Anthropic 内部研究披露 AI 如何重塑公司岗位结构与初级用工

Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory

AI 如何重构了 Anthropic 的工作与就业？作为一家站在 AI 应用前沿的公司，Anthropic 可以成为一个领先指标，预示 AI 将如何在整个经济中改变工作组织、招聘和劳动力需求。

核心发现

• Anthropic 在初级技术岗位上的招聘比例有所下降。这一变化发生在 AI 智能体相对员工的工作时长迅速扩张之际。到 8 月份，交互式 AI 智能体的工作小时数已是员工的六倍。
• 随着 AI 智能体在公司内部全面铺开，Anthropic 开始实现人均产出更多代码、每位销售完成更多交易、以及处理更多合同。纵向追踪同一名员工，随着他们采用新的 AI 工具，产出也随之上升。
• 这种加速使得人类注意力成为智能体产出的瓶颈。即使在非技术员工中，要读完他们所有 Claude 智能体的输出也需要耗去他们半个工作周。作为回应，员工转向“元工作”——构建可视化工具和监控智能体流水线。
• 工作组织的变化也反映在招聘经理优先事项的转变上，他们越来越强调自主性和判断力，相对于技术领域专业知识和执行力而言。

引言

在日益强大的 AI 之下，我们可以预期哪些工作与就业的转型？Anthropic 值得研究，因为它已彻底围绕 AI 重塑了自身的工作流程。智能体在 Slack 聊天中穿梭往来并安排会议。它们自主修复 bug，并协同攻克庞大的工程项目。智能体的工作时长是人类的 6 倍。Anthropic 正在发生的变化，为一种可能的未来工作与就业形态提供了先行信号。

本报告基于全面的 Anthropic 内部数据，涵盖就业、AI 使用情况、产出指标、员工调查、内部沟通模式、员工日历数据以及招聘决策记录，并以 17 次员工访谈为定量数据提供语境。

我们发现，即使公司不断壮大，初级技术岗位的相对招聘速度已经放缓。工程师和非技术员工的生产力都大幅跃升，而在他们采用编程智能体时，跃升尤为显著。招聘经理越来越看重申请者的自主性和判断力，而非特定的技术专长。在一家重度使用 AI 的组织中工作，一个标志性特征就是持续面临压力，要尽可能将自己从这一瓶颈位置中精简出去。一位工程师形容自己的工作就像面对“一支 Claude 大军，每一位都在请求我的注意力”。Anthropic 的员工仍然至关重要。但他们贡献的性质已经改变。

Anthropic 已对这些变化做出回应，建立了一个早期预警系统来追踪有被颠覆风险的岗位，并且随着岗位的演变，公司已优先考虑内部再部署。这些发生在 AI 开发和 workplace 变革双重前沿的行动，展示了具体的组织承诺如何塑造 AI 对就业的影响。但它们也提出了一个难题：这些承诺究竟应当是什么。

前沿的劳动力需求

Anthropic 扩张迅速。但其每美元营收的招聘量已低于上一代大型科技公司。在成立五年时，Anthropic 的人均营收是 Meta 和 Google 在各自快速增长高峰期时的 2–4 倍。¹

哪些岗位在消失？在 Anthropic 内部，关于初级技术员工需求下降的讨论于 2026 年 1 月在核心技术部门中出现。那些自身工作中最依赖 Claude 的团队发现，编写代码和查找 bug 已越来越多地可以交由 Claude 处理。能力更强的新模型加速了这种认知：「让人眼前一亮的是，尤其是性能工程师方面的提升，这几乎在一夜之间改变了我们的招聘方向。」

到 4 月时，工程和研究团队已经降低了低职级技术岗位的招聘优先级。在同月的调查中，大多数经理表示由于 AI 的影响，他们在招聘不同技能的岗位。约三分之一的 ML 经理和五分之一的 SWE 经理报告称，因 AI 而减少了招聘。

就业份额的变化十分显著。图 1 显示，自 2025 年初以来，Anthropic 技术部门中初级员工的占比已从 21% 下滑至 14%。初级技术岗位招聘的比例下降得更快，从 27% 降至 9%。自 2025 年 12 月以来，面向初级岗位的招聘数量下降得尤为明显。

