Anthropic 报告：AI 如何改变公司内部的雇佣与工作组织

Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory

在 Anthropic，AI 如何重构了工作与就业？作为处于 AI 应用前沿的公司，Anthropic 可能是 AI 将如何改变整个经济中的工作组织、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占比一直在缩小。与此同时，AI 智能体相对于员工的工作时长迅速扩大。到 8 月，交互式 AI 智能体的工作时长以 6 比 1 超过员工。
• 随着 AI 智能体在公司内扩散，Anthropic 开始实现人均产出更多代码、每位销售代表完成更多销售、处理更多合同。对同一员工进行长期追踪，随着他们采用新的 AI 工具，产出随之上升。
• 这种加速使人类注意力成为智能体产出的瓶颈。即使在非技术员工中，阅读其 Claude 智能体的全部输出也会占用他们半个工作周。作为应对，员工转向“元工作”，即构建可见性工具和监控智能体流水线。
• 工作组织的变化反映在招聘经理不断变化的优先事项上，他们越来越强调自主性和判断力，而非技术领域专长和具体执行。

引言

在 AI 日益强大的背景下，我们可以预期工作与就业会发生哪些转变？Anthropic 值得研究，因为它已围绕 AI 彻底重塑了自身的工作流程。智能体在 Slack 聊天中穿梭并安排会议。它们自主修复漏洞，并集体攻克庞大的工程项目。智能体工作时长以 6 比 1 超过人类工时。Anthropic 当下正在发生的变化，为未来工作与就业的可能图景提供了超前信号。

本报告基于 Anthropic 全面的内部数据，涵盖就业、AI 使用、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。报告结合 17 位员工访谈，为这些定量数据提供背景。

我们发现，即使公司不断增长，初级技术岗位的相对招聘也已放缓。工程师和非技术员工的生产率都大幅跃升，且在他们采用编码智能体时提升尤为明显。招聘经理越来越强调应聘者的自主性和判断力，而非具体技术专长。在 AI 密集型组织中工作的一个决定性特征，是持续面临尽可能把自己从这一瓶颈位置精简出去的压力。一位工程师将工作描述为面对“一支 Claude 大军，每一个都在要求我的关注”。Anthropic 的员工仍持批判态度。但他们贡献的性质已经改变。

Anthropic 通过建立早期预警系统来追踪面临颠覆风险的岗位，以应对这些变化；随着岗位演变，公司优先考虑内部调配。这些在 AI 发展和职场变革前沿采取的行动，表明具体的组织承诺可以如何塑造 AI 对就业的影响。但它们也提出了难题：这些承诺究竟应该是什么。

前沿的劳动力需求

Anthropic 扩张迅速。但相比早一代大型科技公司，它每美元收入对应的招聘人数更少。成立五年时，Anthropic 的人均收入是 Meta 和 Google 各自高速增长巅峰时期的 2 到 4 倍。¹

哪些岗位正在消失？在 Anthropic 内部，2026 年 1 月，核心技术职能部门开始出现关于初级技术员工需求下降的讨论。那些在自己工作中最依赖 Claude 的团队发现，写代码和找 bug 越来越可以交给 Claude 处理。新推出的更强模型加速了这一认知：“真正让人吃惊的是性能工程师的提升，它几乎在一夜之间改变了我们招人的标准。”

到 4 月，工程和研究团队已经降低了对低职级技术岗位的招聘优先级。同月的一项调查中，大多数管理者表示，由于 AI，他们招聘的技能组合已经不同。约三分之一的机器学习管理者和五分之一的软件工程管理者报告称，因 AI 而减少了招聘。

就业占比的变化十分显著。图 1 显示，自 2025 年初以来，Anthropic 技术部门中初级员工的比例从 21% 降至 14%。初级技术岗位的招聘比例下降得更快，从 27% 降至 9%。自 2025 年 12 月以来，面向初级人员的职位发布尤其急剧减少。

