Anthropic 的就业正在如何变化

Anthropic 的就业正在如何变化

Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory

AI 如何重塑了 Anthropic 的工作与就业？作为 AI 应用的前沿公司，Anthropic 可能是 AI 将如何改变整个经济体的工作组织、招聘和劳动力需求的一个领先指标。

主要发现

• Anthropic 招聘的初级技术岗位比例有所下降。这一现象发生在 AI 代理的工作时长相对于员工快速增长之际。到 8 月，交互式 AI 代理工时已达到员工工时的 6 比 1。
• 随着 AI 代理在公司内部普及，Anthropic 的人均代码产出增加，每位销售的成交数量上升，合同处理量也随之增长。跟踪同一名员工随时间的变化发现，随着他们采用新的 AI 工具，产出随之上升。
• 这种加速使人类的注意力成为代理产出的瓶颈。即使在非技术员工中，阅读其 Claude 代理的全部输出也将占据其半个工作周。作为应对，员工转向“元工作”，即构建可视化工具和监控代理流水线。
• 工作组织的变化反映在招聘经理不断变化的优先事项上：相对于技术领域专业知识和具体实现，他们越来越强调自主性和判断力。

引言

在日益强大的 AI 之下，我们可以预期工作和就业会发生怎样的转变？Anthropic 值得研究，因为它已经将自身的工作流程彻底围绕 AI 进行了重塑。代理在 Slack 聊天中穿梭并安排会议。它们自主修复 bug，并共同应对大型工程项目。代理的工作时长达人类的 6 比 1。Anthropic 当前正在发生的变化，为未来工作和就业提供了一系列前瞻信号。

本报告利用了全面的 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、员工日历数据和招聘决策记录。报告还通过 17 次员工访谈对这些定量数据进行了背景补充。

我们发现，即使公司持续增长，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，且在他们采用编码代理后急剧上升。招聘经理越来越强调应聘者的自主性和判断力，而非特定的技术专长。在 AI 密集型组织中工作的一个显著特征，是持续存在的压力——尽可能让自己摆脱瓶颈位置。一位工程师将工作描述为面对“一支 Claude 大军，每一个都在索要我的注意力”。Anthropic 的员工依然至关重要。但他们贡献的性质已经改变。

Anthropic 通过建立一套预警系统来跟踪面临颠覆风险的岗位，以应对这些变化，并且随着岗位的演变，公司优先考虑内部岗位调整。这些在 AI 发展和工作场所变革前沿采取的行动表明，具体的组织承诺可以塑造 AI 对就业的影响。但它们也引出了这些承诺究竟应该是什么的难题。

前沿的劳动力需求

Anthropic 扩张迅速。但按每美元收入计算的招聘人数低于上一代大型科技公司。成立五年的 Anthropic，其人均收入是 Meta 和 Google 在各自高速增长巅峰期的 2–4 倍。¹

哪些岗位减少了？在 Anthropic 内部，关于初级技术员工需求下降的讨论于 2026 年 1 月出现在核心技术职能中。那些在工作中最依赖 Claude 的团队发现，编写代码和查找 bug 越来越多可以交给 Claude 完成。新具备能力的模型加速了这一认知：“引起我们注意的是性能工程师岗位的提升，它几乎在一夜之间改变了我们的招聘标准。”

到 4 月，工程和研究团队已降低了对较低职级技术岗位的招聘重视程度。在同月的一项调查中，大多数经理表示由于 AI 而改变了招聘所需的技能。约三分之一的机器学习和五分之一的软件工程经理报告因 AI 而减少招聘。

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从 21% 降至 14%。初级技术岗位新员工的占比下降得更快，从 27% 降至 9%。自 2025 年 12 月以来，面向初级员工的职位发布数量大幅下降。

与此同时，Anthropic内部技术部门的整体就业占比也在下降，过去一年从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增长，但销售、财务和招聘方面的高强度招聘已超过了它。这种转变一部分是公司规模化过程中业务职能的自然扩张，一部分可能反映出编程工具日益使非技术员工能够自己编写软件。例如，一位销售代表设计了一个适合其工作的自定义仪表盘和销售管道：“这样的构建原本超出我的能力范围，尤其是UI、连接所有工具和MCP方面。但我大概在三到四个小时内就构建出来了，只是不断迭代。”非技术员工（定义为基线时没有任何代码提交的员工，不包括新入职者）的编程型AI代理会话从2025年8月的每月2次跃升至2026年5月的90次。

