Agent 生成的全部内容，也需要花掉每周一半的工作时间。为此，员工开始从事“元工作”：搭建可视化工具，监控 Agent 流水线。 -
工作组织方式的变化，也反映在招聘经理的用人重点上。与特定技术领域的专业知识和执行能力相比，他们越来越看重自主性和判断力。
引言
随着 AI 越来越强大，工作和就业会发生怎样的变化？Anthropic 值得研究，因为它已经围绕 AI 深度重塑了工作流程。Agent 穿梭于 Slack 聊天中，安排会议，自主修复 bug，还会协作攻克庞大的工程项目。Agent 的工作时长是人类的六倍。Anthropic 当下的变化，可能为未来的工作和就业形态提供提前量。
本报告使用了 Anthropic 全面的内部数据，涵盖就业、AI 使用、产出指标、员工调查、内部沟通模式、员工日历和招聘决策记录，并结合 17 次员工访谈，帮助理解这些定量数据。
我们发现，尽管公司仍在增长，初级技术岗位的相对招聘规模已经放缓。工程师和非技术员工的生产率都大幅提高，而且在采用编程 Agent 时出现了明显跃升。相对于特定技术专长，招聘经理越来越重视应聘者的自主性和判断力。在一个高度依赖 AI 的组织里，工作的显著特点是：只要有可能，就得不断优化流程，避免自己成为瓶颈。一名工程师形容，工作就像面对“一支 Claude 大军，每一个都在要求我关注它”。Anthropic 的员工仍然至关重要，但他们贡献价值的方式变了。
为应对这些变化，Anthropic 正在建立预警系统，跟踪可能受到冲击的岗位，并在工作发生演变时优先安排内部转岗。这些举措发生在 AI 开发和职场变革的前沿，说明组织作出的具体承诺能够塑造 AI 对就业的影响。但它们也带来一个难题：这些承诺究竟应该是什么？
前沿企业的劳动力需求
Anthropic 扩张很快。不过，与上一代大型科技公司相比，它每获得一美元收入所需招聘的员工更少。在成立约五年时，Anthropic 的人均收入是 Meta 和 Google 各自处于高速增长阶段相应时期的 2—4 倍。〔1〕
哪些岗位少了？2026 年 1 月，Anthropic 的核心技术部门开始讨论对初级技术员工的需求下降。最依赖 Claude 开展工作的团队发现，编写代码和寻找 bug 越来越可以交给 Claude。新模型的能力又强化了这种感受：“真正让大家吃惊的是，尤其对性能工程师而言，能力提升太大了，几乎一夜之间就改变了我们想招什么样的人。”
到 4 月，工程和研究团队已经降低了对低职级技术岗位的招聘重视程度。同月的调查中，多数经理表示，AI 让他们转而招聘具备不同技能的人。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，因为 AI 而减少了招聘。
人员构成的变化很明显。图 1 显示，自 2025 年初以来，Anthropic 技术部门中初级员工的占比从 21% 降至 14%；技术岗新入职员工中，初级员工的占比下降得更快，从 27% 降至 9%。自 2025 年 12 月以来，初级岗位的招聘信息数量尤其明显地下滑。
原报告图一：Anthropic 初级技术岗位招聘减少。
与此同时，过去一年，技术部门员工占公司全体员工的比例从 61% 降至 56%。随着公司扩张，技术招聘的绝对数量仍在增长，但销售、财务和招聘部门的大规模招人增长得更快。部分原因是公司扩大后，业务职能自然扩张；另一个可能的原因是，编程工具越来越能让非技术员工自己开发软件。例如，一名销售代表为自己的工作定制了看板和流程：“这样的东西本来超出了我的能力范围，尤其是 UI、把各种工具和 MCP 接起来。但我大概用了三四个小时，一边迭代一边就把它做出来了。”非技术员工以编程为目的的 AI Agent 会话，从 2025 年 8 月的每月 2 次跃升至 2026 年 5 月的 90 次。这里将基准期没有代码提交的员工认定为非技术员工，并排除了新入职员工。
不过，招聘构成的变化，并不只是自动化编程向其他领域专家普及的故事。截至 2026 年 4 月的一年间，技术部门中没有实际编程的员工占比几乎减半；这里的定义是过去 30 天没有代码提交。部分原因是非工程师占比下降：例如，工程师与产品经理的比例约为 17∶1，而且自 2025 年以来还在上升。管理者的代码提交数量也翻了一倍。技术团队中的监督和协调岗位，越来越需要亲自开发并交付代码。