与此同时，Anthropic 内部技术部门的整体就业占比在去年从 61% 降至 56%。随着公司扩张，技术岗位的招聘在绝对数量上仍在持续增长，但销售、财务和招聘等岗位的大规模招聘速度超过了技术岗位。这一转变部分源于业务职能在公司规模化过程中的自然扩张，部分也反映出编程工具正让非技术员工能够自己开发软件。例如，一位销售代表设计了一个针对其工作的定制化仪表板和流程：「这样的构建原本超出了我的能力范围，尤其是 UI 部分，还要连接各种工具和 MCP。但我大概花了三到四个小时就做出来了，不断迭代就好。」非技术员工（定义为基线时无代码提交者，不含新员工）的以编程为中心的 AI 智能体会话次数，从 2025 年 8 月的每月 2 次跃升至 2026 年 5 月的 90 次。

然而，这种招聘结构的变化不仅仅是关于自动化编码让其扩散到 其他领域专家 的故事。在技术部门内部，截至 2026 年 4 月，过去一年不主动写代码的员工（定义为过去 30 天内无代码提交者）占比下降了近一半。这部分原因是技术人员比例的稀释：例如，工程师与产品经理的比例约为 17 比 1，自 2025 年以来一直在上升。经理的代码提交数量也翻了一番。技术团队内部的管理与协调角色越来越涉及构建和交付代码。

非技术招聘并未加速的一个领域是通常随公司规模扩张而增长的行政职能。智能体助理、自动化审查以及工单服务外包的综合作用，使 Anthropic 即使在快速增长的同时仍保持着行政人员的精简。一位财务经理构建了一个采购申请审查智能体，并向同事解释道：「它就是试图找出那些占用大量时间的事情，这样大家就能专注于其他工作。」

即使是与人际互动紧密相关的文书工作，增长也很缓慢。一位曾为日程安排和邮件分类构建了一个个人助理智能体的行政助理解释道：「我认为我们已经越过了 Claude 把真正入门级行政类角色替代掉的那个节点」，转而将工作重心放在更高级别的「幕僚长」任务上。

这些变化已经涉及人员的重新分配：在公司任职至少一年的员工在 2026 年每月跨部门调动的概率比 2025 年高出 50%。整个团队也因将工作交接给智能体而被重新调配。以一个产品设计团队为例，他们曾撰写 Claude.ai 上的问候语等文案：「Hello night owl,」「Coffee and Claude time?」2026 年春季，该团队开发了一个上下文图谱，能够有效引导智能体撰写出富有吸引力的产品文案。该团队的经理解释说，这「让团队的规模得以扩展」，但同时也带来了一个问题：留给人类作者的工作还剩下什么？随后该团队转入智能体提示工程，开始为 Claude 编写模型评估和提示词。「曾经用语言驱动人类行为的作者，如今在用语言驱动 Claude 的行为。」

AI 正在推动 Anthropic 的生产力提升吗？

这些转变是否归因于 AI？在 Anthropic，人类是覆盖在日益壮大的 AI 智能体队伍之上的一层薄薄的把关者。根据智能体会话遥测数据，2026 年 3 月，自主运行与交互式智能体的工时总和首次跃升至超过人类工时。其中一部分是由智能体集群开展的工业化规模软件工程——填补无数的例行测试和检查、对不断增长的基础设施代码进行维护，并推动大规模代码库的翻译工作。但即便将范围收窄到单个员工所部署的智能体（如图 2 所示），到 8 月份，智能体的工作时长也已达到其人类使用者的 6 倍。

Anthropic 是一家软件生产方，这些智能体中流转的绝大部分 token 都用于生成软件代码。仪表盘监控着公司内部运行的智能体集群。不过个人助理智能体也在监控员工的日历和消息，进行日程安排，发送从收到的邮件中汇总出的待办清单，并自动向员工简要介绍即将召开的会议的相关人员及目的。Token 正在触及越来越多的日常工作环节。