与此同时，Anthropic 内部技术部门的整体就业占比在过去一年从 61% 降至 56%。随着公司扩张，技术招聘的绝对数量仍在持续增长，但销售、财务和招聘方面的大规模招聘增速更快。这一变化部分源于公司规模扩大时业务职能的自然扩张。部分也可能反映出编码工具日益让非技术员工能够自己开发软件。例如，一位销售代表为自己工作量身定制了一个仪表盘和销售管道：“这种搭建本来超出我的能力范围，尤其是 UI、连接所有工具、MCP 这些。但我大概花了三四个小时就做出来了，就是不断迭代。”非技术员工（定义为基线时没有代码提交的人，不含新员工）以编码为重点的 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，这种招聘构成的变化并不仅仅是自动化编码向 其他领域专家 扩散的故事。在技术部门内部，不积极编码的员工（定义为过去 30 天内没有代码提交的人）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的减少：例如，工程师与产品经理的比例约为 17 比 1，且自 2025 年以来有所上升。管理者的提交次数也翻了一番。技术团队内部的监督和协调角色越来越多地涉及构建和交付代码。

非技术招聘没有加速的一个领域，是通常随公司规模扩张而增长的行政职能。代理助手、自动化审核和工单服务外包的结合，使 Anthropic 在快速扩张的同时保持了较轻的文员配置。一位财务经理构建了一个采购申请审核代理，并向同事解释：“它只是试图找出那些耗费大量时间的事情，这样他们就能专注于其他事情。”

即使是与人际互动紧密相连的文书工作，增长也十分缓慢。一位行政助理为日程安排和邮件分诊搭建了一个个人助理智能体，他解释道：“我认为我们已经越过了 Claude 能够替代真正入门级行政岗位的阶段”，转而将工作重心放在更高阶的“幕僚长”类任务上。

这些变化已经涉及人员重新调配：在 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%。整个团队也因将工作移交给智能体而被重新调配。以某个产品设计团队为例，他们曾撰写 Claude.ai 上的问候语之类的内容：“你好，夜猫子；”“咖啡与 Claude 时间？”2026 年春季，该团队开发了一个上下文图谱，有效引导智能体撰写有吸引力的产品内容。其经理解释说，这“让团队得以扩展”，但也引发了人类写作者还剩下什么工作可做的问题。随后该团队轮岗转向智能体提示工程，开始为 Claude 编写模型评估和提示词。“曾经用语言驱动人类行为的写作者，如今在用语言驱动 Claude 的行为。”

AI 是否正在推动 Anthropic 的生产力提升？

这些转变是否可归因于 AI？在 Anthropic，人类只是不断壮大的 AI 智能体大军之上薄薄的一层。根据智能体会话遥测数据，2026 年 3 月，自主智能体与交互式智能体的工作小时数之和首次超过了人类工作小时数。部分原因是成群的智能体在进行工业规模的软件工程，完成大量常规测试和检查，对不断增长的基础设施代码进行维护，并推动协同行动以翻译庞大的代码库。但即便只看单个员工部署的智能体，如图 2 所示，到 8 月时，智能体的工作小时数已是其人类操作者的 6 倍。

Anthropic 是一家软件生产商，流经这些智能体的绝大多数 token 都用于生产软件代码。仪表盘监控着遍布全公司的智能体集群。但个人助理智能体也在监控员工的日历和消息，安排日程，发送从收到的消息中累积的待办事项清单，并自动向员工简报即将召开的会议涉及的人员和目的。Token 正触及越来越多的日常工作任务。

