编者摘要：公众与 Anthropic 这类前沿 AI 实验室从业者，在 AI 对就业影响的判断上存在显著预期鸿沟。普通公众普遍认为 AI 会快速大规模替代大量岗位，担忧失业风险，倾向于放大短期岗位消失的可能性，对 AI 创造新岗位、重塑工作流程的节奏偏悲观，更关注技术带来的负面冲击。

与之相对，实验室内部员工更理性看待变革节奏：他们认为 AI 更多是重构任务而非直接取代整份工作，多数岗位会发生内容改造，而非一次性消失。内部人员预判 AI 落地是渐进过程，更看重人机协作带来的效率提升，同时也更清楚当前模型能力局限，不会高估短期替代能力。

认知差异源于信息视角不同：公众更多接收媒体关于 AI 颠覆就业的报道；内部人员深度接触模型边界、安全约束与落地难点。这种预期差会影响政策制定、人才投入与社会心态。缩小鸿沟需要透明沟通，区分 “任务自动化” 和 “岗位消失”，客观传递 AI 变革的真实节奏，引导社会建立更贴合现实的预期，减少不必要的恐慌，也避免低估长期结构性挑战。

2026 年 10 月 16 日 PDF 原文：https://www-cdn.anthropic.com/a28f24814c56e2834a3eae7b13946f19d3e97ec4/The%20AI%20Expectations%20Gap.pdf

引言

引言 人们对 AI 能力的预判 AI 落地与阻碍因素 自主 AI 将发展到何种程度 个人工作与就业 招聘与再就业 AI 预期及其经济影响 实验室内部视角 结论 作者：Szymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek、Peter McCrory

结论

1. 美国成年人预期 AI 能力未来几年快速进步；Anthropic 员工预判 AI 进步速度更快：39% 美国成年人、91% Anthropic 员工认为，2030 年前 AI 可以做出诺贝尔奖级科学发现。
2. Anthropic 员工预期 AI 在适配任务上带来的生产力提升幅度更大。在职场使用 AI 的美国受访者中，26% 认为 AI 能把任务耗时压缩到原来 1/4 甚至更少；Anthropic 员工这一比例达 59%。
3. 针对自身岗位：超过半数 Anthropic 员工预计 2030 年 AI 至少能完成自己当前 80% 工作；美国劳动者中仅有 5% 持相同看法。
4. 无论美国劳动者还是 Anthropic 员工：认为 AI 可承担自身更多工作任务的人，都会预判失业率更高。尽管双方对未来 AI 能力判断差异巨大，但在 “AI 如何影响个人岗位→传导到全社会失业率” 这一逻辑认知高度一致。

序

AI 将如何重塑未来经济？AI 能力高速迭代，未来模型甚至可能自主迭代（递归自我改进），进一步加速发展。但这个进程何时到来、影响多大，充满不确定性，各方预测差异巨大、争论激烈。

对 AI 经济影响的分歧根源在哪里？是大家对 AI 能力迭代速度判断不同？还是对 AI 落地节奏、落地形式看法不一致？哪一类 AI 发展路径可以支撑经济高速增长？

本报告基于全新调研数据回答以上问题。2026 年 8 月，我们开展两组调研：具有全国代表性的美国成年人样本，以及 Anthropic 员工。Anthropic 员工每天开发、使用前沿 AI，这份调研可以看到离技术最近的群体，如何预判 AI 能力与宏观经济影响。

主要结论如下：

1. 两组人群对 AI 当下能力的认知大体一致，但对未来迭代速度分歧明显。Anthropic 员工认为 AI 进步更快、应用更广、人类参与度更低、任务节省时间更多。举例：91% 员工认为 2030 年前 AI 可以做出诺奖级成果，美国成年人仅 39% 认同。
2. 对个人岗位的预判差距巨大。平均来看，Anthropic 员工认为 2030 年 AI 可承担自身 75% 工作时长；全体美国劳动者均值 28%。
3. 两组对劳动力市场的推理逻辑一致：认为未来 AI 能承担自己更多工作的人，会预判更高失业率。并且，当预期 AI 自动化个人工作占比相同时，两组预测的失业率水平基本相同。

