> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Anthropic 就业报告：AI 正在怎样改写招聘与产出
- URL: https://www.hubwiz.com/blog/anthropic-employment-hiring-output/
- Published: 2026-10-20T08:48:18.000Z
- Updated: 2026-10-20T08:57:35.000Z
- Description: Anthropic 公开内部数据：初级技术岗占比 21%→14%，Agent 工时 6 倍于员工，工程师产出 5.1 倍。AI 改写的不只是招聘。
- Author: admin
- Tags: AI 就业, Anthropic, Agent, 组织管理

**一句话结论**：Anthropic 的内部数据，被作者当成 AI 冲击就业的"前沿观测站"。它公开的内部数据显示：**初级技术岗在收缩，人均产出在暴涨，而人类的时间变成了 Agent 产出的瓶颈**。真正稀缺的不只是写代码的人，而是能判断、能协调、能为结果负责的人。

**披露**：本文完整编译自 Anthropic Institute 于 **2026-10-16** 发布的《How employment is changing at Anthropic》，作者为 Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory。这是一份**公司自报的内部研究**：数据来自 Anthropic 自己的雇佣、Agent 遥测、员工调查、日历与招聘记录，并辅以 17 位员工访谈。它不是随机对照实验，也不能直接外推到其他公司或经济体。文中所有图表来自原文；因站内正文图片宽度限制为 800px，图表文字可能偏小，**图注里附了原图链接**。

## 关键发现

- **初级技术岗的比例在下降。** 技术部门里初级员工占比从 2025 年初的 **21% 降到 14%**，初级技术**招聘**占比从 **27% 降到 9%**。与此同时，Agent 工时相对员工工时快速扩张，到 2026 年 8 月，交互式 Agent 的工时是员工的 **6 倍**。
- **人均产出在上升。** 随着 Agent 在公司内扩散，Anthropic 人均写出的代码更多、每位销售成交更多、处理的合同更多。跟踪同一个人随时间的产出，采用新 AI 工具后产出确实上升。
- **瓶颈从"做事"变成"看住 Agent"。** 即使是 non-technical 员工，读完自己 Claude agent 的全部输出也要花掉半个工作周。员工因此转向"元工作"：建可见性工具、监控 agent 流水线。
- **招聘经理看重的东西变了。** 自主性和判断力的权重上升，具体技术领域经验和执行能力的权重下降。

## 引言：为什么研究 Anthropic

当 AI 越来越强，工作与就业会发生什么变化？Anthropic 值得研究，是因为它已经把工作流彻底围绕 AI 重塑：Agent 在 Slack 频道里穿梭、安排会议，自主修 bug，组队啃大型工程；Agent 的工作时长是人类的 6 倍。今天在 Anthropic 发生的变化，可能是未来工作形态的一个提前信号。

这份报告使用了 Anthropic 的全量内部数据：雇佣、AI 使用、产出指标、员工调查、内部沟通模式、员工日历和招聘决策记录，再用 **17 位员工访谈**给这些量化数据提供背景。

研究发现：即使公司仍在快速扩张，初级技术岗位的相对招聘已经放缓；工程师和非技术员工的产出都跳了一级，而且是在采用 coding agent 时陡然上升；招聘经理越来越强调候选人的自主性与判断力，而不是具体技术专长。在 AI 密集的组织里工作，一个核心特征是**持续把自己从瓶颈位置上"优化掉"的压力**。一位工程师把工作形容为面对"一支 Claude 大军，每一个都在要我的注意力"。Anthropic 的员工仍然挑剔、仍然在提意见，但他们贡献的性质已经变了。

Anthropic 的应对是：建立一套**早期预警系统**追踪有被颠覆风险的岗位，并在岗位演化时优先做**内部再配置**。这些动作发生在 AI 发展与职场变革的双重前沿，说明具体的组织承诺可以塑造 AI 对就业的影响；但它们也留下一个难题——这些承诺到底应该是什么。

## 一、前沿公司的劳动力需求

Anthropic 扩张得很快，但**每美元收入对应的招聘量**比上一代大型科技公司更低。成立五年时，Anthropic 的**人均收入是 Meta 和 Google 各自高速增长巅峰期的 2–4 倍**。