有一类非技术岗位的招聘并未加速：通常会随公司规模扩大而增长的行政事务岗位。Agent 助理、自动化审核和工单服务外包相结合，使 Anthropic 即使快速增长，文书行政人员仍然很少。一位财务经理搭建了采购申请审核 Agent，并向同事解释：“就是想把那些要花很多小时的事情找出来，这样他们就能把精力放到其他事上。”
即使是与线下互动紧密相关的行政工作，增长也很缓慢。一位负责高管事务的助理搭建了个人助理 Agent，用来安排日程、分拣邮件。其解释说：“我觉得，我们早就过了那个阶段——Claude 通过辅助就能把最初级的行政岗位工作接过去的阶段。”这位助理转而专注于更高层次的“幕僚长”工作。
这些变化已经带来了人员重新配置：在公司任职至少一年的员工，2026 年每月跨部门流动的概率比 2025 年高出 50%。有些团队在将工作交给 Agent 后，也整体调整了职责。一个产品设计团队原本负责撰写 Claude.ai 上的问候语，例如“夜猫子，你好”和“来杯咖啡，和 Claude 聊聊？”2026 年春，团队开发了一个上下文图谱，能有效引导 Agent 写出有吸引力的产品文案。经理解释，这让团队的工作“实现了规模化”，但也带来了一个问题：还剩下什么需要人类写作者做？于是，团队转向 Agent 提示词工作，开始为 Claude 编写模型评测和提示词。“过去用语言影响人类行为的写作者，现在用语言影响 Claude 的行为。”
AI 是否推动了 Anthropic 的生产率增长？
这些变化能归因于 AI 吗？在 Anthropic，不断壮大的 AI Agent 队伍之上，人类只占薄薄一层。根据 Agent 会话遥测数据，2026 年 3 月，自主式与交互式 Agent 的总工作时长首次超过了人类。部分工作来自成批的 Agent：它们开展工业规模的软件工程，补充大量例行测试与检查，维护不断增长的基础设施代码，并集中推进大规模代码库的语言迁移。不过，即使只看由员工个人使用的 Agent，如图 2 所示，到 8 月，它们的工作时长也已经达到使用它们的员工的六倍。
原报告图二：Agent 工时超过人类工时。注：仅统计由员工指挥的交互式会话，并合计子 Agent 的工时。工作时长指 Agent 的运行时间，包括推理和主动使用工具的时间，但剔除超过 30 分钟的等待。人类工时按员工人数及每周 40 小时估算。
Anthropic 是一家软件生产商，流经这些 Agent 的绝大多数 token 都用于生成软件代码。看板监控着遍布公司的 Agent 集群。不过，个人助理 Agent 也会查看员工的日历和消息，安排日程，把收到的消息汇总成待办清单，并在会议前自动介绍参会人员和会议目的。token 正在进入越来越多日常工作。
原报告图三：各职能的生产率增长。注：对标准化后的原始产出数据进行 Loess 局部平滑拟合。
这些 token 最终带来了什么？图 3 展示了若干可以衡量产出的岗位，其产出随时间的变化。与此前针对 Anthropic 工程师的调查，以及对模型训练和研究自动化的报告一致，每名工程师的代码提交增长最快，提交速度达到六个月前的五倍。数据科学家也在更频繁地查询 Anthropic 日益增长的数据，让 Claude Agent 把实时指标送到看板和决策者面前。图 3 还显示，随着编程 Agent 普及，非技术员工的产出同样增加了：律师处理了更多合同，应付账款人员处理了更多发票，销售人员达成了更多交易。
但这些都源于 Claude 的使用吗？同期，公司的业务也在爆发式增长。销售的是强大的模型，成交自然更容易。为了评估 AI 的独立影响，我们将采用 Agent 编程工具的员工，与尚未采用这些工具的员工进行比较。这样就能比较在同一个月、同一家公司工作、面对相似业务环境，但使用不同工具的员工。不过，工具采用并不是随机的：例如，某些员工正准备推进一个大型新项目，因此决定先用上新工具，就会使我们的估计产生偏差。