人们对 AI 能力的预判

能力水平

我们首先调研受访者对 AI 能力的预期。列出 8 项任务，询问 AI 何时能做到和资深专业人员同等水平：从撰写常规邮件，到做出诺贝尔奖级别科研发现。美国成年人与 Anthropic 员工对当下 AI 能力认知基本一致，复杂任务上尤其接近；两组对任务难度的排序几乎完全相同（图 1A）。

分歧集中在未来 AI 进步路径。例如，大约四分之一美国成年人与 Anthropic 员工认为 AI 现在就可以独立设计、开展并发表科研。但到 2027 年，90% 员工认为 AI 可以做到这件事，美国成年人仅 38%。到 2030 年，39% 美国成年人认为 AI 能产出诺奖级成果（图 1C），Anthropic 员工高达 91%。一个非常突出的差异：针对不同任务，19%–40% 美国成年人认为 AI永远无法完成；而 Anthropic 员工最多仅有 2% 选择 “永远不能”。

认知差异一部分来自 AI 使用频率。在职场经常使用 AI 的受访者（约占总样本五分之一），56% 预计 2030 年 AI 能完成 8 项任务里至少 7 项。高于全体美国成年人（41%），以及从未使用 AI 人群（28%），但仍然远低于 Anthropic 员工（96%）。

图 1：受访者认为 AI 可以达到资深专业人员同等水平的任务占比。 问题：AI 何时能完成对应任务，不考虑企业是否实际部署。分三栏：A 现已具备；B2027 年前；C2030 年前。美国成年人样本 N=10980，加权代表全国人口；Anthropic 员工样本未加权。

AI 落地与阻碍因素

AI 对经济的影响不只取决于技术上限，企业和个人必须真正落地使用，这个过程需要时间试错。针对 AI 技术上能够完成的任务，美国成年人预计到 2030 年，其中 42% 会实际采用 AI 完成；Anthropic 员工预判未来几年落地更快，AI 会被用于 65% 技术可行的任务。

为了解职场 AI 落地的阻碍，我们请美国成年人从 9 个选项里最多选出 3 项最大障碍。大众认为，人的偏好与法规限制，比技术本身更制约 AI 落地（图 2）。“客户更愿意和真人打交道” 是选择最多的障碍，其次是 “数据隐私与安全风险”、“AI 可靠性不足”、“法律、监管与责任界定”。

图 2：美国成年人认为 2030 年职场 AI 落地的阻碍。 说明：即便 AI 技术可行，企业不一定会使用；受访者最多选 3 项，占比之和超过 100%。本问题未向 Anthropic 员工发放。

值得注意：在职场高频使用 AI 的美国受访者，把数据隐私安全放在首位（42% 将其列为三大障碍之一，其余普通受访者 37%）；认为客户偏好真人交互的占比略低（37% 对比普通人群 42%）。

自主 AI 将发展到何种程度

AI 对劳动力市场冲击，部分取决于 AI 是独立完成复杂任务，还是与人协同。前者倾向替代人力；后者增强人的生产力。为了解 2030 年自动化 / 增强的预期，我们询问两组：邮件撰写、合同审核等任务，2030 年人与 AI 如何分工。Anthropic 绝大多数受访者认为，到 2030 年 AI 要么独立完成任务，要么 AI 完成主体、人类仅做审核（图 3）。与之对比，40% 美国成年人认为主要是人完成，AI 仅辅助，或者完全由人完成。

图 3：受访者认为 AI 独立完成 / AI 为主人工复核的任务占比。 前提：假设 AI 适合这项任务；选项：AI 独立完成；AI 完成大部分，人工审核；人完成大部分，AI 辅助；仅人工。柱状为前两项合计占比。

时间节省

AI 带来产出提升，不仅取决于可完成任务范围、落地渗透率，还取决于 AI 提速幅度。Acemoglu 与 Restrepo（2019）提出 “勉强够用技术”：AI 勉强能替代人力，但几乎不提升 GDP；反之，如果 AI 能大幅降低成本、压缩耗时，就能显著拉动经济增长。

为衡量 AI 带来的生产力增益感知，我们请公众与 Anthropic 员工对比：AI 适配的任务，用 AI 完成（含校验、修正耗时）相比不用 AI，耗时比例是多少。任务耗时减半，等价于单位小时产出翻倍。