那么，少招的是哪些岗位？

在 Anthropic 内部，关于初级技术员工需求下降的讨论，**2026 年 1 月**首先出现在核心技术职能里。最依赖 Claude 的团队发现，写代码和找 bug 越来越多可以交给 Claude。新模型的能力进一步加速了这种认知：

> "真正让人吃惊的是 performance engineer 的提升幅度，几乎一夜之间，我们要找的人就变了。"

到 **4 月**，工程与研究团队已经降低了低职级技术岗位的招聘优先级。同月调查中，多数经理表示因为 AI 而转向招聘另一组技能；约 **1/3 的 ML 经理**和 **1/5 的 SWE 经理**表示因 AI 而减少了招聘。

就业结构的变化很刺眼。**图 1** 显示，自 2025 年初以来，Anthropic 技术部门初级员工占比从 **21% 滑到 14%**；初级技术**招聘**占比下降更快，从 **27% 到 9%**；初级岗位的职位发布自 **2025 年 12 月**起下降尤其陡峭。

![图 1：Anthropic 技术部门初级员工占比、初级招聘占比与初级职位开放占比下滑](https://www.hubwiz.com/blog/content/images/2026/10/img_4e1c6c2162383a353ee4ace6888360d5-800-1.jpg)

*图 1：技术部门（左）初级员工占比 21%→14%、初级招聘 27%→9%、初级职位开放占比约 11%→6%；非技术部门（右）初级员工占比 25%、初级招聘 26%、开放岗位 13%。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/e5dc89d3bceb2fcb9509ec35aa22f11131a9d8eb-1920x1080.png?ref=hubwiz.com)*。来源：Anthropic。*

与此同时，技术部门在 Anthropic 内部的整体就业占比也从 **61% 降到 56%**（过去一年）。公司扩张时，技术招聘的绝对量仍在增长，但销售、财务、招聘的招聘更密集。一部分是公司规模化后业务职能的自然扩张；另一部分可能反映 coding 工具让非技术员工自己造软件。例如，一位销售代表给自己做了一个定制仪表盘和 pipeline：

> "这种构建本来超出我的能力，尤其是 UI、把所有工具和 MCP 接起来。但我大概三四个小时就做出来了，就是不停迭代。"

非技术员工（以基线时没有代码提交的人计，排除新员工）的 coding agent 会话，从 **2025 年 8 月的每月 2 次**，涨到 **2026 年 5 月的 90 次**。

但招聘结构的变化不只是"自动化 coding 扩散到其他领域专家"。在技术部门内部，**不直接写代码的员工**（过去 30 天没有代码提交）占比在截至 2026 年 4 月的一年里**下降了近一半**。部分原因是非工程师占比下降：工程师与产品经理的比例约为 **17:1**，且比 2025 年更高；经理的代码提交量也翻了一倍。技术团队里的监督与协调角色，越来越多地包含"自己上手构建和交付代码"。

非技术招聘没有加速的一个领域，是通常随公司规模扩张的**行政职能**。agent 助手、自动审查和工单外包组合起来，让 Anthropic 在快速扩张的同时保持很轻的文员编制。一位财务经理做了采购申请审查 agent，对同事说："它就是找出那些特别耗时的活，好让大家去做别的事。"

即使与线下互动紧密相关的文员工作，增长也慢。一位执行助理给自己做了日程和邮件分诊的私人助理 agent，这位助理的判断是："我觉得我们已经过了 Claude 增强掉真正入门级行政岗位的那个点。"其工作重心转向更高阶的"chief of staff"任务。

这些变化已经带来**内部再配置**：在 Anthropic 工作满一年的员工，**2026 年每月跨部门流动的概率比 2025 年高 50%**。也有整支团队被重新分配，因为他们把工作交给了 agent。一个产品设计团队原本写 Claude.ai 上的文案，比如 "Hello night owl;" "Coffee and Claude time?"。2026 年春天，团队做了一个 context graph，能有效引导 agent 写出有吸引力的产品文案。经理说，这"放大了团队"，但也带来一个问题：人类写作者还剩下什么？团队随后转向 agent prompting，开始为 Claude 写模型评测和提示词。

