lijianfei.com

2026 年 10 月 16 日，大模型前沿实验室 Anthropic 罕见地向全球发布了两份具有历史分水岭意义的研究报告：《How employment is changing at Anthropic》（AI 如何重塑 Anthropic 内部用工与组织形态）与《The AI expectations gap》（AI 预期鸿沟：前沿机构与公众认知的断层）。长期以来，关于“AI 到底是在赋能员工还是在替换员工”的争论充斥着各种宏观推演与模糊感性认知，而 Anthropic 这一次撕掉了所有公关滤镜，用极其详实的第一手用工花名册、Git 提交记录、跨部门流动数据与 1.1 万人代表性调查，首次向外界呈现了一个高度智能化组织在真实世界中的微观样貌。

在这份内部账本中，最令我震撼的莫过于人机协作权重的彻底逆转：2026 年 3 月，Anthropic 内部 AI Agent 的纯工作时长首次跨过全员人类总工时；到了 8 月，Agent 的累计工时已飙升至全员人类工时的 6 倍整。但伴随着这种生产力狂飙的，不是无痛的乌托邦，而是残酷的结构性洗牌——技术部门新入职员工中初级岗位的比例从 27% 断崖式腰斩至 9%，工程师人均代码产出暴涨 5 倍却导致 80% 的时间被“等待人类审批”所卡死。作为一名深度重度使用 Agent 的一线技术人，我在阅读这份万字报告与宝玉的精辟拆解时深感共鸣。本文将从内部用工异化、初级开发者危机、代码质量实证、“元工作”跃迁与宏观预期断层五个维度，深度复盘这场正在发生的技术地震。

1. 人机工时大逆转：从 1:1 到 1:6 的质变拐点

在评估技术对企业形态的改造时，最直观的硬指标莫过于工时分配。Anthropic 的研究人员对内部全员的工时结构进行了严格脱敏与标准化核算：人类员工按每人每周 40 小时的标准工时折算，而 AI Agent（包括交互式 Claude 与全自主后台任务）则只严格统计模型推理、工具调用（Tool Use）与脚本实际执行的活动时间，剔除所有空闲等待时间。

即使采用如此严苛的计算标准，数据依然呈现出令人瞠目的指数级跨越：

flowchart LR
    A["2025 年秋季<br/>人类主导执行<br/>Agent 仅充当辅助工具"] --> B["2026 年 3 月<br/>关键交叉点<br/>Agent 累计工时 = 人类总工时"]
    B --> C["2026 年 8 月<br/>超级自动化规模化<br/>Agent 工时达到人类 6 倍"]
    C --> D["企业产出剧变<br/>成立 5 年人均营收<br/>达同期 Meta/Google 的 2~4 倍"]

在 2026 年 3 月之前，人类依然是 Anthropic 内部生产力的主要承担者；但随着支持长上下文、复杂多轮工具调用与自主纠错的新一代模型落地，自动化流水线全面铺开。到了 2026 年 8 月，Anthropic 员工调用的交互式与自主 Agent 每日执行的总工时，已经达到了全员人类工时的 6 倍。

这种工时杠杆直接反映在了极度恐怖的人效指标上：

• 成立五年横向对比：当前成立仅 5 年的 Anthropic，其实际扣除通胀后的人均营收（Revenue per employee），已经达到了当年同处于成立 5 年高速成长期（2003 年与 2009 年）的 Google 和 Meta 的 2 到 4 倍。
• 软件研发吞吐量飙升：在代码库中流淌的海量 Token 正在不分昼夜地支撑着大规模测试编写、日常基础设施维护、持续集成巡检与跨系统重构。

正如我在日常工程中所感受到的，一旦 Agent 掌握了系统环境与全量上下文，它所释放的执行力绝不是多招两个外包所能比拟的，它是一个 24 小时不知疲倦、随时可以横向复制数千个实例的无形工作流军团。

