这个世界还是太魔幻了，当普通打工人还在头疼怎么写绩效，有人已经开始给 Claude Agent 团队写绩效了。
Anthropic 的一名工程师，就给自己的 Agent 团队做过一次评价，讨论彼此的沟通方式哪里出了问题。另一名工程师干脆安排一个 AI 助手，替自己筛一遍其他 AI 发来的请求。
这两个细节，出自 Anthropic 在 10 月 16 日公布的内部就业报告。
在报告追踪的 2025 年至 2026 年期间，初级员工在新招技术人员中的占比，从 27% 降到了 9%。但与此同时，公司仍在扩招，技术人员的总数也在增加。只是新招进来的人里，初级员工所占的比例变得越来越低了。
▲ Anthropic 招聘页面使用的团队影像。
Anthropic 内部员工调查显示，他们相信四年后 AI 能完成自己 75% 的工作，而普通美国职场人只有 28% 这样认为。
巨大的认知鸿沟正在形成。
在 AI 时代以前，刚入行的同学可以先接一些需求比较清楚的活：改一个小功能，修一个已知问题，或者跟着前辈把流程走熟。
如果这些活越来越容易交给 AI，公司会怎么招人？新人又去哪里攒第一份经验呢？
AI 的工时已经是人类的六倍
截至今年 8 月，员工调用的交互式 AI agent，累计工作时长已经是员工工时的 6倍。
这里说的 agent，就是能自己用工具、完成任务的 AI 助手。一个人可以同时让好几个 AI 干活，它们各自工作的时间都会加进统计。
比如，3 个 AI 各干 1 小时，就会算成 3 小时。报告里的「6 倍」比较的是工作时间。至于花了「6 倍」的工作时间， 这个数字比较的是累计工作时间，也并不意味着真的多做了 6 倍的产出。
▲ 粉线代表全体员工，蓝线代表研究部门。纵轴是 AI agent 工时与估算员工工时的比值。
这些工具，也让一些原本不写代码的人动起了手。
一名销售在访谈里说，自己用 AI 做出了工作需要的数据看板，把界面和几种工具连在一起。按他的说法，整个过程花了三四个小时。以前，这类开发完全超出了他的能力范围。
对一个销售来说，他自己最知道哪些客户信息需要放在一起，也知道现有系统哪里不好用。
在面向普通办公用户的 Cowork 里，类似的流程已经被做进了产品演示：Claude 从邮件、工作群、日历和文件里收集资料，整理客户会前简报，再起草一封待确认的邮件。
以前准备一场客户会，可能要打开好几个窗口，翻聊天记录、核对时间...想想都有些令人头大。
▲ Cowork 官网演示：查找资料，整理会前要点，起草邮件。
对使用者来说，新的麻烦很像工作群突然热闹起来：几件事同时做完，几份结果同时等你看。
一份方案问你要不要继续，一段代码等你确认权限，另一个任务遇到异常。你还没看完上一份，新的消息又来了。这种工作方式，让每个人或多或少都体验到了一丝丝领导的感受。
报告统计，交互式多轮会话中，大约 80% 的时间是在等人输入。(是 AI 的会话在等人，不是员工一天有八成时间闲着。)
于是，开头那两名工程师才会开始给 Claude 做评价、安排助手分流请求。给 AI 的指令也要越写越具体：什么事可以自己决定，什么情况必须来问，哪些结果要先检查。
还有一名 Anthropic 员工其实已经换了工作职责，agent 还是不断来问他 T 恤、杯子等公司周边这种以前他负责的事，旧文档里的负责人也没有跟着更新。
会开完了，任务也重新分好了。如果新的决定只留在几个人的记忆里，AI 下一次做事时，拿到的还是旧的上下文。
▲ Anthropic 一个部门的沟通网络。蓝点是员工，橙点是 agent 会话线程；连线表示同一线程中的互动。官方可视化显示，AI 增加了新的互动，人和人之间的沟通仍然存在。
Anthropic 一个负责 Claude 产品文案的团队，就调整了自己的分工。他们把产品背景等资料整理好，让 agent 接手了一部分文案工作。
团队成员的工作内容变成了编写提示词、评估模型的表现。
面试官更看重你的判断
工作内容的变化，也体现在了求职面试阶段。
研究人员分析了自 2024 年以来，数千名被 Anthropic 录用者的面试评价记录。在技术岗位中，自主性和判断力越来越常被提起；相比之下，特定技术领域经验的相对分量下降了。
APPSO 根据自己的理解，想了几个例子。比如：交给你一个需求，你能不能先看出哪里没说清楚？AI 给出几个方案，你能不能说明为什么选其中一个？结果看起来完成了，你知不知道还要检查什么？
▲ 左侧为技术部门，右侧为非技术部门。蓝线看新招人员中的初级员工占比，粉线看现有员工，橙线看开放招聘职位。不同线条的分母不同。来源：Anthropic。
