当AI接过基础工作，下一代专家从哪里来？Anthropic内部的工作变化

一、主讲人与议题背景

本期《The Artificial Intelligence Show》由Paul Roetzer与Mike Kaput主持，围绕Anthropic的两份AI与工作报告展开。现有材料未显示有受访嘉宾。

Mike介绍的两份报告回答了不同问题：一份比较Anthropic员工与美国公众对AI的预期，另一份考察AI如何改变Anthropic内部的工作与就业。Paul则将报告与自己在主题演讲中提出的“架构师、编排者与学徒”框架联系起来，重点讨论专业人士如何学习、作出贡献并获得晋升。他关注的不只是任务能否自动化，还包括专业能力如何形成，以及新人如何成长为管理者和领导者。

据Paul转述，内部就业报告综合了就业、AI使用、产出、员工调查、内部通信、日历和招聘决策数据，并结合17次员工访谈。这些材料提供了观察组织变化的多个角度，而节目呈现的是两位主持人对报告的解读。阅读时仍需区分报告记录的变化、受访者对未来的预测，以及Paul提出的价值判断：三者各有意义，却不能合并为已经得到证实的就业结论。

二、本期主要内容

第一份报告呈现了Anthropic员工与美国公众对AI未来的预期差异。据Mike介绍，公众样本包括近11,000名在8月接受调查的美国成年人，调查结果经过加权，以代表美国成年人口。两组人对AI当前能力的总体判断接近，但谈到2030年，答案明显分开：91%的Anthropic员工预计AI能够做出诺贝尔奖级别的发现，美国公众的对应比例为39%；超过一半的员工认为，届时AI可以承担自己当前至少80%的工作时数，而美国劳动者中只有5%这样回答。这些数字记录的是受访者的预测，不能视为未来能力的测试结果，也不代表相同比例的岗位将会消失。

第二份报告把视线转向Anthropic内部的招聘结构。Mike转述，初级员工在技术招聘中的占比从27%降至9%，在技术员工总数中的占比从21%降至14%。2025年12月之后，初级岗位发布量下降尤其明显，与此同时，技术招聘总量仍在增长。将这几项变化放在一起，才能看清报告所描述的结构：公司继续扩张，初级岗位在招聘和员工构成中的份额却在收缩。不过，仅凭占比变化，仍无法确定初级招聘人数究竟减少了多少，更不能据此认定发生了裁员。

产出和工具使用也在变化。Mike说，报告描述了采用AI工具后，每位工程师产出更多代码、每位销售代表完成更多交易，以及更多合同得到处理。Paul还介绍了一个非技术员工群体：研究者以基线期没有代码提交记录为识别条件，并排除新入职者。这个群体的编程类智能体会话，从2025年8月的每月2次增加到2026年5月的90次。会话数量表明使用频率显著上升，结合群体的识别条件，也显示编程工具正被非技术员工使用；但它不能证明编程能力、业务价值或有效产出按相同比例增长。

行政工作呈现了另一条变化路径。Paul把Anthropic相对精简的行政人员配置，归因于智能体协助、自动审核和工单服务外包的共同作用。人员结构背后有多种组织手段，不能将全部变化归结为AI。这些例子共同呈现的是任务、工具与人员需求的重新组合，尚不足以得出一个可以直接套用于所有公司的统一替代率。

三、核心观点：推理、例子与边界

对AI未来的判断为何相差如此之大？Mike援引Karpathy的解释：主要用AI搜索和写作的人，与深入使用先进编程和数学模型的人，接触到的能力并不相同。后者可能看到，过去需要数周或数月的项目，如今据称能在数小时或数天内完成。这种经验差异有助于理解预期分歧，但不能证明深度使用者的预测必然正确。更强的模型、更适合自动化的任务会改变个人判断，也可能让人低估其他工作环境中的阻力；节目没有独立验证预期差异的成因。

Paul把问题进一步推向人才培养。研究、起草、分析、协调和执行既是需要交付的工作，也是新人积累经验、形成判断的过程。组织过去正是通过这些基础工作，逐步培养能够独立决策、管理和带队的人。如果AI接手越来越多的执行任务，企业可能提高今天的产出，却压缩培养明天专家的空间。组织仍然需要成熟的判断力，但员工练习判断的机会可能减少。这是人才培养制度需要回应的风险；节目并未证明传统培养方式已经全面失效，也没有给出经过验证的替代体系。

人的注意力，则构成执行能力扩张后的另一重约束。Mike介绍的“六倍”，比较的是智能体运行时间与按每周40小时假定的人类工时。这个数字反映机器活动的规模，不能换算成六倍有效劳动、六倍生产率，或六个人的替代量。智能体可以并行运行，人的阅读、取舍和批准却要落实到具体决策中，两种时间不能直接等同。