2. 初级技术岗位的断崖式隐形蒸发

生产力狂飙的另一面，是传统工程师成长梯队的崩解。这是整个报告中最触目惊心、也最值得每一位年轻开发者警醒的数据：

xychart-beta
    title "Anthropic 技术部门初级岗位与人员结构变动 (%)"
    x-axis ["新招初级占比", "存量初级占比", "技术全员占比"]
    y-axis "占比 (%)" 0 --> 70
    bar [27, 21, 61]
    bar [9, 14, 56]

[!NOTE]
图表数据标注说明：

• 新招初级技术岗占比：从 2025 年初的 27% 断崖式跌落至 2026 年年中的 9%；
• 存量初级技术员工占比：从 21% 下滑至 14%；
• 技术部门全员占公司总人数比例：从 61% 稀释至 56%（技术人员绝对总数仍微增，但非技术人员增速显著领先）。

为什么初级岗位最先被穿透？

在传统的软件工程分工体系中，初级工程师（Junior Engineers）扮演着极其关键的角色：编写胶水代码、写单元测试、修补边缘 Bug、排查初级堆栈日志，并在这个过程中逐渐理解系统的整体架构，最终晋升为中高级工程师。

然而在 Anthropic 内部，这个传统的晋升阶梯被 Agent 彻底抽空了。报告明确指出，自 2026 年 1 月起，核心研发部门内部开始普遍意识到对初级技术员工的需求正在骤减。一位工程主管在访谈中直言：

“最令人瞠目结舌的是 Agent 对性能工程与底层调试带来的巨大提升，它几乎在一夜之间改变了面试筛选时寻找的人才画像。”

当一个成熟的编码 Agent 能够在 30 秒内梳理完数十个代码仓库的依赖、写出覆盖率 90% 的测试用例、并精准定位内存泄漏点时，企业为初级工程师提供“带薪实训与试错”的经济合理性荡然无存。自 2025 年 12 月起，Anthropic 针对初级工程师的 Job Posting 出现了近乎垂直的下跌。

组织结构扁平化与“全员编码”

伴随着初级研发岗位的隐退，整个组织的职能边界也发生了根本性重塑：

1. 产品经理（PM）与工程师比例飙升至 1:17：过去由 PM 撰写冗长需求文档（PRD）并拆解为 Jira 任务的流水线被打破，资深工程师直接驱动 Agent 完成原型设计、接口定义与端到端实现。
2. 非技术人员的“自编程狂欢”：得益于 MCP（Model Context Protocol）工具协议与自然语言交互，非技术部门（销售、法务、财务）的员工开始绕过 IT 部门自己搭建生产工具。数据显示，此前没有任何 Git 提交记录的非技术员工，其月度编码 Agent 会话量从 2025 年 8 月的每月 2 次飙升到 2026 年 5 月的 90 次。一位销售代表仅耗时 3~4 个小时，就通过提示词迭代完全自建了一套定制化的 CRM 数据管道与界面。

3. 代码产出爆炸与“代码垃圾（Code Slop）”实证检验

当工程师人手配备数个编码 Agent，最容易引发的质疑就是：这些暴增的代码究竟是真正的生产力，还是难以维护的垃圾代码（Code Slop）？

为了验证这一点，Anthropic 的经济学家与研究人员展开了一项严密的因果推断实验。他们持续追踪了 192 名接入编码 Agent 的工程师，并与 74 名同期尚未接入的对照组工程师进行纵向对比：

实验结果给出了极具说服力的客观结论：Agent 撰写的代码并未导致质量劣化。

Anthropic 研究人员在控制了工程师个体能力、工作年限、代码目录难度以及发布时间等混杂变量后，证实由 Agent 辅助生成的生产级代码，在事后被其他工程师回滚、打回重写或短时间内弃用的比例，与人类工程师纯手工编写的代码没有统计学上的任何差异。