Anthropic 员工预期的时间节省幅度更大：85% 认为耗时减半甚至更少。在职场使用 AI 的美国成年人中，典型答案是耗时减半；29% 认为耗时不变甚至更长，Anthropic 员工仅 5% 这么认为。在职场使用 AI 的美国受访者中，26% 认为耗时缩减到 1/4 以内；从未使用 AI 的美国受访者该比例 21%；Anthropic 员工 59%（图 4）。

图 4：受访者认为 AI 把任务压缩至原时长 1/4 甚至更少的占比。 引导：选择当下 AI 擅长任务，例如文档摘要、邮件草稿，对比有无 AI 的耗时，包含校对修改时间。选项为 “约 1/4 时长” 或 “约 1/10 及以下”。图 A2 包含全部选项。

员工的判断，很大程度来自自身职场体验。正如《Anthropic 内部就业形态报告》所述：员工接入智能体工具后多维度生产力提升；工程师启用代码智能体后一个月代码提交量翻倍；销售接入 AI 智能体后签约客户数量提升。法务、招聘等职能，人均产出同样上涨。

个人工作与就业

AI 能完成自身多少工作？不出意外，公众与 Anthropic 员工，对 AI 影响个人岗位的预期差距巨大（图 5）。平均而言，Anthropic 员工认为 2030 年 AI 可承担自己 75% 工作时长；美国在职受访者均值 28%，仅 1/20 美国劳动者认为到 2030 年 AI 可完成自身 80% 以上工作。

美国劳动者预期随职业不同有差异：手工、生产运输类岗位预计 AI 承担 25% 工时；计算机、工程、科研岗位预计 33%。而这一类技术从业者中，经常使用 AI 的人预期仅 40%，更接近普通美国人，远低于 Anthropic 员工均值 75%。

图 5：受访者预计 2030 年 AI 可承担自身工作时长占比。 样本：美国样本限定在职受访者。员工用滑块填写，美国受访者选择区间，取区间中点。误差棒为 95% 置信区间。

个人岗位暴露度与失业率预测受访者预判 AI 能承担自身多少工作，很大程度解释了他们对宏观劳动力市场的判断。我们告知受访者当前失业率约 4.2%，请预测 2030 年失业率。图 6 按受访者预判的 AI 替代个人工作占比分组，展示各组平均失业率预测。

认为 AI 替代自身工作不足一半的美国劳动者，预测 2030 失业率 7–8%。当 AI 替代占比超过 50%，预测失业率随替代占比同步走高。认为 AI 替代自身 80% 以上工作的受访者，平均预测 2030 失业率 12.2%，高于金融危机峰值。美国劳动者样本中：个人受 AI 影响工作占比每上升 10 个百分点，预测失业率上升 0.4 个百分点。单纯对 AI 乐观与否不影响这个结论。在固定个人岗位受冲击比例的前提下，受访者预判 AI 能掌握 8 项任务的数量，和失业率预测无关。

即便 Anthropic 员工预判自身岗位被替代比例高得多，同样存在这一相关关系，预测曲线形态和普通人群高度相似。所以两组人群，并不是对 AI 如何同时影响个人岗位和宏观劳动力市场持有两套不同理论；差异来自他们对 AI 真实能力的体验，进而形成不同预期。

图 6：2030 平均失业率预测，按 AI 预计替代个人工作时长占比分组。 告知受访者当前失业率 4.2%，预估 2030 年。A：在职受访者分组，均值与 95% 置信区间；样本少于 20 人的组别剔除。B：美国劳动者与 Anthropic 员工在各组的分布。

招聘与再就业

尽管 Anthropic 员工认为 AI 可以完成自身大部分工作，但大多数人依旧预判公司持续招人。95% 员工预计未来 12 个月公司人数增长；员工预估中位数增长 66%；27% 预计人员至少翻倍。这是员工个人调研观点，不代表 Anthropic 官方人员规划。但它说明：任务自动化，不等于岗位缩减，至少在前沿 AI 实验室是这样。

但在 AI 失业人员重新就业难度上，Anthropic 员工比美国成年人略悲观。问题：2030 年有人因 AI 自动化失业，需要转行，你预估多久能找到新工作？Anthropic 员工中位数预估 12 个月；美国成年人中位数预估 7–12 个月。