所有这些 token 加起来意味着什么？图 3 绘制了一系列可衡量产出岗位的产出随时间变化的情况。与先前 对 Anthropic 工程师的调查 和描述 模型训练与研究自动化 的报告一致，每位工程师的代码提交数增长最快，达到六个月前速度的 5 倍。数据科学家们也在更多地查询日益增长的 Anthropic 数据，让 Claude 智能体为仪表盘和决策者提供实时指标。但图 3 显示，随着编码智能体的普及，即使是非技术员工的产出也在上升：律师处理了更多合同；应付账款部门加快了发票流转；销售员达成了更多交易。

但这一切都是因为使用 Claude 吗？在这同一时期，公司业务实现了爆炸式增长。当你在销售一个强大的模型时，达成交易自然更容易。为了评估 AI 的独立效应，我们对比了采用智能体编码工具的员工与尚未采用工具的员工的产出。这使我们能够比较在同一月份于公司工作、因此面临相似业务环境、但使用不同工具的员工。需要注意的是，工具的采用并非随机：例如，如果某些员工即将推动某个重大新项目并决定为此配备工具，这将使我们的估计产生偏差。

我们跟踪了 192 位工程师采用编码智能体的过程，并与同期未采用智能体的 74 位工程师进行对比。图 4 显示，在采用之后的几个月里，工程师新增的代码量急剧上升。更多的代码未必意味着更好的代码或 业务影响。为了检验 AI 代码质量问题，我们研究了 Anthropic 内部的代码提交。我们比较了同一员工、同一月份、同一代码目录下，由编码智能体编写的代码与由该员工直接编写的代码。代码质量有多个维度，AI 的错误可能比人类的错误更难识别。但我们发现，后续被删除或回退的代码行比例没有差异。

图 4 还考察了工程师采用其首个完全自主智能体后的情况。与未采用者相比，已经采用的人本就处于急剧上升的轨迹之上。这表明，转向完全自主智能体的员工本就在不断提升其产出。

这些模式是否超越了编码本身，延伸到更广泛的知识工作变革中？Anthropic 的销售代表从去年九月开始逐步采用 AI 智能体。图 4 显示，在销售代表采用智能体之后，他们与更多客户达成了交易。这一模式的部分原因可能是拥有更多销售机会的代表选择了自动化。但它也可能反映出对日志记录和日常沟通的自动化。一位客户经理解释说，Claude 自动化功能处理了邮件起草和客户管理软件集成，替代了他们此前约 20% 的工作任务。另一个人指出，类似的自动化让他们能够专注于面对面交流，与之前相比能够多与 30% 的客户交谈："每当你第二次做某件事时，你都会想，好吧，我怎样才能用 Claude 让第三次不用再亲自动手？"

除了销售部门，一位 Anthropic 的律师构建了一系列 Claude 自动化流程，用于扫描风险和机遇、对法律问题进行分类筛选，并对面向公众的文案进行法律审查的初步处理。一位招聘人员借助 Claude 完成候选人搜寻、申请跟踪以及一项原本"可能需要好几周"的分析工作，使他得以重新设计过时的面试问题，并能与更多应聘者面谈。

所有这一切表明，随着 AI 能力的提升，它正在影响 Anthropic 内部范围广泛的各类工作。从描述上看，我们看到在使用 Claude 处理最复杂任务的领域中，初级岗位的就业增长在放缓（图 5）。

瓶颈与流程：AI 密集型工作场所中的新旧任务

高强度的 AI 采用重塑的不仅仅是就业和生产力。它还驱动着工作流程的持续变化，产生新的任务，并改变员工对工作场所的感知。一位员工将其描述为"在 Anthropic 永远要尽可能快地行动并把 Claude 用于一切的压力"，另一位则说"我们这里一周能完成的事情，在其他地方要花三个月"。一项内部员工调查询问 Anthropic 的工作流程是否让受访者尽可能地高效：2024 年末有 44% 的员工同意；到 2025 年 11 月这一比例上升到 58%（2026 年 4 月时，75% 的受访者回答是，但该问题因去掉了"尽可能地"而有所弱化）。截至 8 月，Anthropic 的员工预计到 2030 年 AI 将能够完成其 75% 的工作，而其他美国人的这一比例为 28%。