这意味着，大模型在上下文理解、代码语义分析与类型安全方面的成熟度，已经跨越了“玩具阶段”，真正能够承担起严谨工业级系统的交付重任。

4. 系统的唯一瓶颈：人类注意力枯竭与“元工作”异化

既然 Agent 质量达标且工时充裕，为什么人类工程师还没有被全面替代？报告揭示了一个极具戏剧性的瓶颈转移机制：当机器的产出速度无限接近光速时，人类的生物学带宽就成了整个系统最大的性能瓶颈。

sequenceDiagram
    autonumber
    participant Human as 资深人类工程师
    participant Fleet as Claude Agent 任务集群
    participant Prod as 生产环境与代码库

    Human->>Fleet: 下发系统级架构 Spec 与目标
    activate Fleet
    Fleet->>Fleet: 并发编写代码、运行单测、扫描漏洞
    Fleet->>Prod: 预演部署与集成测试完成
    Fleet-->>Human: 提交 PR 与架构决策求助 (等待人类审查)
    deactivate Fleet
    Note over Human,Fleet: 痛点：Agent 集群处于 80% 空转等待状态<br/>人类注意力耗尽，面临海量上下文求助
    Human->>Fleet: 审批通过或追加修正 Prompt
    activate Fleet
    Fleet->>Prod: 合并主干并自动化上线
    deactivate Fleet

1. “80% 的时间在等人类”与“看孩子危机”

报告中的会话遥测数据表明：在多轮交互式会话中，Claude Agent 约 80% 的时间处于静默等待（Idle Waiting）人类输入与确认的状态。换言之，不是 Agent 运行得不够快，而是人类看不过来、批不过来。

一位受访工程师将其生动地比喻为“极度疲惫的保姆面对一群精力旺盛的孩子”：

“这就好比你在照看一群孩子。其中一个大喊‘我的果汁盒打不开了，这是特大紧急情况！’，而他的叫喊声和另一个手指被割破流血的孩子一模一样响亮。在屏幕上，每一个 Claude 都用同样急迫的语气和同等级别的通知敲打着你，要求你分配注意力。”

甚至在非技术部门，单是通读每天交互式 Agent 吐出的合同草案、竞品综述与邮件汇总，按照普通人类阅读速度，就需要占据每周超过一半的标准工作时间。人类已经被淹没在高质量文本与代码的海啸之中。

2. “元工作（Meta-work）”翻倍与角色的被动晋升

为了打破这一注意力瓶颈，员工不得不开始逃避亲自动手干活，转向更高级别的“元工作（Meta-work）”：

• 静态持久指令（Standing Instructions）爆炸：员工为 Agent 编写的通用系统规则与运行准则，从 2025 年 7 月的几百条，在一年之内暴增至 8,500 条；
• Agent 管理 Agent：工程师开始搭建多 Agent 审查流水线，由“参谋长 Agent”过滤琐碎请求，由“审核 Agent”对其他 Agent 产出的代码进行二审；
• 元工作占比从 10% 飙升至 22%：员工使用 Claude 的主要精力，迅速从编写具体业务逻辑，转变为搭建监控看板、撰写架构规范与设计调度管道；
• 角色从实作者退变为管理者：在 2026 年 4 月的内部调查中，20% 的员工表示自己的本职工作已经从‘亲手干活’彻底演变为‘管理一群 Claude’。

5. 万人调研透视：前沿实验室与大众的宏观认知裂痕

在发布第一份内部用工报告的同时，Anthropic 联合权威民调机构 Morning Consult，对 1,334 名 Anthropic 内部员工以及 10,980 名具有全美人口代表性的成年人展开了对照调查。调查结果勾勒出了当今科技史上最深的“认知断层”：

xychart-beta
    title "Anthropic 员工与公众对 2030 年 AI 演进的预期对比 (%)"
    x-axis ["诺奖级发现", "替代八成工作", "任务提效四倍", "自主研发模型"]
    y-axis "认同比例 (%)" 0 --> 100
    bar [91, 52, 59, 95]
    line [39, 5, 26, 20]

[!IMPORTANT]
深蓝柱体：Anthropic 员工认同比例；绿色折线：美国普通成年公众认同比例。

认知差距来自哪里？并非逻辑相悖，而是亲历不同

最有趣的统计学结论在于：普通公众与前沿 AI 专家的经济学推导模型是高度一致的。

在两组受访者中，都呈现出非常坚挺的线性相关性：受访者越是认为 AI 会替代自己越多的工作，所预测的宏观失业率就越高。 例如，在普通美国公众中，凡是认为 AI 能够替代自己 80% 以上工作的群体，其预测的 2030 年美国失业率平均达到了 12.2%（当前现实约为 4.2%）。

员工和公众对于“技术替代劳动力会导致失业摩擦”的经济直觉没有差别。两者的巨大鸿沟仅仅在于：身处前沿实验室的人，每天都在亲眼见证 Agent 解决复杂跨领域难题，他们对 AI 真实能力的边界认知远远领先于普通公众。

递归式自我进化（Recursive Self-Improvement）的现实共识

在报告的深度附录中，Anthropic 提出了一个让技术界心跳加速的问题：在当前打造 2026 年初最顶级前沿大模型的工作中，有多少比例实际上是由 AI 自身自主完成的？

• 当前现状：全员中位数回答为 51%，而一线大模型研发（Research）部门的估值更是高达 60%；
• 2027 年底预期：研发工作由 AI 自主推进的比例中位数预计达到 80%；
• 2030 年底预期：该比例预计达到 95%。

这意味着，所谓的“AI 自主研发下一代 AI”（RSI）根本不是科幻小说中的遥远假想，在 Anthropic 的闭门实验室里，它已经是一个完成度过半的工程现实。

6. 一线工程师与技术负责人的破局指南

面对这份来自产业最前沿的残酷用工实录，作为身处一线的开发者或技术架构师，我绝不建议大家沉溺于盲目的恐慌或轻视。站在技术范式转换的历史拐点上，我认为以下三点是每一个技术人必须重构的生存策略：

1. 彻底告别“初级代码砌砖工”的心态

如果你当下的核心竞争力依然是“熟练记住几个框架 API”、“能把产品需求手工翻译成 if-else”，或者“按部就班写 CRUD 接口”，那么在未来的招聘市场中，你的生存空间将被压缩得极其逼仄。正如 Anthropic 招聘评分卡所展示的，考核重心正在从“特定领域的死记硬背”彻底转向：

• 跨领域自主性（Autonomy）：能否在定义模糊、环境动态的复杂系统里独立推进目标；
• 架构级决断力（Judgment）：能否识别出 Agent 产出物中细微却致命的架构隐患、并发死锁与安全陷阱。

2. 主动完成从“手工业者”到“Agent 调度指挥官”的跃迁

不要抗拒元工作（Meta-work）。学会撰写严密的 Standing Instructions、掌握 MCP 协议集成、设计多 Agent 交互验证链路，把自己的核心工程经验具象化为 Agent 的系统提示词与外部工具链。谁能以最低的注意力消耗驾驭最多并发运行的 Agent，谁就是新时代最具溢价的高效工程师。

3. 破局“初级新人困境”的自救路径

对于刚入行或工作年限尚浅的开发者而言，最现实的危机是企业不愿再为你编写“初级代码”支付学费。此时唯一的自救路径，是用好本地的开源或商用 Agent 工具，在业余时间以一人之力去跑通过去一个完整编制才能完成的端到端全栈产品：

• 亲自搭建从前端到网关、从存储到向量检索的完整链路；
• 把 Agent 当作 24 小时随叫随到的资深导师，逐行深挖它为何如此架构；
• 跳过漫长平庸的被动打杂阶段，用密集的端到端实战倒逼自己提早建立系统全局观。

原文链接与参考资料

• Anthropic 官方研究总览：Working at the frontier shapes expectations for the future - Anthropic
• Anthropic 内部用工研究报告：How employment is changing at Anthropic - Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory
• Anthropic 宏观预期断层报告：The AI expectations gap: Public and frontier lab views on AI's impact on work - Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek, Peter McCrory
• 宝玉技术推文拆解：Anthropic 公布内部数据：AI agent 工作时长已是员工 6 倍，技术岗新招初级员工占比降至 9% - @dotey on X