AI 预期及其经济影响

把问卷回答映射到模型推演的经济情景 我们在另一篇论文中提出一套框架，评估 AI 能力、落地渗透如何转化为经济结果。模型可以把受访者在五个维度（能力、渗透率、自动化、生产力、劳动力转换摩擦）的回答，换算成对应的经济预测。我们筛选两组中完整填写全部核心模型输入题目的受访者：3259 名美国成年人，1093 名 Anthropic 员工，下面重点看 2030 年 GDP 增长推演。

基于模型：美国成年人中位数回答对应的情景，2030 年 GDP 增速 5.4%；Anthropic 员工中位数回答对应的情景，2030 年 GDP 增速提升至 17.1%。每组内部观点分布差异很大，两组区间存在大量重叠（图 7）。附录图 A1 展示各项信念对预期差距的贡献。

网站互动问卷参与者结果 图 7 同时展示网站交互式情景模拟器访客的回答结果。该经济模型模拟器 9 月 9 日上线，问卷是精简版（和 8 月面向美国民众、Anthropic 员工的问卷同源）。上线 48 小时内 23075 名来自全球 140 多个国家访客完成问卷。访问者主动参与，对 AI 兴趣高于普通大众。他们的预判落在美国成年人与 Anthropic 员工中间：访客中位数对应的 GDP 增速 12.5%。

图 7：基于美国民众、网站访客、Anthropic 员工预期，模型推演 2030 年 GDP 增速。 受访者五个问题（能力、落地、自主性、时间节省、再就业摩擦）输入《变革性 AI 经济情景》模型；详见附录 B。粗线 25–75 分位，细线 10–90 分位；虚线标记论文三种情景：温和（年 GDP 增速 2.4%）、显著（5.4%）、极端（15.4%）。样本：全部完成 5 个核心问题的受访者；美国样本仅取 2030 预测组，1093 名 Anthropic 员工，23075 名网站访客（9 月 9 日上线 48 小时内）。

实验室内部视角

员工对 AI 能力更乐观，一部分原因是他们可以直观看到模型研发过程。Anthropic 研究院近期发布递归自我改进（RSI）报告：AI 系统持续提升自身能力（Favaro and Clark, 2026）。

为了解员工对此的判断，我们调研 Anthropic 员工：2026 年初前沿大模型研发工作，AI 当前承担多少比重；未来又会达到多少（图 8）。受访员工的中位数回答：当下 AI 承担 51%；2027 年底 80%；2030 年底 95%。

团队内部对 AI 承担模型研发工作量的预估差异，比团队之间差异更大。但研究团队员工（离模型研发最近）预估当前 AI 承担比例更高：均值 60%；其余受访者均值 53%。这说明信息差起到一定作用；同时研究员本身日常使用 AI 也更多。

和人员增长预测一样，这些都是 2026 年 8 月 Anthropic 员工内部调研的个人观点，不是 Anthropic 官方测算，也不是公司预测。

图 8：Anthropic 员工预估 AI 承担前沿大模型研发工作的占比。 问题：2026 年初前沿模型研发工作，AI 当前承担比例；2027 年末、2030 年末预计占比。短竖线中位数；箱体 25–75 分位；须线 10–90 分位。员工个人预估，非 Anthropic 官方测量或预测。

结论

美国成年人与 Anthropic 员工对当下 AI 能力认知大体一致。但双方对 AI 迭代速度、落地广度、节省时间带来的生产力提升幅度判断分歧巨大。借助《变革性 AI 经济情景》模型：美国成年人中位数回答对应的情景，美国经济增速达到历史常规水平两倍。而身处 AI 研发、使用前沿的 Anthropic 员工，对 AI 进步、普及、知识工作自动化的预期，指向一场历史性的经济变革：到 2030 年，GDP 大约每四年半翻一番。

无论普通美国民众还是 Anthropic 员工：预判 AI 将承担自身更多工作任务的人，同样预判更高失业率。平均来看，Anthropic 员工预判个人工作更快被自动化，因此对应更高失业率预期。预期差异根源，在于两组对 AI 未来可替代个人工作比例判断不同。