所有这些 token 加起来意味着什么？图 3 按时间绘制了一系列产出可衡量的职能岗位的产出。与先前调查 Anthropic 工程师以及描述模型训练与研究自动化的报告一致，每位工程师的代码提交量增长最快，达到 6 个月前的 5 倍速度。数据科学家也在更多地查询不断增长的大量 Anthropic 数据，让 Claude 智能体将实时指标送到仪表盘和决策者手中。但图 3 显示，随着编码智能体的扩散，即便非技术员工也看到产出上升：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了 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之间的产出。这让我们能够比较同一个月在公司工作、因而处于相似业务环境、但使用不同工具应对的员工。但请注意，工具采用并非随机：例如，如果正处于启动某个重大新项目边缘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 名工程师随时间采用编码智能体的过程，并与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业务影响。为了检验 AI 代码垃圾，我们研究了在 Anthropic 所做的代码提交。我们比较同一员工、同一月份、同一编码目录下，由编码智能体而非人类员工直接编写的代码。代码质量有许多维度，AI 错误可能比人类错误更难识别。但我们发现，随后被删除或回退的代码行比例没有差异。

图 4 还考察了工程师采用其第一个完全自主智能体之后会发生什么。与未采用者相比，采用者本就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就已经在提升自己的产出。

这些模式是否超越了编程，延伸到更广泛的知识工作变革？Anthropic 的销售代表从去年九月起逐步采用 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。一位客户主管解释说，Claude 自动化处理了邮件起草和客户管理软件集成，取代了他们此前约 20% 的工作任务。另一位指出，类似的自动化让他们腾出时间专注于面对面交流，使他们能够接触的客户比之前多了 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 让它变成我不必做第三次？”

在销售之外，一位 Anthropic 律师构建了一系列 Claude 自动化来扫描风险与机会、分诊法律问题，并对面向公众的文案进行法律审查的初审。一位招聘人员用 Claude 协助候选人寻源、跟踪申请，以及一项原本需要“大概几周”的分析，从而腾出时间重新设计过时的面试问题，并会见更多申请人。

所有这些都表明，随着 AI 能力的提升，它影响着 Anthropic 内部广泛的工作岗位。从描述性角度看，我们发现在使用 Claude 处理最复杂任务的工作中，初级岗位就业正在放缓（图 5）。

瓶颈与流程：AI 密集型工作场所中的新任务与旧任务

AI 的高采用率重塑的不仅是就业和生产力。它还推动工作流程持续变化，产生新任务，并改变员工对工作场所的看法。一位员工将其描述为“Anthropic 内部永不停歇的压力，要尽可能快地推进，并且一切都要用 Claude”，另一位则说“我们期望一周完成的事情，在其他地方要花三个月。”一项内部员工调查询问 Anthropic 的工作流程是否让受访者尽可能高效：2024 年底有 44% 的员工同意；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”而有所弱化）。截至八月，Anthropic 的员工预计到 2030 年 AI 将能完成他们 75% 的工作，而其他美国人的这一比例为 28%。

这些不断攀升的生产力预期，被内部模型发布的节奏所放大。一旦新模型可用，Anthropic 员工就开始在交互式编程智能体会话中攻克更难的问题。我们用一个自动化的 Claude 评分器来衡量这一点，它根据深度、范围和涉及的系统数量，对去标识化会话的任务需求进行评分。难度超过旧模型第 90 百分位的任务占比急剧上升约 30%（从全部任务的 10% 升至 13%），并在模型发布后的数周内保持高位。交给智能体的简单任务则变化不大。

智能体生产力的螺旋式上升，转化为投放到人类屏幕和注意力上的产出。一位工程师将此比作照看孩子：

他们就像在说，我需要人帮我打开果汁盒，而且打开果汁盒是紧急情况。他们表达这件事时的关切程度，和那个割破手指、正在流血的人一样。[...] 当你照看孩子时，每个孩子都带着同等迫切、要求你关注的问题来找你，各种 [Claude] 也是如此。

在 2026 年 4 月的调查中，一个关于 AI 如何影响日常工作的开放性问题里，27% 的人描述了 Claude 工具带来的生产力提升，20% 的人描述自己的角色从实际做事转变为管理 Claude。

在这种由模型驱动的加速之中，人类的注意力始终是瓶颈。在交互式、多轮会话中，智能体会话时间的绝大多数根本不是花在工作上，而是花在等待上。我们通过从每个交互式会话的总挂钟时间中减去每个智能体的实际工作时间，来追踪空闲时间。Claude 会话中约有 80% 是在空闲等待人类输入。正如一位工程师所说，人们正在“给智能体制造瓶颈”。

要读完 Claude 在交互式会话中的所有输出，究竟需要多少时间？对于每个交互式会话，我们将该会话的智能体输出 token 转换为词数，并假设人类平均阅读速度。图 6 显示，技术职能中编码智能体的输出量在过去 6 个月里大幅跃升。但即便对于非技术团队，交互式 Claude 会话输出的内容也足以占据半个工作周以上。Claude 文本的洪流需要被组织起来。

应对这场洪流的一个办法是提高自动化。但这需要另一种工作。为智能体编写的常设指令从 2025 年 7 月的几百条，增长到一年后的 8,500 条。一位工程师设立了一个智能体幕僚长，来分诊智能体的请求。另一位为他们的 Claude 团队写了绩效评估：“嘿，我们来谈谈我们的沟通风格中哪些行得通、哪些行不通。”招聘人员搭建了集成仪表盘，让智能体浮现问题并发起行动。一位律师把注意力从审阅法律问题转向做“法律建议的 SEO，你需要编写框架，让[客户]的智能体能够发现。”

图 7 显示，这类元工作从 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%。这一上升很大程度上具体源于智能体管理：为多智能体运行编写规格、让一个智能体循环审查另一个智能体的输出，以及监控流水线。在各职能中，人类参与越来越从某一段具体代码或文字，抽象到让智能体有效完成其任务所必需的工具上。

尽管智能体的可靠性有所提升，并且在监督它们的工具上投入了大量资源，但人类的信任与问责仍然至关重要。一名员工解释说，追查漏洞越来越“会暴露出这些组织性、系统性或技术债务方面的问题，而这些问题实际上需要一定数量的人员召集、决策和治理才能解决。”在一次又一次的访谈中，员工们都表示面对面协调不可或缺。根据日历数据，员工花在会议上的时间中位数比一年前多了20%。这在一定程度上反映了公司的增长，以及向会议密集型的非技术岗位的转变。但即便是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%。宏观层面的战略问题涉及广泛的杠杆性职位，通常需要与他人辩论和互动。从管理智能体的工作中抽身休息一下，通常就意味着跳进一场会议。

总体而言，技术类和非技术类岗位都出现了部分工作被自动化的情况（编写代码、识别漏洞、记录进度、起草邮件）。工程师们描述自己正在成为智能体的领导者和管理者；非技术类员工则描述自己承担了越来越多工作中的战略性部分：“那20%的战略性工作变成了工作的90%。”但对许多非技术类岗位来说，核心执行工作同样是人际性的：一次销售电话、一场面试、围绕复杂问题的跨职能对齐。所有这些仍然需要人来完成。

再看看那些既充当 Anthropic 沟通首页、又充当其私下渠道的 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聚焦于一个大型部门的沟通网络，数据来自该部门成员互动过的所有公开 Slack 频道。它根据是否参与过某个 Slack 讨论串，将人类和智能体参与者连接起来。该图显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 Claude 与人类互动的专用频道中，而不是在既有的人类频道中大量发消息。人类沟通的底层结构和密度几乎没有变化。智能体并未取代人类互动，而是对其有所补充：该部门的人类讨论串维持了相同数量的人类回复，同时还叠加了智能体的回复。智能体成为单个员工的团队，而不是与许多员工同时高度连接的节点。