然而，招聘构成的这种转变不仅仅是一个关于自动化编程使其扩散到 其他领域专家的故事。在技术部门内部，未积极编码的员工占比（定义为过去30天内没有任何代码提交的员工）截至2026年4月的一年内下降了近一半。部分原因是非工程师的比例在缩小：例如，工程师与产品经理的比例约为17比1，并且自2025年以来有所上升。管理者提交代码的数量也翻了一番。技术团队中的监督和协调角色日益涉及构建和发布代码。

非技术招聘没有加速的一个领域是通常随公司规模而扩大的行政职能。代理助手、自动化审查和工单服务外包的结合，使Anthropic在快速增长的同时仍保持较少的文职人员。一位财务经理构建了一个采购请求审查代理，并向同事解释说：“它只是试图找出那些占用大量时间的环节，这样他们就能专注于其他事情。”

即使是与面对面互动紧密相关的文职工作，增长也很缓慢。一位为日程安排和邮件分类构建了个人助理代理的行政助理解释说：“我认为我们已经越过了Claude取代真正入门级行政类岗位的阶段”，而是将自己的工作聚焦于更高层次的“幕僚长”式任务。

这些变化已经涉及人员重新配置：2026年，在公司工作至少一年的员工每月跨部门流动的可能性比2025年高出50%。整个团队在将工作移交给代理后也被重新配置。以一个产品设计团队为例，该团队负责撰写Claude.ai上的问候语等内容，如“夜猫子你好；”“来杯咖啡配Claude的时间？”2026年春，该团队开发了一个上下文图，有效引导代理撰写有吸引力的产品内容。其经理解释说，这“使团队得以扩展”，但也引出了一个疑问：人类写作者还剩下什么可做。该团队随后转向代理提示工程，开始为Claude编写模型评估和提示词。“过去用语言驱动人类行为的写作者，现在正在用它驱动Claude的行为。”

AI是否在推动Anthropic的生产率提升？

这些转变可归因于AI吗？在Anthropic，人类只是不断壮大的AI代理队伍之上的一层薄层。根据代理会话遥测数据，2026年3月，自主和交互式代理工作时间的总和首次超过了人类工作时间。部分原因是大批代理进行工业规模的软件工程，填补无数常规测试和检查，对日益庞大的基础设施代码进行维护，并推动大规模代码库的协调翻译行动。但即使仅聚焦于单个员工部署的代理，如图2所示，到8月，这些代理的工作时间已是其人类操作者的6倍。

Anthropic是一家软件生产商，流经这些代理的绝大多数token都用于生产软件代码。仪表盘监控着在公司范围内运作的代理群。但个人助理代理也监控员工的日历和消息，进行日程安排，发送从收到的消息中累积的待办事项清单，并自动向员工简要介绍其即将参加的会议的人员和目的。Token正触及日益广泛的日常工作任务。

这些 token 到底意味着什么？图 3 绘制了一系列具有可衡量产出的岗位随时间变化的产出。与此前报告一致， 对 Anthropic 工程师的调查 以及 模型训练与研究的自动化所描述的那样，每位工程师的代码提交量增长最快，达到了 6 个月前速度的 5 倍。数据科学家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获取实时指标。但图 3 显示，即使是非技术员工，随着编码智能体的普及，其产出也在上升：律师处理了更多合同；应付账款部门推进了更多发票；销售人员达成了更多交易。

但这一切都是因为使用 Claude 吗？在同一时期，公司经历了爆炸式的业务增长。当你销售一个强大的模型时，达成交易会更容易。为了评估 AI 的独立效应，我们比较了采用智能体编码工具的员工与尚未采用这些工具的员工的产出。这使我们能够比较同一月份在公司工作、因此处于相似业务环境中、但使用不同工具来应对的员工。然而请注意，工具的采用并非随机：例如，如果即将启动某个重大新项目的员工决定为此配备工具，这会使我们的估计产生偏差。

我们跟踪了 192 名工程师随时间推移采用编码智能体的情况，并与在研究期间未采用智能体的 74 名工程师进行比较。图 4 显示，在采用后的几个月里，工程师添加的代码量急剧上升。更多代码并不一定意味着更好的代码或更大的 业务影响。为了检验 AI 代码垃圾的存在，我们研究了 Anthropic 的代码提交。我们比较同一员工在同一个月、在同一代码目录中提交的代码，但一个由编码智能体编写，另一个由人类员工直接编写。代码质量有很多维度，而且 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数比例没有差异。