这种不断攀升的生产力预期被内部模型发布的节奏所放大。每当有新的模型可用，Anthropic 的员工就会开始在交互式编码智能体会话中处理更困难的问题。我们用一个自动化的 Claude 评分器来评估匿名会话中任务的难度，评分依据是深度、范围以及所涉及系统的数量。在新模型发布后的几周内，难度高于上一代模型第 90 百分位的任务占比会急剧上升约 30%（从所有任务的 10% 上升到 13%），并保持在这一较高水平。交给智能体的简单任务则几乎没有变化。

代理生产力的不断攀升转化为投放在人类屏幕和注意力上的输出。一位工程师将此比作看孩子：

他们会说，我需要打开我的果汁盒，而且这是十万火急的事。而这种语气和切到手指在流血的人所表达的关切程度是一样的。[...] 当你在看孩子时，每个孩子都会带着同样需要你关注的事情来找你，各种 [Claudes] 也是如此。

在 2026 年 4 月的调查中，关于 AI 如何影响日常工作的开放式问题里，27% 的人描述了使用 Claude 工具带来的生产力提升，20% 的人描述了他们的角色从实际执行工作转变为管理 Claudes。

在这种模型驱动的加速中，人类的注意力是一个持续的瓶颈。在交互式、多轮会话中，代理会话时间的绝大部分根本不是在工作，而是在等待。我们通过从每个交互会话的总挂钟时间中减去每个代理的有效工作时间来跟踪空闲时间。Claude 会约有 80% 的时间在闲置等待人类输入。正如一位工程师所说，人们正在"成为代理的瓶颈"。

阅读所有交互式会话中 Claude 的输出究竟需要多少时间？对于每个交互式会话，我们将该会话的代理输出 token 转换为字数，假设按平均人类阅读速度计算。图 6 显示，过去六个月中，技术职能的编程代理输出量大幅跃升。但即使对于非技术群体，交互式 Claude 会话产出的内容也足以占据超过半个工作周。Claude 文本的洪流需要加以整理。

应对这种洪流的一种方法是不断上升的自动化。但这需要不同类型的工作。针对代理的书面常驻指令从 2025 年 7 月的几百条增长到一年后的 8,500 条。一位工程师设立了一个代理幕僚长来分流代理请求。另一位为其 Claude 团队撰写了绩效评估："嘿，让我们谈谈我们的沟通风格中哪些有效、哪些无效。"招聘人员构建了集成仪表板，让代理发现问题并主动采取行动。一位律师将注意力从审查法律问题转向做"法律建议的 SEO，你需要撰写让 [客户] 代理能够发现的框架"。

图 7 显示，这类元工作从 2025 年秋季普通员工交互式 Claude 会话的 10% 跃升至 2026 年春季的 22%。这一增长很大程度上具体归因于代理管理：为多代理运行撰写规范、让一个代理循环审查另一个代理的输出，以及监控流水线。跨职能来看，人类的参与越来越从某段具体的代码或写作，抽象到让代理有效完成任务所需的工具。

尽管智能体的可靠性有所提高，并且围绕监督它们的工具进行了大量投入，但人类信任与问责制仍然至关重要。一位员工解释说，在追踪 bug 时，越来越会发现“这些组织层面的、系统性的或技术债问题，实际上需要一定程度的 человеческой… 召集、决策和治理才能解决。”（注：原文片段中此处无 HTML 标签，译文按中文连贯处理；俄语词为人名/术语误植，保留为原样未被翻译。）——抱歉重译。 一位员工解释说，在追踪 bug 时，越来越会发现“这些组织层面或系统性或技术债的问题，实际上需要一定程度的由人类召集、做出决策以及治理才能解决”。一次又一次的访谈中，员工们都把面对面协调描述为不可或缺的一部分。基于日历数据，中位数员工开会的时间比一年前多了 20%。这部分反映了公司的扩张，以及向以会议为主的非技术岗位的转变。但即便是身处技术个人贡献者岗位的员工，过去一年的会议时长也上升了 16%。战略层面的全局性问题涉及大量具有杠杆效应的岗位，通常需要与他人展开讨论和互动。从管理智能体的工作中抽身出来，往往就意味着去开一个会。