> "过去用语言驱动人类行为的写作者，现在用语言驱动 Claude 的行为。"

## 二、AI 是否真的提高了生产率？

这些变化能归因于 AI 吗？在 Anthropic，agent 群体不断壮大，人类只占据其顶端薄薄的一层。基于 agent 会话遥测，**2026 年 3 月，自主 agent 与交互 agent 的工时之和首次超过人类工时**。其中一部分是成群的 agent 在做工业级软件工程：补大量例行测试和检查、维护不断膨胀的基础设施代码、发起大规模代码库翻译。但即使只看**单个员工部署的 agent**（图 2），到 8 月，agent 的工时也是其人类操作者的 **6 倍**；研究组织里这个比例是 **19 倍**。

![图 2：Agent 工时超过人类工时（对数刻度）](https://www.hubwiz.com/blog/content/images/2026/10/img_ed4657fb148c58c3654c9ad371ebc022-800-1.jpg)

*图 2：员工直接指挥的交互式 agent 工时 / 人类工时。全体 6×，研究组织 19×。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/042b829f8c8850b596dfb6feaa323d1e911b21bb-1920x1080.png?ref=hubwiz.com)*。来源：Anthropic。*

Anthropic 是软件生产商，这些 agent 消耗的 token 绝大部分用于生产软件代码。公司里有仪表盘监控跨部门的 agent 集群。但个人助理 agent 也在监控员工日历和消息、安排日程、把收件箱里累积的待办发出来、在会议前自动简报参会人和会议目的。token 正在触及越来越多日常工作。

![图 3：各职能产出暴涨（以 2025 年 12 月为 100）](https://www.hubwiz.com/blog/content/images/2026/10/img_5cb3db090517210a1664baf4685da5ac-800-1.jpg)

*图 3：工程师人均代码提交 5.1×、数据科学家查询 3.1×、法务人均合同 3.1×、销售人均成交 1.7×、招聘人均入职 1.4×、应付人均发票 1.4×。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/1865c3a561e790824826f29a27c771ce62c67eaf-1920x1252.png?ref=hubwiz.com)*。来源：Anthropic。*

这些 token 加起来意味着什么？**图 3** 画出了多个有可测产出职能的人均产出。与之前[对 Anthropic 工程师的调查](https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic?ref=hubwiz.com)和[模型训练/研究自动化](https://www.anthropic.com/institute/recursive-self-improvement?ref=hubwiz.com)的报告一致：**工程师人均代码提交涨得最快，达到六个月前的 5.1 倍**。数据科学家也在更多地查询 Anthropic 日益增长的数据，让 Claude agent 把实时指标送到仪表盘和决策者面前。但图 3 显示，即使非技术员工，随着 coding agent 扩散，产出也在上升：律师处理更多合同、应付会计推进更多发票、销售成交更多。

但这一切都是 Claude 带来的吗？同一时期，公司业务经历了爆炸式增长——卖一个强模型时，成交本来就更容易。为了评估 AI 的独立效应，作者比较了**采用 agentic coding 工具的员工**与**同期尚未采用**的员工。这样比较的是同一个月、同一业务环境下的员工，只是工具不同。但要小心：**工具采用不是随机的**。如果员工正要做某个大项目、因而决定"武装起来"，估计就会有偏。

他们跟踪了 **192 名采用 coding agent 的工程师**，并与研究期内**未采用的 74 名工程师**比较。**图 4** 显示，采用之后的几个月里，工程师新增代码量明显上升。代码更多不一定意味着代码更好、或[商业影响](https://www.nber.org/papers/w35275?ref=hubwiz.com)更大。为了检验"AI 代码垃圾"，作者比较了**同一个人、同一个月、同一个代码目录**下，由 coding agent 写的代码与人类直接写的代码。代码质量有很多维度，AI 错误也可能比人类错误更难识别；但他们发现，**后续被删除或被回滚的代码比例没有差异**。