图 4 还考察了工程师采用其首个完全自主智能体之后发生了什么。与未采用者相比，采用者在当时已经处于陡峭的上升轨迹上。这表明转向完全自主智能体的员工本来就已在提升其产出。

这些模式是否超越了编码，延伸到知识工作的更广泛转型？Anthropic 的销售代表从去年 9 月开始稳步采用 AI 智能体。图 4 显示，销售代表采用智能体后，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。但它也可能反映了日志记录和日常沟通的自动化。一位客户经理解释说，Claude 自动化处理了电子邮件起草和客户管理软件集成，取代了其以往约 20% 的工作任务。另一位则指出，类似的自动化让他们得以腾出时间专注于面对面交流，使他们能够接触到的客户比以前多 30%：“每当你第二次做某件事时，你就会想，好吧，我怎样才能用 Claude 让自己不必做第三次？”

在销售之外，Anthropic 的一位律师构建了一系列 Claude 自动化，用于扫描风险与机会、对法律问题进行分类，并对面向公众的文案进行法律审查的初筛。一位招聘人员使用 Claude 协助候选人搜寻、跟踪申请，以及完成一项原本“可能需要几周”的分析，从而腾出时间重新设计过时的面试问题，并会见更多应聘者。

这一切表明，随着 AI 能力的提升，它影响着 Anthropic 内部广泛的岗位。从描述上看，在那些使用 Claude 完成最复杂任务的工作中，初级员工就业增长正在放缓（图 5）。

瓶颈与流程：AI 密集型工作场所中的新旧任务

大规模采用AI所重塑的不仅仅是就业和生产力。它还推动工作流程的不断变化，产生新任务，并改变员工对工作场所的认知。一位员工将其描述为“Anthropic内部永恒的压力，要求尽可能快地行动，并用Claude完成一切”，另一位员工则表示“我们期望一周内完成的事情，在其他地方需要三个月”。一项内部员工调查询问Anthropic的工作流程是否使受访者的生产力达到尽可能高的水平：2024年底有44%的员工表示同意；到2025年11月为58%（2026年4月，75%的人回答是，但该问题因删去“尽可能”而弱化）。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仅为28%。[Link to AI Expectations Gap]

内部模型发布的节奏使这些不断攀升的生产力期望显得更加突出。一旦新模型可用，Anthropic员工就会在交互式编程代理会话中着手解决更难的问题。我们通过一个自动化的Claude评分器来衡量这一点，该评分器根据深度、范围和所涉及的系统数量对去标识化会话的任务要求进行评级。超过旧模型难度第90百分位的任务份额急剧上升约30%（从所有任务的10%上升到13%），并在模型发布后的数周内保持较高水平。交给代理的简单任务端几乎没有变化。

代理生产力的螺旋式上升转化为涌向人类屏幕和注意力的产出。一位工程师将其比作照看孩子：

他们就好像在说，我需要有人帮我打开果汁盒，而且我的果汁盒没打开就是紧急情况。而且这种诉求的紧迫程度与那个切破了手指正在流血的人完全相同。[…] 当你在照看孩子时，每个孩子向你提出的 concerns 都同等需要你的关注，而各个[Claude]也是如此。

在2026年4月的调查中，有一个关于AI如何影响日常工作的开放式问题，27%的人描述了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动手工作转向管理Claude。

在这种模型驱动的加速之中，人类注意力始终是一个瓶颈。在交互式、多轮会话中，代理会话时间的绝大部分根本不是用于工作，而是用于等待。我们通过从每个交互式会话的总实际耗时中减去每个代理的活跃工作时间来追踪空闲时间。Claude会话中约80%的时间是在闲置等待人类输入。正如一位工程师所说，是人在“拖累代理的效率”。

要读完交互式会话中Claude的全部输出究竟需要多少时间？对于每个交互式会话，我们假设平均人类阅读速度，将每个会话的代理输出token转换为字数。图6显示，在过去6个月中，技术职能的编程代理输出量大幅跃升。但即使是非技术团队，交互式Claude会话输出的内容也足以占用超过半个工作周。Claude文本的洪流需要被组织起来。

应对这一洪流的一个办法是不断提高自动化程度。但这需要另一种类型的工作。为代理编写的常设指令从2025年7月的几百条增长到一年后的8,500条。一位工程师设置了一个代理参谋长来对代理请求进行分类处理。另一位工程师为他们的Claude团队撰写了一份绩效评估：“嘿，我们来谈谈我们的沟通方式哪些有效、哪些无效吧。”招聘人员与代理一起构建了集成仪表板，由代理发现问题并发起行动。一位律师将注意力从审查法律问题转向做“法律建议的SEO，你需要编写[客户]的代理能够发现的框架”。

图7显示，这种元工作从2025年秋季占普通员工交互式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：为多代理运行编写规范、让一个代理循环审查另一个代理的输出，以及监控流水线。在各个职能中，人类的参与日益从某段具体的代码或文字中抽离，转向使代理能够有效完成其任务所必需的工具化工作。

尽管代理的可靠性有所提高，并且在监督代理的工具上投入巨大，但人类的信任和问责仍然至关重要。一位员工解释说，追查bug越来越多地“暴露出这些组织性、系统性或技术债务层面的问题，而解决这些问题实际上需要一定程度的人类召集、决策和治理”。在一次又一次访谈中，员工们都将面对面的协调描述为不可或缺。根据日历数据，员工在会议中花费的时间中位数比一年前多20%。其中一部分反映了公司的增长，以及向会议密集型非技术角色的转变。但即使在技术类个人贡献者岗位的员工中，会议时间在过去一年也增加了16%。大局战略问题涉及广泛的杠杆性职位，通常需要与他人进行辩论和交流。从管理代理中抽身出来，通常就意味着投入一场会议。

总体而言，技术岗位和非技术岗位的工作中，执行类部分都已被自动化（编写代码、识别漏洞、记录进度、起草邮件）。工程师们描述自己成为了智能体的领导者和管家；非技术员工则描述自己越来越多地承担工作中的战略部分：“那20%的战略性工作变成了工作的90%。”但对许多非技术岗位来说，核心执行工作也是人际性的：一次销售电话、一场面试、就复杂问题进行跨部门对齐。这一切仍然由人完成。

再看看那些既构成Anthropic沟通的门面、又充当内部小道消息渠道的Slack频道。智能体在Slack中扩散，最终出现在近一半的活跃公开频道中。图8聚焦于一个大部门的沟通网络，汇总了该部门成员参与过的所有公开Slack频道。它根据参与者是否参与同一Slack讨论串，将人类和智能体参与者连接起来。图示展示了智能体的显著崛起，橙色圆点不断涌现并主导了整个网络。

智能体不成比例地出现在专用于Claude与人类互动的频道中，而不是在现有的人类频道里大量发消息。人类沟通的底层结构和密度几乎没有什么变化。智能体并没有取代人类互动，而是在其基础上叠加：该部门的人类讨论串维持了同样数量的真人回复，同时额外叠加了智能体的回复。智能体成为单个员工所拥有的团队，而不是与许多员工同时保持高度连接的节点。

当人类在日益壮大的AI智能体队伍中工作时，他们面临将人类工作转移到智能体可见渠道的压力。如果一个决定是在面对面会议上做出的，而没有出现任何笔记或汇报，智能体就缺少更新其目标和假设的关键背景。一位员工解释说，一份数月前署有他名字、关于Claude周边产品的文档，使得智能体不断转来T恤和马克杯的请求，而他的职责早已变更。在未留记录的会议和私信中进行的私密工作，在一个重AI的工作场所是看不见的、令人困惑且不受鼓励的。一位研究人员将这种默认开放描述为Anthropic全面整合AI的关键：“大多数组织并非如此运作，我认为这是一个重大转变，因为领导者必须在公开场合为反馈辩护。”为AI提供背景的需要，要求人类的工作和决策具有可观察性。

谁能在这样的工作场所中脱颖而出？Anthropic工作内容的变化也体现为招聘经理在招聘决策中所优先考虑的技能的变化。我们使用自动化编码工具，处理了Anthropic自2024年以来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。最明显的变化是更加重视候选人是否展示出对AI工具的创造性使用。2024年，招聘经理在技术岗位约5%的评估和非技术岗位7%的评估中提及候选人在AI工具方面的记录。到2026年，技术岗位的这一比例增至三倍，非技术岗位增至四倍。招聘经理越来越关注候选人能否有效使用AI。

评估中更深层次的变化也清晰可见。在技术候选人的面试中，增幅最大的是关于应聘者自主性和判断力的评论。领域专业知识在整体评估中所占比例缩小。正如一位经理所解释的：“我预计模型将继续呈现参差不齐的能力，因此对我的团队来说，我希望他们能够跨领域通用。”同样，对于非技术候选人，客户导向和使命导向的权重上升，而对执行技能的讨论则下降。招聘经理越来越多地基于候选人的判断力和投入度进行评估，而不是被AI工具自动化了的领域特定技能和执行力。

雇主可以做什么

Anthropic对AI的深度采用使其成为一个有用的案例。随着AI的扩散和改进，工作的组织方式可能会像以往技术变革浪潮中那样发生转变。铁路带来了经理人式公司，蒸汽机催生了工厂，个人计算机孕育了初创企业。使用工具、进行推理的LLM将需要什么样的新组织，而我们又将在其中扮演什么角色？一种可能是单人社群初创公司，每位人类创始人指挥成群的智能体以攫取数十亿美元的收入。另一种是由AI天才CEO建立的公司，人类员工仅被雇来操作移液管和出席国会作证。

Anthropic看起来并不像这两种中的任何一种。它在过去一年规模增至三倍。它已不再是一家小初创公司。它也没有将高管控制权让渡给它的模型。从公司战略到团队决策，一切都由书面Slack辩论和面对面会议来引导，AI智能体的参与很少。让人类工作在整个公司范围内保持可见，确保自主智能体基于新鲜的背景进行推理。编排智能体团队的个人贡献者，就其所需的知识和工作中相互依赖的程度而言，更像管理者。在开放中工作和决策，对一个AI密集型组织至关重要。

随着员工越来越把他们的工作视为管理一支支Claude团队，他们花费更多时间来构建在自己独特领域中有效开展这项工作所需的工具。这种实验意味着员工在不断地把自己的任务自动化掉。在某些岗位中，他们与最初造就其技能的对象层面工作的距离越来越远。当智能体在工作流程中飞速奔跑时，人类的注意力和判断力成为系统竭力突破的瓶颈。从销售到法务，人类员工被期待承担更多且不同的任务。岗位职责扩大到包括打造产品、管理智能体，以及处理那些仍然超出最强大LLM能力范围的战略性和人际性工作。

这些在工作组织和内容上的变化，与初级技术岗位在员工总数、招聘和职位发布中所占比例的下降同时出现。招聘经理越来越关注应聘者的自主性和判断力，而非执行能力和狭窄的专业知识。总体而言，Anthropic相对于其员工规模增长的收入增长速度，甚至超过了上一代科技公司早期的快速生产率增长。

将这些模式向未来以及整个经济领域推演，表明AI的扩散可能带来工人被取代的风险。此前的研究还发现， AI原生初创企业 和 AI采用者 的组织结构更扁平，雇用的 入门级员工更少 。关于如何管理AI带来的剧变并使之服务于围绕AI工作的人类，我们能从Anthropic身上学到什么？

在这里我们希望谨慎行事。Anthropic雇佣实践中有很多部分是无法在整个经济中复制的。

但有三个特点尤为突出。首先，广泛的股票持股让员工对公司的成功抱有强烈利益关切。当然，对于一家估值大幅上升的公司来说，这是一种容易的姿态。对许多企业而言，共享所有权可能不够充分或并不可取。但很难想象存在一种有利于工人的AI采用方式，其中工人不持有成功推行的财务利益。正如受访者所说，如果期望普通员工“管理智能体”、“做出副总裁级别的决策”并“成为自己的业务线”，那么使他们的利益与组织保持一致就至关重要。1950年代形成的二战后工会—管理层协议正是建立在这类交易之上：像全美汽车工人联合会和钢铁工人联合会这样的工会允许管理层拥有工作重组（甚至工作强化）的权力，以换取与生产率提高挂钩的加薪以及丰富的福利。无论受AI影响的员工与其雇主之间达成何种新协议，分享采用收益的机制都必不可少。在Anthropic，员工为机器整理编撰自己的专业知识，目睹自己的工作流程不断被搅动和颠覆，并且发现自己工作中很大一部分变成了快速浏览AI协作者的输出。他们做这些并不是免费的。

其次，Anthropic正在建立一个持续的早期预警系统，以监测面临AI驱动转型的工作。一系列针对需求和生产率的岗位级指标会与AI能力和使用情况对照解读。这些汇总指标有助于标记工作正在发生转移的地方。早期预警系统使公司能够开始将受影响的员工重新调配到技能匹配且可能不会那么快面临风险的岗位上。随着整个经济中的企业转向更快节奏的工作重组，指导内部员工重新调配的有效系统将变得越来越有价值。AI进步越快，依赖外部劳动力市场来满足每一项新任务的瓶颈就会越严重。在本报告中，我们发现部门之间的流动性增强、工作内容发生变化，以及员工在新任务取代旧任务时转向新任务。构建灵活地在内部重新调配员工的系统，对于AI密集型组织来说将至关重要。

这种对内部员工重新调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转移到他们最具生产力的位置，无论是在当前雇主还是另一家雇主处。对重新调配在职员工的承诺可能会使雇主不愿冒险雇用新员工。在正常的经济条件下，尤其是竞争异常激烈的条件下，此类承诺可能代价高昂。

但优先考虑重新调配会迫使采用AI的公司思考AI如何能为新产品和新市场创造新任务，而不是把AI应用引导到取代人类工人以节省劳动力成本上。这有助于雇主抵制‘马马虎虎’ 或‘低效’自动化的诱惑——即AI或其他技术只是勉强胜过人类工人：雇主取代人类工人，给被取代工人造成收入损失的重大社会代价，而带来的生产率收益却微乎其微。

从我们在Anthropic看到的情况来看，新颖的任务和持续由人类承担的任务仍然与高强度的AI使用并存。鉴于对未来这些任务集合的不确定性，应当保留一支灵活的劳动力队伍。正如一位Anthropic高管所说：“一支焦虑不安的员工队伍不是一支能拿出最佳工作成果的队伍。”

这些举措都无法阻止强大的人工智能对就业的冲击。而且事实上，它们都没有直接应对本报告所记录的初级员工招聘放缓问题。针对在职者的就业保护不会惠及那些从一开始就未被雇用的人。雇主的私人行动必须与围绕 再培训 和收入支持的长远政府政策并行。此类政策应以对人工智能可能带来的职场转型规模有一个清晰认识为指导。

建议引用格式

@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 = sep,

url = {https://anthropic.com/research/<SLUG-TBC>}

}

致谢

我们感谢接受访谈、分享其工作如何发生变化的Anthropic员工。对于宝贵的意见和协助，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以及Jack Clark。

参考文献

Acemoglu, Daron 和 Pascual Restrepo。2019年。《自动化与新任务：技术如何取代并恢复劳动》。《经济展望杂志》33 (2): 3–30。 https://doi.org/10.1257/jep.33.2.3

Beraja, Martin 和 Nathan Zorzi。2025年。《低效的自动化》。《经济研究评论》92 (1): 69–96。 https://academic.oup.com/restud/article-abstract/92/1/69/7612958

Demirer, Mert、Leon Musolff 和 Liyuan Yang。2026年。《编写代码与交付代码：各代AI编程工具的生产率效应》。NBER 工作论文 35275。 https://doi.org/10.3386/w35275

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

Favaro, Marina 和 Jack Clark。2026年。《当AI构建自身时》。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年。《智能体编程与专业知识的持久回报》。Anthropic，6月16日。 https://www.anthropic.com/research/claude-code-expertise

Hosseini Maasoum, Seyed Mahdi 和 Guy Lichtinger。2025年。《生成式AI作为偏向资历的技术变革：来自美国简历与招聘数据的证据》。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年。《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年。《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年。《关于受补贴职业培训的证据综述》。Anthropic 研究所工作论文 2026-01。 https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs

脚注

1. Anthropic的数据来自截至2026年4月的十二个月（约成立于五年后）的内部财务和员工人数记录。Google和Meta的就业与营收数据基于其成立5年后（分别为2003年和2009年）提交的Form 10-K文件。所有数字均已折算为2025年美元。

相关内容

用Claude设计更高效的量子电路

我们向Claude提供了八个量子电路的通俗语言规格说明，并配备了一个自动化评估器来检查和评分其设计。Claude在很大程度上独立工作，改进了已发表的最佳电路，在某些情况下提升了一个数量级或更多，这可能使实用量子计算机的到来比此前预期的更早。

Claude揭示ECDSA曲线起源

一个最受欢迎的密码学标准起源的数十年之谜已被解开。

AI期望差距

未来几年AI将如何重塑经济?关于AI对未来经济影响的核心分歧来源是什么?本说明提供了关于这些问题的新调查证据。