总体而言，无论是技术岗位还是非技术岗位，其工作中偏执行的部分都已被自动化（编写代码、定位 bug、记录进展、起草邮件）。工程师们描述自己正转变为智能体的领导者和管理者；非技术员工则说自己工作中偏战略的部分越来越多：“原本 20% 的战略性工作，变成了 90% 的工作内容。”但对许多非技术岗位而言，核心的执行性工作本身也带有大量人际沟通属性：一次销售电话、一次面试、就一个复杂问题进行的跨部门对齐。所有这些，仍然由人来完成。

再看看那些既是 Anthropic 内部沟通的“头版”也是其“后台频道”的 Slack 频道。智能体渗透进了 Slack，并最终出现在将近一半活跃的公共频道中。图 8 聚焦于某个大型部门的沟通网络，基于该部门成员使用的所有公共 Slack 频道数据绘制而成。它通过是否参与了同一 Slack 话题来连接人类与智能体参与者。图中显示，随着橙色点位绽放并占据网络主导地位，智能体呈现出显著的增长态势。

智能体大量出现在专门的“Claude 与人类互动”频道中，而不是在既有的纯人类频道里大量发消息。人类沟通的底层结构与密度变化甚微。智能体并未取代人类互动，而是叠加在它之上：该部门中人类话题所收到的人工回复数量保持不变，而在此之上又新增了一层智能体的回复。智能体变成了单个员工的小团队，而不是同时与许多员工保持高连接度的节点。

随着人类在一支不断壮大的 AI 代理队伍中工作，他们面临将人类工作转移到代理可见渠道的压力。如果决策是在面对面会议上做出的，却没有留下任何笔记或汇报，代理就会缺失更新其目标和假设所需的关键背景信息。一位员工解释说，由于他们的名字出现在一份几个月前关于 Claude 周边礼品的文档上，即使他们的职责早已变化，代理仍不断带来关于 T 恤和马克杯的请求。在 AI 重度介入的工作场所中，未记录的会议和私信中的私人工作是不可见的、令人困惑的，并且会受到劝阻。一位研究人员将这种默认的开放性描述为对 Anthropic 全面整合 AI 至关重要："大多数组织并非如此运作，我认为这是一个巨大的转变，因为领导者必须在公开场合为反馈进行辩护。"为 AI 提供背景信息的需求要求人类工作和决策具有可观察性。

谁将在这样的工作场所中如鱼得水？Anthropic 工作内容的变化也体现在招聘经理在招聘决策中所优先考虑的技能的改变上。我们使用自动编码器来处理自 2024 年以来 Anthropic 招聘的数千名员工的招聘经理面试评分卡。这些评论是面试官评估候选人表现时的定性反应。最明显的变化是越来越强调候选人是否展示了对 AI 工具的创造性使用。2024 年，招聘经理在约 5% 的技术岗位评估和 7% 的非技术岗位评估中提到了候选人在 AI 工具方面的过往记录。到 2026 年，这些比例在技术岗位上增加了两倍，在非技术岗位上增加了三倍。招聘经理越来越关注候选人是否有效地使用 AI。

更深层次的变化在评估中也有所体现。在技术候选人的面试中，增幅最大的是关于申请者自主性和判断力的评论。领域专业知识的讨论在整体评估中所占比例有所下降。正如一位经理所解释的，"我预计模型的能力将继续参差不齐，因此对我的团队而言，我希望他们能在各个领域之间互换使用。"同样，对于非技术候选人，客户导向和使命导向有所增加，而关于执行技能的讨论则有所减少。招聘经理越来越多地根据候选人的判断力和承诺来评估申请人，而非被 AI 工具自动化的特定领域技能和执行力。