这里的经验，也不全是写代码的经验。
Anthropic 在今年 6 月分析过约 40 万次 Claude Code 交互会话。研究里有个很好理解的例子：一个不会 Python 的会计，只要能讲清楚对账规则，并发现脚本漏掉了月末结账的特殊情况，在这项任务上就可以算熟手。（因为他可以定位问题，并且把需求清晰地向 Agent 讲清楚。）
在这批数据中，对任务表现得更熟悉的用户，会话成功率也更高。最大的差距出现在新手和中等熟练者之间。
研究者认为，这可能是因为，对一件事有了基本了解，就更容易向 AI 说清要求，发现它哪里做错了，也知道怎么让它改。新手则更容易在出问题后卡住。至于更深的专业经验，在这批会话里带来的额外提升相对有限。
▲ Claude 的 Microsoft 365 功能演示。
对已经做过几年项目的人来说，熟悉业务、踩过的坑，都可以拿来指导 AI。对刚毕业的人来说，事情就没那么轻松了：经验本来就需要在做事的过程中积累。
以前，新人接到一个小任务，即使做得慢，也能跟着走一遍：找资料、动手、出错，再请教同事、回来修改。如果公司直接把这些任务交给 AI，新人就少了一种在类似工作里练习的机会。
而检查 AI 的工作，同样需要经验。你得读懂程序，才能发现代码里的问题；也得了解实际业务，才能指出需求漏掉了什么。这些本领，往往就是在一次次小任务里学会的。
招聘市场也出现了值得关注的变化。斯坦福数字经济实验室今年 8 月更新的一项美国就业研究发现，在工作任务更容易受到 AI 影响的职业里，22—25 岁劳动者的就业增长，落后于较少受 AI 影响职业里的同龄人。变化主要表现为少招年轻人，而非更多人离职或被解雇。
这项研究不能单独证明变化由 AI 造成，也没有发现全经济范围的普遍替代。但它让「公司还在不在招新人」成了一个需要继续追踪的问题
对已经在职的员工，Anthropic 开始跟踪哪些岗位可能受到 AI 影响，并优先尝试内部转岗。前面那个文案团队，就是从产品文案转去编写模型提示和评估。
但转岗照顾的是已经进公司的人。对于还没拿到第一份工作的新人，入门岗位减少的问题仍然存在。
新人从哪里攒出第一份经验？
就算拿到了练手机会，还会遇到另一个问题：任务做完了，自己学会了多少？
Anthropic 今年 1 月公布过一项小规模随机实验。52 名有 Python 使用经验、但没用过 Trio 工具库的开发者，被分成两组学习新工具。一组可以用 AI，另一组自己写代码，随后都要参加测验。
AI 组平均得分约为 50%，自己写代码的一组约为 67%。差距最大的是找错题。AI 组平均快了约两分钟，但速度差异没有达到统计显著。
▲ 根据研究公开数据制作。比较的是学习陌生工具后的即时测验，不是长期工作能力；两组相差约 17 个百分点。
研究人员还回看了操作录像。有的人把任务交给 AI，报错了再让 AI 修。也有人拿到代码后继续追问原理，或者只请 AI 解释概念，自己动手写。后面这些用法，对应的测验表现更好；
对正在准备作品集的人，这些变化至少提供了一个可以尝试的方向：除了展示最终成品，也保留自己怎么把它做出来的记录，并以此深入理解其中原理。
拿一个用 AI 做的活动报名网页来说，页面能打开，只能回答很少一部分问题。重复提交报名会怎样？人数满了还会不会继续收人？用户填错了信息，能不能改？
你发现了哪些问题，怎样让 AI 修改，又做了什么检查，都可以放进项目说明里。面试官继续问时，你也有具体的过程可讲。
在给新人提供实践机会这件事上，Anthropic 还有一个正在推进的尝试。
今年 6 月公布的 Claude Corps，计划培训 1,000 名处于职业起步阶段的人，再把他们安排到美国的非营利组织，全职做一年的项目。
Anthropic 出资，教育机构 CodePath 负责聘用学员。学员拿工资，有导师，先接受集中培训，之后每周还会安排约 5 小时继续学习，其余时间做接收机构的实际工作。
这些机构期望解决的问题也都挺有意义的，食物银行想更好地分析捐赠和物资分配，海洋保护组织需要处理海量调查数据。它们期待学员能把 AI 用进这些工作里。
▲ Claude Corps 官方宣传图。画面中的 REEF 是列入计划的接收机构之一，从事海洋保护与水下调查。
Anthropic 的变化，让我们看到了一种正在形成的工作方式：AI 承担更多执行，人更多地参与判断和协调。对新人来说，积极用 AI 做具体的事，也是在积累经验。
自己能借助 AI 做到什么程度，也会在一次次尝试中变得更清楚。
Anthropic 就业报告🔗