我们持续跟踪了 192 名逐步采用编程 Agent 的工程师，并将他们与研究期间未采用 Agent 的 74 名工程师进行比较。图 4 显示，采用后的数月里，工程师新增的代码量显著上升。代码更多，并不必然代表代码更好或业务影响更大。为了检验是否存在 AI 生成的低质量代码，我们研究了 Anthropic 的代码提交：比较同一名员工、在同一个月、同一个代码目录中，直接由本人编写和由其编程 Agent 编写的代码。代码质量有很多维度，而且 AI 的错误可能比人类的更难发现。但我们没有发现，两类代码在后来被删除或回滚的比例上存在差异。
图 4 也考察了工程师首次采用完全自主的 Agent 之后发生的变化。与未采用者相比，采用者的产出在此前就已经处于快速上升趋势。这表明，转向完全自主 Agent 的员工，本来就在加速提高产出。
原报告图四：利用 AI 采用时点的差异，估计同一员工的生产率变化。注：系数比较编程 Agent 采用者与未采用者，并控制个人和自然月份的双向固定效应。采用时点定义为该员工首次在一个月内进行至少五次 Agent 式会话的月份。误差线为按个人聚类的标准误所计算的 95% 置信区间。质量面板比较员工本人直接编写的代码与其编程 Agent 编写的代码。质量代理指标包括：90 天内因任何原因被删除的代码行占比；因修复 bug 而被删除的代码行占比；整个提交是否被明确回滚；是否添加抑制 lint 检查的注释；是否添加待修复备注；以及是否将测试标记为跳过、重试或允许失败。
这些模式是否超越了编程，意味着知识工作更广泛的转型？Anthropic 的销售代表从去年 9 月起持续采用 AI Agent。图 4 显示，他们采用 Agent 后，与更多客户达成了交易。部分原因可能是销售机会更多的代表更愿意选择自动化，但也可能来自记录和例行沟通的自动化。一名客户经理解释，Claude 自动化负责起草邮件、接入客户管理软件，替代了其原来约 20% 的工作任务。另一名客户经理表示，类似的自动化让自己能专注于面对面沟通，接触的客户比过去多了 30%：“每次你第二次做同一件事，就会想，好吧，怎样用 Claude，让自己不用再做第三次？”
销售之外，Anthropic 的一名律师搭建了一系列 Claude 自动化，用于筛查风险与机会、分拣法律问题，以及对面向公众的文案进行第一轮法律审查。一名招聘人员用 Claude 辅助寻找候选人、跟踪申请，并完成原本“可能需要几周”的分析，从而腾出时间重新设计过时的面试问题，接触更多应聘者。
这些发现表明，随着 AI 能力提高，它正在影响 Anthropic 的众多岗位。从描述性数据看，使用 Claude 处理最复杂任务的岗位，初级员工数量的增长正在放缓，见图 5。
原报告图五：不同 Claude 使用复杂度下，初级员工数量的增长。注：以岗位为单位绘图，增长比较 2026 年 1 月与 7 月的员工人数。AI 使用复杂度由自动分类工具分析 Agent 日志得到，使用的是员工数量下降之前、即 2025 年 10—12 月的日志，并转换为百分位。圆点大小按该岗位 1 月的员工人数缩放，回归线基于加权数据点拟合。
瓶颈与流程：高度使用 AI 的职场中，新旧任务如何变化
深度采用 AI，重塑的不只是就业和生产率。它还推动工作流程不断变化，产生新的任务，并改变员工对工作环境的感受。一名员工将其形容为“在 Anthropic，永远有一种压力：要尽可能快，什么事都用 Claude”；另一名员工则说，“我们要求一周完成的事情，在别处可能要三个月”。一项内部调查询问，Anthropic 的工作流程是否能让受访者尽可能提高生产率：2024 年末，44% 的员工表示同意；到 2025 年 11 月，这一比例为 58%。2026 年 4 月，75% 回答“是”，但此时问题删掉了“尽可能”，表述有所放宽。截至 8 月，Anthropic 员工预计，到 2030 年，AI 将能完成自己 75% 的工作，而其他美国人的相应预期为 28%。
内部模型的发布节奏，将这种不断提高的生产率预期表现得格外鲜明。新模型一可用，Anthropic 员工就开始在交互式编程 Agent 会话中处理更难的问题。我们使用自动化的 Claude 评分器，依据任务的深度、范围和涉及的系统数量，对去标识化会话中的任务要求评分。在新模型发布后，难度高于旧模型任务第 90 百分位的任务占比，会迅速提高约 30%，即从全部任务的 10% 升至 13%，并在随后数周保持高位。交给 Agent 的简单任务一端则变化不大。