雇主可以做什么

Anthropic 对 AI 的深度采纳使其成为一个有用的案例。随着 AI 的扩散和改进，工作组织可能会像之前几次技术变革浪潮那样发生变化。铁路带来了管理型公司，蒸汽动力催生了工厂，个人电脑孕育了初创企业。使用工具的、具备推理能力的 LLM 将需要什么样的新组织，而我们将在其中扮演什么角色？一种可能是单人皮、单一创始人初创企业，每家由一位人类创始人驾驭大量代理，以攫取数十亿美元的收入。另一种可能是由 AI 天才 CEO 创办的公司，只雇用人类代理来操作移液器并在国会作证。

Anthropic 看起来与以上两种都不一样。它在过去一年里规模扩大了三倍，已经不再是一家小型创业公司。它也没有把高管层的控制权让渡给它的模型。无论是公司战略还是团队决策，主要由 Slack 上的书面辩论和面对面会议来主导，AI 代理的参与非常有限。让人类的工作在整个公司内保持可见，确保自主代理能从新鲜的上下文中进行推理。编排代理团队的独立贡献者，从所需的知识和工作中的相互依赖来看，更像是管理者。在一家 AI 密集型的组织中，公开地工作和决策至关重要。

随着员工越来越把自己的工作视为管理一群 Claude，他们花更多时间构建工具，以便在自己独特的领域中有效地完成这些工作。这种实验意味着员工在不断地把自己手上的任务自动化。在某些岗位上，他们正在越来越多地远离原本塑造了他们技能的、面向对象层面的工作。随着代理飞速完成工作流，人类注意力和判断力成了系统所要对抗的瓶颈。从销售到法务，人类员工被期待承担更多和不同的任务。角色范围扩大，包括构建产品、管理代理，以及处理最强大 LLM 仍然力不能及的战略性和人际工作。

这些在组织和工作内容方面的变化，伴随着初级技术岗位在员工人数、招聘和职位发布中所占份额的下降。招聘经理越来越看重应聘者的自主性和判断力，而不是执行力和狭隘的专业经验。总体而言，Anthropic 的营收增长相对于其员工增长，已经超过了一代之前科技公司那种本身已经很快的早期生产力增长。

把这些模式顺着时间和经济整体外推，可以看出 AI 扩散可能会带来劳动者被替代的风险。已有研究也发现，AI 原生创业公司和AI 采用企业的组织更扁平，雇用的入门级员工也更少。从 Anthropic 的实践中，我们能学到什么，来以服务于其周围人类员工的方式管理 AI 带来的剧变？

在这里我们希望谨慎行事。Anthropic 雇佣实践中的许多部分，是无法在整个经济中复制的。

但有三项特征格外突出。首先，广泛的股权持有让员工对公司成败有强烈的利害关系。当然，对于一家估值已大幅上涨的公司来说，这是一种容易采取的姿态。对许多公司而言，共享股权可能不够，或在其他方面并不可取。但很难想象存在这样一种有益于工人的 AI 落地方式——其中工人在成功推行中并不持有经济利益。正如受访者所说，如果个体贡献者被期望去「管理智能体」、「做出副总裁级别的决策」并成为「自己的业务线」，那么让他们的利益与组织保持一致就至关重要。1950 年代缔结的二战后工会—管理层协议正是建立在这样一种交易之上：像美国汽车工人工会和美国钢铁工人工会这样的工会，容许管理层在工作重组（乃至工作强度提升）上享有自主权，作为交换，获得与生产率增长挂钩的薪资上调以及一整套丰厚的福利。无论 AI 影响下的员工与其雇主之间达成什么新协议，分享落地收益的机制都不可或缺。在 Anthropic，员工要把自己的专业知识编码给机器，眼睁睁看着日常工作流程被不断搅扰打断，并且他们工作中的很大一部分已变为速读 AI 协作者的输出。他们并非免费做这些事。