图 4 还看了工程师采用**第一个全自主 agent**之后的情况：采用者本来就已经在比非采用者更陡的上升轨道上。这提示，转向全自主 agent 的员工，其实在采用之前就已经在加速产出。

![图 4：用错峰采用估计的个人内生产率提升，以及 AI 代码与人类代码的质量对比](https://www.hubwiz.com/blog/content/images/2026/10/img_3b5fdf3d3fe1fd16d309a13be4ed0d8c-800-1.jpg)

*图 4：个人固定效应 + 月份固定效应；采用时点定义为首次出现 ≥5 次 agent 会话的月份。质量面板比较同一人直接写的代码与其 coding agent 写的代码：90 天内删除比例、因 bug 修复删除比例、整次提交是否被显式回滚、是否新增 lint 抑制注释、是否新增 TODO/FIXME/HACK、是否新增 flaky 测试标记。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/15abba062e588ec86e0f9466f16bccbc701444e3-1920x1641.png?ref=hubwiz.com)*。来源：Anthropic。*

这些模式会超出 coding、扩展到更广泛的知识工作吗？Anthropic 的销售代表从去年 9 月开始逐步采用 agent。图 4 显示，销售采用 agent 后，成交客户数增加。部分可能是"手里机会更多的销售更愿意自动化"，但也可能反映记录和例行沟通被自动化。一位客户经理说，Claude 自动化处理邮件起草和客户管理软件集成，替代了约 **20% 的原有工作任务**；另一位说，类似自动化把他解放出来做面对面沟通，能覆盖的客户比过去多 **30%**：

> "任何事只要你做第二遍，你就会想：好，我怎么用 Claude 让它不用再做第三遍？"

销售之外，一位 Anthropic 律师搭了一组 Claude 自动化来扫描风险与机会、分诊法律问题、对对外文案做法律初审。一位招聘人员用 Claude 做候选人搜寻、申请跟踪，以及一项"大概要花几周"的分析，从而腾出时间重写老旧的面试题、见更多候选人。

这些都说明，随着 AI 能力提升，它影响的是 Anthropic 内部广泛的工作。描述性上看，**用 Claude 处理最复杂任务的岗位，初级就业放缓最明显**（图 5）。

![图 5：按岗位使用 Claude 的复杂度看初级就业增长](https://www.hubwiz.com/blog/content/images/2026/10/img_18cde8d5d7e71cc7a53032e4f88349f9-800-1.jpg)

*图 5：纵轴为 2026 年 1 月到 7 月的初级员工数增长（log points），横轴为岗位 Claude 任务复杂度百分位；点的大小是 2026 年 1 月该岗位就业人数。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/f68fdd1f18d36b4e45e17f0aaaa49541bade7dcd-1920x1331.png?ref=hubwiz.com)*。来源：Anthropic。*

## 三、瓶颈与流程：AI 密集职场里的新旧任务

重度采用 AI 改变的不只是就业和生产率，它还持续改变工作流程，制造新任务，并改变员工对职场的感受。一位员工形容这是"Anthropic 永恒的压力：尽可能快，所有事都用 Claude"；另一位说，"我们一周内期待完成的事，在别处要三个月"。

内部员工调查问：Anthropic 的工作流程是否让受访者尽可能高效？**2024 年底 44% 同意，2025 年 11 月 58%**（2026 年 4 月有 75% 回答"是"，但问题去掉了"尽可能"，口径变弱）。截至 8 月，[Anthropic 员工预期](https://www.anthropic.com/research/ai-expectations-gap?ref=hubwiz.com)到 2030 年 AI 能完成自己 **75%** 的工作，而其他美国人平均预期是 **28%**。

这种不断上调的生产率预期，被内部模型发布的节奏具象化。新模型一上线，员工就开始在交互式 coding agent 会话里处理更难的问题。作者用一个自动 Claude 评分器，对去标识化会话的任务难度打分（深度、范围、涉及的系统数量）。**新模型发布后，难度高于旧模型 90 分位的任务占比从 10% 升到 13%（+30%），并在随后数周保持高位；交给 agent 的简单任务变化很小。**

Agent 生产率的螺旋上升，最终变成扑向人类屏幕和注意力的产出。一位工程师把这种体验比作带小孩：

> "他们就像在说：我要打开我的果汁盒，而且这是紧急事件。说这话的紧迫程度，和那个割破手指正在流血的孩子一模一样。……带小孩时，每个孩子都带着同等紧急的诉求来抢你的注意力，各种 Claude 也是这样。"

2026 年 4 月的调查里，一个关于"AI 如何影响日常工作"的开放题中，**27% 的人描述了 Claude 工具带来的生产率提升，20% 的人描述自己的角色从"实际做事"转向"管理 Claude"**。

在这种由模型驱动的加速中，**人类注意力是恒定的瓶颈**。在交互式多轮会话里，agent 的绝大部分会话时间根本不是在工作，而是在等。作者用"会话总墙钟时间减去 agent 实际工作时间"计算空闲：**Claude 会话约 80% 的时间在空等人类输入**。用一位工程师的话说，人在"给 agent 制造瓶颈"。

读完交互式会话里 Claude 的全部输出，到底要多久？作者把每个会话的 agent 输出 token 按人类平均阅读速度换算成词数。**图 6** 显示，技术职能的 coding agent 输出量在过去六个月暴涨；但即使是 non-technical 组，交互式 Claude 会话的产出也足够占掉**半个以上的工作周**。Claude 文本的洪流需要被组织。

![图 6：把读 Claude 的输出当成一份全职工作](https://www.hubwiz.com/blog/content/images/2026/10/img_e24ff9acda5e808aafbc3bb383bf925f-800-1.jpg)

*图 6：每人每周读完 agent 输出所需小时数：工程与研究 424h、财务与会计 43h、销售与 GTM 35h、其他非工程 27h、法务/政策/信任 26h、市场与传播 12h。按 0.75 词/token、250 词/分钟估算。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/1eb1610d350eeae63bf6300c5a17b66a42667da6-1920x1200.png?ref=hubwiz.com)*。来源：Anthropic。*

应对洪流的一种方式是提高自动化，但这需要另一种工作。给 agent 的**常驻书面指令**从 2025 年 7 月的几百条，增长到一年后的 **8,500 条**。一位工程师设了一个"agent chief of staff"来分诊 agent 请求；另一位给自己的 Claude 团队写了绩效评估："嘿，我们来谈谈我们的沟通方式哪里行、哪里不行。"招聘人员搭建集成仪表盘，让 agent 主动暴露问题并发起动作；一位律师把注意力从审法律问题转向做"法律建议的 SEO，你得写框架，让客户的 agent 能发现你"。

**图 7** 显示，这类元工作（meta-work）占普通员工交互式 Claude 会话的比例，从 2025 年秋天的 **10%** 升到 2026 年春天的 **22%**。上升主要来自 **agent 管理**：为多 agent 运行写规格、让一个 agent 循环审查另一个的输出、监控流水线。跨职能看，人的参与越来越从具体代码/文案，抽象到"让 agent 有效干活的工具链"。

![图 7：成为 Claude 的管理者](https://www.hubwiz.com/blog/content/images/2026/10/img_4080f9e55cf4e389322dd4faec5779e9-800-1.jpg)

*图 7：元工作占典型员工 agent 会话的比例，2025 年 8–10 月 vs 2026 年 4–6 月。全体 10%→22%；基础设施 29%、安全 27%、开发者工具 26%、产品工程 26%、安全研究 25%。*[*点击看原图*](https://www-cdn.anthropic.com/images/4zrzovbb/website/94aede8c44a52ad7ecf8efdc9cb72156d72b7c6d-1920x1187.png?ref=hubwiz.com)*。来源：Anthropic。*

尽管 agent 可靠性提高、也投入了大量工具来做监督，**人的信任与问责仍然关键**。一位员工说，追 bug 越来越多地"挖出组织性、系统性或技术债问题，而这些问题实际上需要人来召集、决策和治理"。一次又一次访谈中，员工都把面对面协调描述为不可替代。日历数据显示，**中位数员工花在会议上的时间比一年前多 20%**；即使在技术 IC 岗位，会议时间也上涨 **16%**。全局战略问题牵涉多个杠杆位置，通常需要与人辩论、对齐。从管理 agent 中抽身休息，通常就是跳进一个会议。

总体看，技术与非技术岗位都出现了**执行部分被自动化**（写代码、找 bug、记录进度、起草邮件）。工程师说自己变成了 agent 的领导和管理者；非技术员工说自己越来越多地做工作中的战略部分："原本 20% 的战略工作，变成了工作的 90%。"但对许多非技术岗位，核心执行本身也是人际的：销售电话、面试、跨职能对齐复杂问题。这些仍然是人。

再看 Slack——它既是 Anthropic 沟通的首页，也是后厨。Agent 扩散进 Slack，最终出现在**近一半的活跃公开频道**里。**图 8** 放大了一个大型部门的沟通网络，纳入该部门成员互动过的所有公开 Slack 频道，按是否参与同一 thread 连接人类和 agent。图中橙色节点迅速增加，最终主导网络。

*图 8：Agent 进入沟通网络。蓝点是员工，橙点是 agent thread，连线是同一 thread 内的互动。原文此处为动图（*[*点此查看 mp4*](https://cdn.sanity.io/files/4zrzovbb/website/8f9591116db7ee91487f770222ddc524d551d867.mp4?ref=hubwiz.com)*）。来源：Anthropic。*

Agent 更多出现在专门的 Claude-人类互动频道，而不是在既有人类频道里大量发言。人类沟通的底层结构和密度变化不大：agent 不是替代人类互动，而是**叠加**了一层——该部门的人类 thread 仍保持相同数量的人类回复，同时又多了 agent 回复。Agent 更像是"一个员工的一支团队"，而不是同时连接许多员工的高连通节点。

当人类工作在不断扩大的 agent 集群中，他们面临一种压力：**把人类工作搬进 agent 可见的频道**。如果决定是在线下会议做的，又没有纪要或汇报，agent 就缺少更新目标和假设的关键上下文。一位员工说，自己的名字挂在一份几个月前关于 Claude 周边的旧文档上，结果职责早变了，agent 还在不断带来 T 恤和马克杯的请求。未记录的会议、私信里的私有工作，在 AI 密集职场里是**不可见、令人困惑、不被鼓励**的。一位研究员把这种"默认公开"视为 Anthropic 深度整合 AI 的关键："多数组织不是这样运转的，这是一个很大的转变，因为领导者必须公开为反馈辩护。" 要给 AI 喂上下文，人类工作和决策就必须可观测。

谁能在这样的职场里如鱼得水？工作内容的变化，也反映在招聘经理看重的技能上。作者用自动编码模型处理了 2024 年以来数千名 Anthropic 员工的面试评分卡。最清楚的变化是：**是否展示出对 AI 工具的创造性使用**。2024 年，技术岗约 **5%**、非技术岗约 **7%** 的评估提到候选人的 AI 工具使用记录；到 2026 年，这两个比例分别**增至约 3 倍和 4 倍**。招聘经理越来越关注候选人是否有效使用 AI。

更深的评估变化也可见。技术候选人面试中，增幅最大的是对**自主性与判断力**的评论；**领域专长**的讨论占比下降。一位经理解释："我预计模型会继续参差不齐，所以对我的团队，我希望他们在不同领域之间可迁移。"非技术候选人这边，**客户导向与使命导向**上升，**执行技能**下降。招聘经理越来越基于判断力和承诺来评估候选人，而不是 AI 工具已经自动化的领域技能与执行。

## 四、雇主能做什么

Anthropic 深度采用 AI，使它成为一个有用的案例。随着 AI 扩散和变强，工作组织可能像历次技术变革那样转变：铁路带来了经理制公司，蒸汽动力带来了工厂，个人电脑带来了创业公司。会用工具、会推理的 LLM 会要求什么样的新组织？人在其中又扮演什么角色？一种可能是**单人创业公司**：一个人类创始人指挥 agent 集群，收入数十亿。另一种可能是**AI 天才 CEO 建的公司**，只雇人类来拿移液管、到国会作证。

Anthropic 两种都不像。它过去一年规模增至三倍，不再是小创业公司；它也没有把执行控制权交给模型。从公司战略到团队决策，仍由 Slack 上的书面辩论和线下会议主导，AI agent 的输入很少。让人类工作在全公司可见，能确保自主 agent 基于新鲜上下文推理。指挥 agent 团队的个人贡献者，在所需知识和工作的相互依赖上，越来越像管理者。**在 AI 密集组织里，公开工作、公开决策至关重要。**

随着员工越来越把自己的工作看成"管理一支 Claude 团队"，他们会花更多时间搭建在自己特定领域里有效管理 agent 的工具。这种实验意味着员工在不断把自己的任务自动化掉。在某些岗位上，他们越来越远离最初培养技能的具体执行层工作。Agent 在工作流里冲刺，人的注意力和判断成了系统不断施压的瓶颈。从销售到法务，人类员工被期待做更多、不同类型的任务；角色变宽，包含做产品、管 agent、处理仍超出最强 LLM 范围的战略与人际工作。

这些工作组织与内容的变化，伴随着初级技术岗在**员工数、招聘和职位发布**上的占比下降。招聘经理越来越关注候选人的自主性与判断力，而不是执行与狭窄专长。总体上，Anthropic 的收入增长相对就业增长，已经超过了上一代科技公司早期的快速生产率增长。

把这些模式外推到整个经济，AI 扩散可能带来**劳动者被替代的风险**。既有研究也发现，[AI 原生创业公司](https://www.hbs.edu/ris/Publication%20Files/26-090%5F96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdf?ref=hubwiz.com)和 [AI 采用者](https://www.nber.org/papers/w34162?ref=hubwiz.com)更扁平、雇佣更少的[入门级员工](https://papers.ssrn.com/sol3/papers.cfm?abstract%5Fid=5425555&ref=hubwiz.com)。那么，从 Anthropic 能学到什么，来管理 AI 冲击、让它服务于周边的人？

作者很谨慎：Anthropic 的雇佣实践有很多部分无法被整个经济复制。但有三个特征值得注意。

**第一，广泛的股权让员工与公司成功利益一致。** 当然，对一家估值大幅上涨的公司，这姿势很容易；对许多公司，共享所有权可能不够，也可能不可取。但很难想象一个"亲劳动者"的 AI 采用版本，劳动者却不持有成功落地的财务份额。如果个人贡献者被期待"管理 agent""做 VP 级决策""成为自己的业务线"，那么让他们的利益与组织对齐就至关重要。二战后 1950 年代形成的工会-管理层和解，正是建立在这种交易上：UAW、USW 等工会允许管理层对工作重组（甚至提高工作强度）拥有特权，换取与生产率挂钩的加薪和丰厚福利。无论 AI 影响下的员工与雇主达成什么新契约，**分享采用收益的机制**都不可或缺。在 Anthropic，员工把自己的专长编码给机器、看着工作惯例不断被搅动、大量工作变成速读 AI 协作者的输出。他们不是免费做这些的。

**第二，Anthropic 正在建立一套持续的早期预警系统**，监测面临 AI 驱动转型的岗位。一系列岗位级的需求与生产率指标，会被拿来对照 AI 能力与使用情况。这些聚合指标帮助标记工作正在移动的地方。早期预警让公司能把受影响员工重新配置到技能匹配、短期风险更低的岗位。随着整个经济的公司转向更快的工作重组节奏，**有效引导内部再配置的系统会越来越有价值**。每出现一个新任务就转向外部劳动力市场，会成为比 AI 进步更硬的瓶颈。本报告发现跨部门流动增加、工作内容改变、员工在旧任务被自动化后转向新任务；为内部灵活再配置建系统，对 AI 密集组织至关重要。

这种对内部再配置的承诺也有取舍。运转良好的劳动力市场应该把劳动者送到生产率最高的位置，不管是在现雇主还是别处。承诺重新配置在职员工，可能让雇主不敢冒险招新人；在正常经济条件下、尤其竞争激烈时，这种承诺可能代价很高。