Agent 的生产率不断攀升，意味着更多产出涌到人类的屏幕前，争夺注意力。一名工程师把它比作照看孩子：
它们会说，我的果汁盒打不开了，这可是急事。它们说这件事时的焦急程度，和那个割破手指、正在流血的孩子一模一样。［……］你照看孩子时，每个孩子都会把自己的问题交给你，同样要求你关注；这些 Claude 也是如此。
在 2026 年 4 月的调查中，一道开放题询问 AI 如何影响日常工作。27% 的回答提到 Claude 工具带来的生产率提升，20% 则表示，自己的职责正从亲自做事转向管理一群 Claude。
在这种由模型驱动的加速中，人的注意力始终是瓶颈。在交互式多轮会话里，Agent 的绝大多数会话时间其实没有在工作，而是在等待。我们用每次交互会话从开始到结束的总时间，减去 Agent 实际工作的时间，来计算空闲时间。Claude 会话约 80% 的时间都在空等人类输入。正如一名工程师所说，人正在“卡住 Agent”。
读完 Claude 在交互会话中的所有输出，究竟需要多久？我们把每次会话中 Agent 输出的 token 数换算成词数，再按人类的平均阅读速度计算。图 6 显示，过去六个月，技术岗位接收的编程 Agent 输出量大幅跃升。但即使是非技术群体，Claude 交互会话生成的内容，也足以占掉每周一半以上的工作时间。这些涌来的 Claude 文本，需要有人组织。
原报告图六：把阅读 Claude 输出当成一份全职工作。注：按每 token 对应 0.75 个词、每分钟阅读 250 个词，将输出 token 换算为阅读时长。
应对海量输出的一种办法，是进一步自动化，但这需要另一种工作。为 Agent 编写的长期指令，从 2025 年 7 月的几百份，增长到一年后的 8,500 份。一名工程师设置了 Agent 幕僚长，用来分流 Agent 的请求；另一名工程师给自己的 Claude 团队写了绩效评估：“嘿，我们聊聊沟通方式里，哪些有效，哪些不行。”招聘人员搭建了整合看板，让 Agent 发现问题并发起行动。一名律师则从审查具体法律问题，转向做“法律建议的 SEO：你得写出能被［客户的］Agent 找到的框架”。
图 7 显示，这类元工作占普通员工 Claude 交互会话的比例，从 2025 年秋季的 10% 跃升至 2026 年春季的 22%。其中很大一部分增长，直接来自 Agent 管理：为多 Agent 运行编写规格说明，让一个 Agent 循环审查另一个的输出，以及监控流水线。在各个职能部门，人类的参与越来越从某一段具体代码或某一篇文字中抽离，转向搭建让 Agent 有效完成任务的工具。
原报告图七：成为一群 Claude 的管理者。注：元工作估计来自自动分类工具对 2,000 条单行聊天摘要样本的分析，判断其是否围绕构建 Claude 技能、为其他 Agent 制定计划和开展审查、搭建 Agent 流水线看板与监控，以及记录工作方法，而非直接完成工作本身。
尽管 Agent 的可靠性有所提高，公司也大力投入监督工具，人类之间的信任和问责仍然至关重要。一名员工解释说，如今追查 bug，越来越经常“挖出组织性、系统性或技术债问题，实际上需要召集相关人员，共同决策并建立治理机制才能解决”。一次次访谈中，员工都认为面对面协调不可替代。日历数据显示，员工会议时长的中位数比一年前多了 20%。部分原因是公司增长，以及人员构成转向会议更密集的非技术岗位。但即使只看技术类个人贡献者，过去一年的会议时长也增加了 16%。整体战略问题牵涉到很多具有高杠杆效应的岗位，通常需要与他人讨论和沟通。暂时不管理 Agent 时，员工往往又得去开会。
总体来看，技术和非技术岗位中，具体执行的部分都出现了自动化，例如写代码、找 bug、记录进度、起草邮件。工程师形容自己成了 Agent 的领导者和管理者；非技术员工则表示，越来越多精力用于工作的战略部分：“原本只占 20% 的战略工作，变成了 90%。”不过，对许多非技术岗位来说，核心执行工作本身也涉及人际互动：一次销售电话、一场面试，或围绕复杂问题进行跨职能协调。这些工作仍由人类完成。
再看 Slack。它的频道既是 Anthropic 沟通的公开界面，也是各种内部交流的通道。Agent 在 Slack 中普及，最终出现在接近一半的活跃公开频道里。以下视频聚焦一个大型部门的沟通网络，使用部门成员参与的所有公开 Slack 频道数据，根据是否参与同一条 Slack 讨论串，将人类和 Agent 参与者连接起来。图中橙色圆点不断出现并占据网络，呈现了 Agent 的惊人增长。
Agent 进入沟通网络。注：蓝点代表员工，橙点代表 Agent 讨论串；连线表示人类或 Agent 在同一讨论串中的互动。
Agent 更多集中在专门用于 Claude 与人类互动的频道中，在原有的人类频道里则很少大量发言。人类沟通网络的底层结构和密度变化不大。Agent 在保留人类互动的基础上，又增加了一层交流：该部门的人类讨论串，仍有数量相当的人类回复，同时又叠加了 Agent 回复。Agent 更像是某位员工自己的团队，而不是同时与许多员工高度相连的节点。
随着人类在不断扩大的 AI Agent 队伍中工作，他们也面临压力：把自己的工作转移到 Agent 能看见的渠道。如果线下会议作出了决定，却没有留下纪要或汇报，Agent 就会缺少更新目标和假设所需的关键上下文。一名员工说，几个月前一份 Claude 周边文档里写了自己的名字，导致职责早已改变后，Agent 仍不停找自己要 T 恤和马克杯。在高度使用 AI 的职场，未被记录的会议和私信中的工作，对 Agent 来说是不可见的，会造成混乱，因此并不受鼓励。一名研究人员认为，这种默认公开的做法，是 Anthropic 深度整合 AI 的关键：“多数组织不是这么运转的。我认为这是很大的变化，因为领导者必须公开面对反馈并作出回应。”要给 AI 提供上下文，就需要让人类的工作和决策能够被看见。
谁能在这样的职场中发展得更好？Anthropic 工作内容的变化，也体现在招聘经理作出录用决策时重视的技能上。我们用自动分类工具处理了自 2024 年以来入职的数千名员工的招聘经理面试评分表。这些评语是面试官对候选人表现的定性评价。最明显的变化，是越来越强调候选人是否展示过创造性地使用 AI 工具的能力。2024 年，技术岗位约 5% 的评估、非技术岗位约 7% 的评估，会提及候选人在 AI 工具使用方面的既往经历。到 2026 年，技术岗位的这一比例增至三倍，非技术岗位增至四倍。招聘经理越来越重视应聘者能否有效使用 AI。
评估中也能看到更深层的变化。在技术候选人的面试中，增长最多的是对自主性和判断力的评论。对领域专业知识的讨论，在整体评估中的占比下降了。一名经理解释：“我预计模型的能力还会继续参差不齐，所以我希望团队成员能在不同领域之间灵活切换。”类似地，对非技术候选人，客户导向和使命导向的重要性上升，而对执行技能的讨论减少。招聘经理越来越依据判断力和投入程度来评估应聘者，而不是那些正被 AI 工具自动化的领域专长和执行能力。
雇主可以做什么
Anthropic 对 AI 的深度应用，使其成为一个有价值的案例。随着 AI 普及和进步，工作的组织方式可能像此前几轮技术变革那样发生变化。铁路带来了管理型公司，蒸汽动力催生了工厂，个人电脑推动了初创企业。能够使用工具、进行推理的大语言模型，需要什么样的新组织？我们将在其中扮演什么角色？一种可能是单人初创企业：每个创始人指挥成群 Agent，赚取数十亿美元收入。另一种可能是由天才 AI CEO 创建的公司，只雇用人类 Agent 去操作移液器，或到国会作证。
Anthropic 不像上述任何一种。过去一年，它的员工规模扩大到原来的三倍，已经不再是小型初创公司。它也没有把最高决策权交给模型。从公司战略到团队决策，都由 Slack 上的文字讨论和线下会议推动，AI Agent 很少参与其中。让人类工作在全公司可见，才能确保自主 Agent 基于最新上下文推理。那些协调 Agent 团队的个人贡献者，在所需知识和工作相互依赖的程度上，都更像管理者。在高度使用 AI 的组织中，公开工作、公开决策至关重要。
随着员工越来越将自己的工作理解为管理 Claude 团队，他们会花更多时间，搭建适合各自领域、让这种管理更有效的工具。这些实验意味着，员工持续把自己的任务自动化。在某些岗位中，他们越来越远离最初让自己积累技能的具体工作。Agent 飞快地跑过工作流程，而人的注意力和判断力成了系统努力突破的瓶颈。从销售到法务，人类员工被期待完成更多、也更不一样的任务。职责扩展到开发产品、管理 Agent，以及处理那些最优秀的大语言模型仍无法胜任的战略和人际工作。
伴随工作组织和内容的这些变化，初级技术岗位在员工总数、新聘员工和招聘信息中的占比都在下降。招聘经理越来越关注应聘者的自主性和判断力，而不是执行和狭窄领域的专业知识。总体而言，Anthropic 收入相对于员工规模的增长，甚至超过了上一代科技公司早期快速提高生产率的速度。
如果将这些模式向未来、向整个经济延伸，AI 的普及可能带来员工被替代的风险。既有研究同样发现，AI 原生初创企业和采用 AI 的企业，组织更扁平，初级员工更少。我们能从 Anthropic 学到什么，让围绕 AI 工作的人类能更好地应对这些变化？
这里需要谨慎。Anthropic 的许多用工做法，无法在整个经济中复制。
不过，有三个特点值得注意。第一，广泛的员工持股，让员工与公司的成功有着直接的利益联系。当然，对于一家估值大幅上升的公司，这样做相对容易。对许多企业来说，共享所有权可能不够，也可能因其他原因并不合适。但很难想象，一种有利于劳动者的 AI 应用方式，会让员工无法从成功落地中获得经济利益。正如受访者所说，如果个人贡献者被要求“管理 Agent”“作出副总裁级别的决定”，并“独立负责一条业务线”，那么让他们与组织利益一致就至关重要。20 世纪 50 年代形成的战后劳资协议，正是建立在这样的交换之上：美国汽车工人联合会、钢铁工人联合会等工会，允许管理层主导工作重组，甚至提高劳动强度，以换取与生产率增长挂钩的加薪和丰富福利。无论受 AI 影响的员工与雇主之间达成什么新协议，都必须有一种分享应用收益的机制。在 Anthropic，员工把自己的专业知识编码给机器，看着工作惯例不断被搅动和颠覆，又将相当一部分工作变成快速阅读 AI 合作者的输出。他们并不是无偿做这些事。
第二，Anthropic 正在建立持续运转的预警系统，监测面临 AI 驱动转型的岗位。它将一系列岗位层面的需求和生产率指标，与 AI 能力及使用情况对照。汇总指标有助于发现工作正在何处变化。预警系统让公司能够提前将受影响员工调往技能匹配、且短期内受冲击风险可能较小的岗位。随着整个经济中的企业适应更快的工作重组节奏，有效指导内部人员重新配置的系统将越来越有价值。AI 进步越快，如果每出现一项新任务都要从外部劳动力市场招人，就越容易成为瓶颈。本报告发现，跨部门流动增加、工作内容变化，以及员工在旧任务自动化后转向新任务。建立能灵活进行内部人员配置的系统，对高度使用 AI 的组织至关重要。
承诺为员工安排内部转岗，也带来了重要权衡。运行良好的劳动力市场，应将员工配置到生产率最高的位置，无论是在现有雇主，还是其他企业。承诺重新安排现有员工，可能让雇主不愿冒险招聘新人。在正常经济条件下，尤其在竞争激烈的环境中，这种承诺可能代价不小。
但优先安排内部转岗，会促使采用 AI 的公司思考：怎样用 AI 为新产品、新市场创造新任务，而不只是用它替代人类以节省人工成本。这有助于雇主抵御“差强人意的自动化”或“低效率自动化”的诱惑。在这类自动化中，AI 或其他技术只比人类员工略胜一筹；雇主却因此替换员工，让失业者收入损失带来巨大的社会成本，而生产率收益微乎其微。
从 Anthropic 的情况看，深度使用 AI 的同时，既有新的任务出现，也有始终需要人类的任务存在。未来究竟会有哪些任务，仍不确定，这恰恰说明应保留一支灵活的员工队伍。正如一名 Anthropic 高管所说：“一支焦虑不安的队伍，不可能发挥出最好的水平。”
这些行动都无法阻止强大 AI 对岗位造成冲击。事实上，它们也都没有直接解决本报告记录的初级岗位招聘放缓。保护现有员工，并不能让那些一开始就没被录用的人受益。雇主的行动，需要与有远见的政府再培训和收入支持政策配合。而这些政策，应建立在对 AI 可能带来的职场变革规模有清晰认识的基础上。
建议引用格式
@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 Anthropic 员工抽出时间，接受关于自身工作变化的访谈。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 和 Jack Clark 提供宝贵意见与帮助。
引用文献
Acemoglu, Daron, and Pascual Restrepo. 2019.《自动化与新任务：技术如何替代并重新吸纳劳动者》。Journal of Economic Perspectives，33（2）：3—30。https://doi.org/10.1257/jep.33.2.3
Beraja, Martin, and Nathan Zorzi. 2025.《低效率自动化》。Review of Economic Studies，92（1）：69—96。https://academic.oup.com/restud/article-abstract/92/1/69/7612958
Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026.《写代码与交付代码：不同代际 AI 编程工具的生产率效应》。NBER 工作论文 35275。https://doi.org/10.3386/w35275
Ewens, Michael, and Xavier Giroud. 2025.《公司层级》。NBER 工作论文 34162。https://doi.org/10.3386/w34162
Favaro, Marina, and Jack Clark. 2026.《当 AI 构建自身》。The Anthropic Institute。https://www.anthropic.com/institute/recursive-self-improvement
Hitzig, Zoe, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, and Peter McCrory. 2026.《Agent 式编程与专业能力的持续回报》。Anthropic，6 月 16 日。https://www.anthropic.com/research/claude-code-expertise
Hosseini Maasoum, Seyed Mahdi, and Guy Lichtinger. 2025.《生成式 AI：偏向资深员工的技术变革——来自美国简历和招聘信息数据的证据》。SSRN 工作论文 5425555。https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555
Huang, Saffron, Bryan Seethor, Esin Durmus, Kunal Handa, Miles McCain, Michael Stern, and Deep Ganguli. 2025.《AI 如何改变 Anthropic 的工作》。Anthropic，12 月 2 日。https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic
Kim, Hyunjin, and Rembrand Koning. 2026.《AI 原生企业》。哈佛商学院工作论文 26-090。https://www.hbs.edu/ris/Publication%20Files/26-090_96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdf
Roodman, David, and Maxim Massenkoff. 2026.《补贴性职业培训的证据综述》。The Anthropic Institute 工作论文 2026-01。https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs
参考链接
-
原文：https://www.anthropic.com/research/employment-at-anthropic -
报告 PDF：https://www-cdn.anthropic.com/72628f1863c53432195db83279252dfd2cb53158/Employment%20at%20Anthropic.pdf
-
原文引用《AI 预期差距》：https://www.anthropic.com/research/ai-expectations-gap