其次，Anthropic 正在搭建一套持续的预警系统，用以监测面临 AI 驱动转型的岗位。一系列岗位层面的需求与生产率指标被对照 AI 的能力和应用来读取。这些汇总指标有助于标记工作正在发生转移的地方。预警系统让公司可以开始把受影响的员工重新分配到技能匹配、短期内风险较低的岗位上。当整个经济中的公司纷纷转向更快节奏的工作重组时，用于引导内部员工再分配的有效系统将越来越有价值。AI 进步越快，每当有新的任务需求出现就转而求助于外部劳动力市场，就会构成越严重的瓶颈。在本报告中，我们发现了部门间流动性增强、工作内容变化，以及员工随着旧任务被自动化而转向新任务。对于 AI 密集型组织而言，搭建系统以灵活地在内部再分配员工将至关重要。

对内部员工再分配的承诺带来了重要的权衡。一个运转良好的劳动力市场应当把工人引导到其最高效的岗位上，无论是在当前雇主处还是其他雇主处。对再分配在职员工的承诺，可能让雇主在冒险雇用新员工时犹豫不决。在正常经济状况下，尤其是在竞争激烈的情形中，此类承诺可能成本不菲。

但将再分配置于优先位置，会迫使采用 AI 的企业去思考 AI 如何为新产品和新市场创造新任务，而不是把 AI 应用一股脑儿用于替代工人以节省劳动力成本。这有助于雇主抵御「凑合」式或「低效」式自动化的诱惑——在这些情形中，AI 或其他技术只是勉强胜过工人：雇主取代了工人，给被替代工人带来收入损失方面的巨大社会成本，而获得的产出收益却微乎其微。

从我们在 Anthropic 观察到的情况来看，在密集使用 AI 的同时，新型任务和持续由人完成的任务依然存在。这些任务的未来走向尚不确定，因此应当建议保留一支灵活的劳动力队伍。正如一位 Anthropic 高管所指出的："焦虑不安的员工做不出最好的工作。"

这些举措都无法阻止强大的 AI 颠覆就业。事实上，其中也没有任何一项直接针对本报告所记录的初级岗位招聘放缓问题。对在职员工的就业保护并不能惠及那些一开始就未被雇用的人。雇主的自发行动必须与政府关于再培训和收入支持的高瞻远瞩的政策并行。AI 可能带来的工作场所变革的规模，应当为相关政策提供清晰的指引。

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

我们感谢抽出时间接受访谈、讲述其工作如何发生变化的 Anthropic 员工。我们感谢 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 提出的宝贵意见和提供的协助。

参考文献

Acemoglu, Daron, 和 Pascual Restrepo。2019。《自动化与新任务：技术如何替代并重塑劳动力》。《经济展望杂志》第 33 卷第 2 期：3–30。https://doi.org/10.1257/jep.33.2.3

Beraja, Martin, 和 Nathan Zorzi。2025。《低效自动化》。《经济研究评论》第 92 卷第 1 期：69–96。https://academic.oup.com/restud/article-abstract/92/1/69/7612958

Demirer, Mert、Leon Musolff 和 Liyuan Yang。2026。《编写代码与发布代码：跨越多代 AI 编程工具的生产率影响》。NBER 工作论文 35275。https://doi.org/10.3386/w35275

Ewens, Michael, 和 Xavier Giroud。2025。《企业层级结构》。NBER 工作论文 34162。https://doi.org/10.3386/w34162

Favaro, Marina, 和 Jack Clark。2026。《当 AI 构建自身》。Anthropic 研究所。https://www.anthropic.com/institute/recursive-self-improvement

Hitzig, Zoe、Maxim Massenkoff、Eva Lyubich、Shaoyi Zhang、Ryan Heller 和 Peter McCrory。2026。《智能体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, 和 Guy Lichtinger。2025。《生成式 AI 作为偏向资历的技术变革：来自美国简历和招聘数据的证据》。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 和 Deep Ganguli。2025。《AI 如何改变 Anthropic 的工作方式》。Anthropic，12 月 2 日。https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

Kim, Hyunjin, 和 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 和 Maxim Massenkoff。2026。“补贴性职业培训的证据评估。”Anthropic 研究所工作论文 2026-01。https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs