作者：腾讯科技
美国当地时间 10 月 16 日，Anthropic 发布内部研究报告《Anthropic就业之变》（How Employment is Changing at Anthropic），系统梳理公司深度使用 AI 后，工作内容、招聘结构和劳动力需求的变化。
这项研究基于 Anthropic 内部就业记录、AI 使用遥测数据、员工产出指标、员工调查、内部沟通记录、日历数据和招聘决策评分卡，并结合 17 次员工深度访谈完成。
报告给出四项主要发现：其一，初级技术岗位招聘占比明显下滑，从 2025 年初的 27% 降至 2026 年的 9%，但公司整体就业规模仍在扩张，受压缩的是入门级岗位，而不是岗位总量；其二，AI 智能体工时快速上升，截至 2026 年 8 月，Anthropic 员工直接指导的交互式智能体工时已达人类操作者的 6 倍；其三，员工工作内容正在发生结构性变化，重心从直接执行任务转向构建工具、监控工作流和管理智能体；其四，Anthropic 已开始建立早期预警系统和内部人员调配机制，但报告认为，仅靠企业层面的措施仍不足以解决入门岗位收窄等更广泛的社会问题。
作为 AI 应用最前沿的企业之一，Anthropic 的内部变化，被报告视为观察 AI 可能如何影响其他企业工作方式和招聘需求的一个样本。
初级岗位招聘收缩
报告中最受关注的数据之一，是初级技术岗位招聘比例的大幅下降。
自 2025 年初以来，Anthropic 技术部门中初级员工占比从 21% 降至 14%，初级技术岗位的招聘占比则从 27% 降至 9%。2025 年 12 月之后，初级岗位招聘启事数量的下降尤为明显。
这并不意味着公司整体收缩。相反，Anthropic 在过去一年中已扩张至原来的 3 倍，技术岗位的绝对数量仍在增长。变化主要发生在招聘结构上：新增岗位更多集中在中高级和专家层级，留给初级岗位的入口明显变窄。
报告称，对初级岗位需求变化的讨论最早出现在 2026 年 1 月的核心技术部门。一些重度使用 Claude 的团队发现，基础代码编写、漏洞排查等常规工程任务，越来越多可以交由模型完成。性能工程师岗位受到的影响尤其明显。一位受访者说，这几乎在一夜之间改变了团队对人才的需求。
到 2026 年 4 月，工程和研究团队已开始系统性下调低职级岗位的招聘权重。当月内部调查显示，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，他们因使用 AI 而减少了招聘人数。
报告认为，初级岗位率先受到冲击，与这类工作的任务属性有关。入门级工作通常规则清晰、执行性强，而这正是当前大语言模型处理能力较强的领域。代码编写、数据处理、文档整理和客户支持等任务，都在不同程度上受到 AI 影响，而且模型完成这些工作的能力还在持续提升。
报告写道，当模型能力每隔几个月就跃升一个台阶，技能阶梯最底端的岗位，最可能先被替代。
这种趋势并不限于技术部门。按照通常情况，企业规模扩张时，行政、财务、人事等支持部门也会随之扩编。但在 Anthropic，智能体助手、自动化审核和工单服务外包等安排，使公司在快速扩张过程中，仍维持了精简的文职人员配置。
一位行政助理开发了用于日程管理和邮件分类的个人助理智能体，并表示，团队已经过了用 Claude 增强入门级行政岗位的阶段，当前工作重心正转向更高层级的协调与规划任务。
智能体工时已超越人类员工
招聘结构变化背后，是智能体在公司内部的快速普及。
报告显示，2026 年 3 月，Anthropic 内部自主运行和由员工直接指导的两类 AI 智能体，其累计工作时长首次超过人类员工工作时长。此后，这一数字继续增长。到 2026 年 8 月，仅员工直接指导的交互式智能体，其工作时长就已达人类员工的 6 倍。
大量智能体被部署在软件工程领域，承担测试用例生成、代码检查、基础设施维护和代码库迁移等任务。报告指出，这一统计尚未包括完全自主运行的智能体集群。对单个工程师而言，这意味着他可以同时安排多个智能体持续执行任务，再对其生成的代码和分析结果进行检查。工程师的角色，也在从亲自写代码转向任务分配和结果审核。
生产率变化也反映在具体数据中。报告显示，工程师人均代码提交量在 6 个月内增至原来的 5 倍，数据科学家的查询处理量明显上升，律师、应付账款和销售等非技术岗位的产出也有所增加。
为排除业务增长等因素干扰，研究团队采用了对照分析方法。他们追踪了 192 名采用编码智能体的工程师，并以同期尚未采用该工具的 74 名工程师作为对照组，利用个体和月份双向固定效应进行估计。
结果显示，在采用编码智能体后，工程师的代码提交量出现统计上显著的快速增长。
针对 AI 是否会生成低质量代码，报告也给出了一组比较。研究团队比较了同一名员工在同一个月、同一个代码目录下，由智能体直接生成的代码与员工手动编写的代码，并将代码在 90 天内被删除或回退的比例作为质量评估指标。结果显示，两者在代码质量上不存在统计上显著的差异。至少从代码回退率来看，AI 生成代码与人工手写代码表现相当。
非技术岗位同样出现生产率上升。报告称，销售代表采用智能体后，完成的客户交易数量有所增加。一位客户主管估计，Claude 自动化了约 20% 的常规工作，包括起草邮件和操作客户管理系统。另一位受访者则表示，自动化释放出来的时间，使其客户面谈量增加了 30%。
员工工作重心转向“元工作”
智能体数量增加、生产率提升，并没有让员工从工作中抽身。相反，人类注意力正逐渐成为智能体产出的瓶颈。
报告显示，在交互式会话中，智能体约 80% 的时间处于等待状态，需要人类发出指令、确认结果或提供下一步方向。
研究团队还按照普通人的阅读速度，将智能体输出的 token 换算为阅读时间。结果显示，非技术部门交互式 Claude 会话产生的内容，已经足以占据员工每周相当大的一部分工作时间。仅仅读取和处理 AI 生成内容，就构成了一项不可忽视的工作负担。
面对这种变化，员工逐渐形成了一种新的工作方式。报告将其称为“元工作”（meta-work），即围绕智能体展开的管理性工作，包括构建管理工具、编写常设指令、设计监控仪表盘，以及安排不同智能体相互审查。这类工作的核心，不再是直接执行具体任务，而是设计并管理由 AI 完成任务的流程。
相关数据记录了这一转变。2025 年秋季，“元工作”约占员工交互式 Claude 会话的 10%；到 2026 年春季，这一比例升至 22%。增长主要来自智能体管理活动，包括为多智能体系统编写规格说明、安排智能体交叉审查，以及监控工作流运行状态等。
工作方式的变化，也反映在招聘标准上。研究团队对 2024 年以来 Anthropic 数千名员工的面试评分卡进行了自动编码分析，发现技术岗位中提及 AI 工具使用能力的评估比例从约 5% 升至约 15%，非技术岗位则从约 7% 升至约 28%。
与此同时，招聘评估重点也在变化。技术岗位中，自主性和判断力成为增长较快的评估维度，领域专业知识的权重相对下降；非技术岗位更重视客户意识和使命导向，对执行技能的讨论有所减少。一位招聘经理表示，他预计模型能力在不同领域之间仍有差异，因此希望团队成员能够在不同领域之间灵活切换。
报告中的一个案例也说明了这一变化。Anthropic 一支负责撰写 Claude.ai 产品问候语的设计团队，在 2026 年春季开发了上下文图谱系统，引导智能体生成产品文案，从而扩大团队产出能力。随后，这支团队转向智能体提示工程，开始负责撰写模型评估内容和提示词。
报告对此概括称，过去通过语言影响人类行为的写作者，如今开始通过语言影响 Claude 的行为。岗位名称和外在形式没有变，但其工作的内核已经不同。
入门岗位收窄带来的问题
Anthropic 的案例呈现了 AI 对就业结构的具体影响。作为前沿 AI 公司，其内部变化也为其他行业未来可能面对的变化提供了参考。
从目前情况看，AI 对就业的影响首先体现在认知劳动的入门层级。初级程序员、入门分析师、一线客服、基础文案和初级财务等岗位，过去常常是大学毕业生进入职场的起点，如今正逐步受到 AI 影响。
报告指出，问题不只是岗位数量变化。初级岗位还是员工积累经验、学习业务流程、逐步成长的重要起点。当这一层级收缩，年轻人获得第一份工作和积累职业经验的机会，也可能随之减少。如果企业对新人的要求逐渐转向 AI 工具使用能力、判断力和自主性，那么这些能力应当在什么阶段、通过什么方式获得，也成为一个现实问题。
针对企业可采取的措施，报告提出了三项方向：
- 通过广泛的股权共享机制，让员工分享 AI 推动生产率提升带来的收益。当员工需要管理智能体、承担更多决策责任时，将个人利益与组织目标结合起来会更重要。
- 建立早期预警系统，持续监测 AI 对不同岗位的影响，并提前规划受影响员工的内部转岗。
- 强化内部流动机制。当原有任务逐渐自动化后，帮助员工转向新的工作领域，而不是直接流向外部劳动力市场。
不过，报告也明确指出，企业内部措施仍不足以解决更广泛的社会问题。Anthropic 作为前沿 AI 公司，具备为员工提供内部转岗和利益共享机制的条件；但对多数传统行业企业和员工而言，这类资源和制度安排未必存在。谁来帮助这些企业识别岗位变化，谁来承担员工技能转换成本，这些问题已经超出单一企业的应对范围。
报告末尾写道：「一支焦虑担忧的劳动力，不是一支尽力工作的劳动力。」
这句表述指向的，不只是经济层面的变化，也包括心理和社会层面的影响。当工作的定义快速变化，入门门槛持续抬高，每个人都需要不断证明自己不会被 AI 替代，不确定性本身也会成为一种广泛的社会心理负担。
Anthropic 的实验仍在继续。智能体能力还在增强，应用数量仍在增长，人类与 AI 之间的工作分工也在持续调整。这场变化最终会走向何种形态，报告没有给出结论；但从现有数据来看，工作未必会消失，工作的含义、门槛和价值排序，正在被重写。