两组人群日常使用 AI 的体验天差地别：绝大多数 Anthropic 员工已经和能承担大量本职工作的 AI 协同；绝大多数美国劳动者没有这种体验。在职场使用 AI 的普通民众，预期会向 Anthropic 员工靠拢。未来公众预期会多大程度改变，取决于 AI 能否在全社会各行各业，达到前沿实验室的应用深度。

推荐引用格式

@techreport{sacher2026expectations,
	author = {Sacher, Szymon and Cotter, Tess and Jones, Charles I. and Korinek, Anton and McCrory, Peter},
	title = {The {AI} Expectations Gap: Public and Frontier Lab Views on {AI}'s Impact on Work},
	institution = {The Anthropic Institute},
	type = {Technical Report},
	year = {2026},
	month = oct,
	url = {https://www.anthropic.com/research/ai-expectations-gap}
}

致谢

Scott Booth, Meredith Callan, Yena Cho, Adam Farina, Ben Fowler, Ryan Heller, Aisling Keenan, Eva Lyubich, Maxim Massenkoff, Matt Mohn (Morning Consult), Matt Monday (Morning Consult), Kerry Persen, Sarah Pollack, Santi Ruiz, Monika Tuchowska, Heather Whitney, Nathan Wilmers, Kim Withee, Charles Yang, Jack Clark, Dario Amodei

参考文献

Acemoglu, D. and P. Restrepo (2019). “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives 33(2), 3–30. Favaro, M. and J. Clark (2026). “When AI Builds Itself.” The Anthropic Institute. https://www.anthropic.com/institute/recursive-self-improvement. Korinek, A., C. I. Jones, S. Sacher, T. Cotter and P. McCrory (2026). “Economic Scenarios for Transformative AI.” The Anthropic Institute Working Paper No. 2026. Massenkoff, M., E. Lyubich, S. Sacher, Z. Hitzig, S. Zhang, R. Heller and P. McCrory (2026). “Anthropic Economic Index report: Cadences.” The Anthropic Institute. https://www.anthropic.com/research/economic-index-june-2026-report. Wilmers, N., R. Catipon, M. Massenkoff and P. McCrory (2026). “How Employment is Changing at Anthropic.” The Anthropic Institute. https://www.anthropic.com/research/employment-at-anthropic.

附录

https://www-cdn.anthropic.com/1bc1a3067f9c9883d6d556b38f26fd4f1e1b640f/The%20AI%20Expectations%20Gap%20-%20Appendix.pdf

脚注

1. 晨兴咨询 8 月 11–23 日开展美国成年人调研，样本 10980 人，加权代表成年人口。未来问题分为两组：一半受访者问 2027，另一半问 2030。正文报告均为 2030 组结果。线上问卷，排除无互联网人群，加权无法完全消除样本偏差。Anthropic 员工内部调研 8 月 9–12 日，1334 名来自全公司员工，未加权，全部回答 2030 相关问题。
2. 晨兴咨询 9 月 17–24 日复测，新增两道题目，7613 名美国成年人参与。主要结论变化很小：中位数美国受访者推演 GDP 增速 5.6%，失业率 4.7%。最大变动：认为 2030 年前 AI 做出诺奖级成果比例由 39% 上升至 44%。正文使用 8 月调研结果。
3. 类比 Anthropic 经济指数评估 AI 任务节省时长的方法，详见：https://www.anthropic.com/research/estimating-productivity-gains。
4. 基准情景：正常环境下，失业人员找到新工作平均约 3 个月。问题：2030 年某人因 AI 自动化失业，需要转行，预估多久找到新岗位。美国受访者选项区间：不足 1 个月到 3 年以上或永远找不到。Anthropic 员工用滑块填写月数。
5. 我们遵循《变革性 AI 经济情景》原文方法，将原始问卷回答映射为模型输入；详见附录 B。本次运算固定其他参数，采用 “显著情景” 基准。
6. 中位数按分项分别计算，所以 GDP 增速中位数、失业率中位数不一定来自同一个受访者。

脚注补充：这一问题不等同于 AI 写多少代码。Favaro 与 Clark（2026）报告：Anthropic 代码库合并代码中，80% 以上由 Claude 编写；但前沿模型研发还包含研究方向、实验设计、评估等大量工作。