阅读负担的估算更清楚地呈现了这一边界。主持人转述，如果非技术员工读完自己交互式Claude会话的全部输出，可能需要超过半个工作周。Paul解释，计算方法是把输出token换算成字数，再套用假定的平均阅读速度。因此，这个数字估算的是潜在审阅需求，并不意味着员工实际花了这么久逐字阅读。当内容生成越来越便宜，决定哪些内容值得看、哪些结果可以信任，就可能成为流程中更稀缺的工作。

员工搭建仪表盘、监控系统和智能体指令，工程师开始管理智能体，招聘经理更强调自主性与判断力，这些变化都与审阅和决策的重要性上升相呼应。Paul用“编排者”概括这种角色变化。不过，工作并未因此全部转向战略。节目明确提到，销售电话、访谈和会议等需要人与人互动的实施工作，仍由人承担。Paul转述的“战略工作从20%增加到90%”，是一名员工对自身工作的描述，并非对全体员工时间分配的统一测量。编排是否有价值，仍要看它如何改善具体任务，不能只看一个人管理了多少智能体。

编排也依赖完整、可访问的上下文。Paul指出，如果线下会议作出了决定，却没有留下纪要，智能体就会缺少继续工作的关键依据，组织也因此面临把工作移入智能体可见沟通渠道的压力。他借Zapier开放沟通的做法，以及一位Shopify负责人关于学徒学习的论述，把记录的价值延伸到人的学习：如果解决问题的过程只留在个人与智能体的私下对话中，其他员工也无法观察判断如何形成。让协作过程可见，可能同时帮助智能体衔接工作、帮助新人学习。不过，这些例子只是主持人用来说明问题的材料，尚不能证明开放沟通能在多大程度上改善学习，也不能据此主张所有信息都应无限公开。

四、学习与应用

Mike建议读者仔细研究内部就业报告，并追问：即使其中只有一部分变化发生在自己身上，对职业、公司和员工意味着什么？这个问题适合作为组织情景推演的起点，但推演时应分清报告描述、员工预期、主持人的解释和价值主张。Paul在主题演讲中设想过，一家100人的公司完成1,000人乃至10,000人的工作，人均收入从25万美元升至250万美元或2,500万美元。这些是用来探讨组织变化的情景，并非本期内部数据已经证实的结果，不能直接转化为预算承诺或裁员依据。

人才培养可以从梳理岗位任务入手：哪些基础工作适合交给智能体，哪些工作过程仍承担训练判断力的作用？沿着Paul提出的问题，一种可尝试的安排是让新人先形成简短判断，再与智能体方案比较，由资深员工解释最终采用或否决的理由。记录也应保留问题、备选方案、纠错和反馈，而不只留下最终答案。这样的安排需要资深员工投入时间，短期吞吐量未必最高，目的在于让自动化后的工作仍包含练习和反馈。这是由节目讨论推导出的管理建议，尚未经节目验证，适合先在有限任务中试行，再观察新人能否独立处理更复杂的问题。让部分人机协作过程可见、为关键决策留下记录，也可以为这种学习提供材料。

对于现有员工，Paul支持通过新产品、新市场和业务增长创造工作，并建立灵活的人员再配置机制。落实到自动化试点，可以提前明确节省的时间将用于哪些工作、由谁负责培训，以及何时检验这些新任务是否真正存在。但再配置也有局限：讨论承认，承诺安置在职员工可能增加未来用人的负担，使企业对新增招聘更加谨慎；内部转岗也不能直接解决初级招聘放缓。保留现有人才与维持新人入口，是需要分别处理的问题，一项转岗承诺无法覆盖全部人才政策。

效率收益也需要从职业成长的角度衡量。Paul主张，AI部署应当让人受益，让职业与公司共同发展，而不只是追求利润和人均收入。他还提到另行公布的Anthropic Public Benefit Fund安排：其中5%的股份承诺仍以股东批准为条件，后续可能采用捐赠或直接分配的方式。这个附带条件的安排不能写成已经完成的补偿；Paul也追问，财务分配是否足以回应人对目的感和意义的需要。用于组织决策时，经济保障、学习机会和有意义的职责应分别考察，不能用一个财务指标代替所有目标。

Anthropic的经验可以帮助企业检验自身准备是否充分，但不宜当作统一时间表。Paul估计，其他先进采用者可能落后Anthropic约18个月，某些行业可能还需要3至5年才会出现类似变化。这些是他的判断，并非经过验证的采用进度。企业可以据此为不同速度准备可调整的方案，再根据自身任务的实际变化更新判断，提前处理培训与协作问题，而不必仅为追赶节目中的时间估计就仓促改变人员结构。

来源

• 原始节目：Anthropic's Own Data on AI and Jobs