但优先再配置，会迫使采用 AI 的公司去思考：AI 如何为新产品的、新市场创造新任务，而不是把所有 AI 应用都导向"替代人力、省人工成本"。这能帮雇主抵制"**so-so automation**"或"[低效自动化](https://academic.oup.com/restud/article-abstract/92/1/69/7612958?redirectedFrom=fulltext&ref=hubwiz.com)"的诱惑——AI 或其他技术只是勉强比人便宜：雇主替换掉人，给被替代者造成收入损失的社会成本，却只带来很小的生产率收益。

从 Anthropic 看到的是：在密集使用 AI 的同时，**新颖任务和持续属于人的任务都还在**。未来任务集合不确定，正应该保留一支灵活的劳动力。用一位 Anthropic 高管的话说：

> "一支焦虑不安的劳动力，不是一支能发挥最佳状态的劳动力。"

这些动作都不会阻止强 AI 冲击就业，也没有一个直接解决本报告记录的初级招聘放缓。**对在职者的就业保护，不会惠及一开始就没被招进来的人。** 雇主的私人行动，必须与有远见的政府政策配套：再培训、收入支持。政策应该建立在对 AI 可能带来多大规模职场转型的清晰认识上。

## 五、边界与译者注

- **单一公司、自我报告。** 数据来自 Anthropic 内部，作者也是 Anthropic Institute 成员。它揭示的是"最前沿采用者"的一种可能，不是行业平均，更不能直接套到中国公司。
- **大部分是描述性证据。** 只有图 4 的个人内固定效应估计试图靠近因果，但作者自己指出工具采用不随机，可能存在选择偏差。
- **6:1 / 19:1 的口径**：Agent 工时是运行时（含推理与工具调用，排除超过 30 分钟的等待）；人类工时按 headcount × 每周 40 小时估算。换一个口径，比例会变。
- **80% 空闲**只适用于交互式多轮会话，不适用于自主 agent。
- **图 6 的阅读时长**是 token→词→阅读时间的换算（0.75 词/token、250 词/分钟），衡量的是"读完要多久"，不是"必须读完"。
- **代码质量代理指标有限**：删除、回滚、lint 抑制、TODO、flaky 标记，都不能覆盖所有质量维度。
- **Figure 8 是动图**，站内只能放文字说明和原视频链接；静态截图会丢失"agent 节点逐月增长"的信息。

---

**相关阅读**：[Agent / MCP / 自动化完全指南](https://www.hubwiz.com/blog/agent-stack/) ｜ [Claude Code 团队怎么做代码评审](https://www.hubwiz.com/blog/claude-code-team-code-review/) ｜ [默认模型是没锁的依赖：Codex 15 天三变](https://www.hubwiz.com/blog/agent-model-pinning-eval-drift/)

**Sources**

- Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory, *How employment is changing at Anthropic*, The Anthropic Institute, 2026-10-16：[https://www.anthropic.com/research/employment-at-anthropic](https://www.anthropic.com/research/employment-at-anthropic?ref=hubwiz.com)
- 报告 PDF：[https://www-cdn.anthropic.com/72628f1863c53432195db83279252dfd2cb53158/Employment%20at%20Anthropic.pdf](https://www-cdn.anthropic.com/72628f1863c53432195db83279252dfd2cb53158/Employment%20at%20Anthropic.pdf?ref=hubwiz.com)
- Saffron Huang et al., *How AI Is Transforming Work at Anthropic*, 2025-12-02：[https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic](https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic?ref=hubwiz.com)
- Zoe Hitzig et al., *Agentic Coding and Persistent Returns to Expertise*, 2026-06-16：[https://www.anthropic.com/research/claude-code-expertise](https://www.anthropic.com/research/claude-code-expertise?ref=hubwiz.com)
- Marina Favaro & Jack Clark, *When AI Builds Itself*, The Anthropic Institute：[https://www.anthropic.com/institute/recursive-self-improvement](https://www.anthropic.com/institute/recursive-self-improvement?ref=hubwiz.com)

**建议引用**

```
@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}
}

```

*本文由 hubwiz 编译整理，转载请注明出处。*

> **这是「Agent / MCP」专题的一部分。**完整地图见：[Agent / MCP / 自动化完全指南](https://www.hubwiz.com/blog/agent-stack/)