随着人类在日益庞大的 AI 智能体集群中工作，他们面临将人类工作转移到智能体可见渠道的压力。如果一项决策是在面对面会议中做出的，且没有出现任何笔记或汇报，智能体就会缺少更新其目标和假设所需的关键上下文。一名员工解释说，自己的名字出现在一份几个月前关于 Claude 周边产品的文档上，导致智能体不断带来 T 恤和马克杯的请求，而此时他们的职责早已改变。在未记录的会议和私信中的私人工作，在 AI 密集的工作场所中是不可见的、令人困惑的，也是不被鼓励的。一名研究人员将这种默认的开放性描述为 Anthropic 彻底整合 AI 的关键：“大多数组织并不是这样运作的，我认为这是一个巨大的转变，因为领导者必须在公开场合为反馈辩护。”为 AI 提供上下文的需求，要求人类工作和决策具有可观测性。

在这样的工作场所中，谁将蓬勃发展？Anthropic 工作内容的变化，也体现为招聘经理在招聘决策中优先考虑的技能发生了变化。我们使用自动编码器处理了自 2024 年以来 Anthropic 聘用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的定性反应。最明显的变化是，更加重视候选人是否展示了创造性地使用 AI 工具。2024 年，招聘经理在技术岗位约 5% 的评估中、非技术岗位 7% 的评估中提到了候选人在 AI 工具方面的过往记录。到 2026 年，这些比例在技术岗位增加了两倍，在非技术岗位增加了三倍。招聘经理越来越关注候选人是否能有效使用 AI。

评估中更深层的变化也可见一斑。在技术候选人的面试中，增幅最大的是对申请人自主性和判断力的评论。对领域专业知识的讨论在整体评估中的占比下降。正如一位经理所解释的：“我预计模型仍会参差不齐，所以对我的团队来说，我希望他们能跨领域通用。”同样，对于非技术候选人，客户和使命导向有所增加，而对执行技能的讨论则下降了。招聘经理越来越多地根据申请人的判断力和投入程度来评估他们，而不是根据 AI 工具已自动化的领域特定技能和执行能力。

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，工作组织方式可能会像以往的技术变革浪潮中那样发生转变。铁路带来了管理型公司，蒸汽动力催生了工厂，个人电脑造就了初创企业。使用工具、具备推理能力的 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？一种可能是单人初创企业，每家公司由一位人类创始人指挥一群智能体，赚取数十亿美元收入。另一种可能是由 AI 天才 CEO 建立的公司，只雇用人类智能体来握移液管和在国会作证。

Anthropic 看起来与这两种情况都不相符。它在过去一年里规模扩大了两倍。它不再是一家小型初创公司。它也没有将高管控制权让渡给其模型。书面的 Slack 辩论和面对面的会议主导着从公司战略到团队决策的一切，而 AI 智能体的参与很少。让人类工作在全公司范围内保持可见，确保自主智能体能够基于最新上下文进行推理。协调智能体团队的个体贡献者，就其所需的知识和工作中相互依赖的关系而言，看起来更像管理者。在一家 AI 密集型组织中，公开工作和决策至关重要。

随着员工越来越多地将自己的工作视为管理 Claude 团队，他们花更多时间构建在自己独特领域中有效完成这一工作所需的工具。这种实验意味着员工不断将自己的任务自动化掉。在某些角色中，他们越来越远离最初培养其技能的客体层面工作。当智能体飞速完成工作流时，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，人类员工被期望完成更多且不同的任务。角色范围扩大，包括构建产品、管理智能体，以及处理仍超出最佳 LLM 能力范围的战略性和人际性工作。

工作和组织内容的这些变化，伴随着初级技术岗位在员工总数、招聘和职位发布中所占份额的下降。招聘经理越来越关注应聘者的自主性和判断力，而非执行力和狭窄的专业知识。总体而言，Anthropic 收入增长相对于其员工增长的速度，甚至超过了上一代科技公司早期快速的生产率增长。

将这些模式推演到整个经济中，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 原生初创公司和AI 采用者的组织结构更扁平，雇用的入门级员工更少。我们能从 Anthropic 身上学到什么，以应对 AI 带来的剧变，同时服务于其周围工作的人类？

在此我们想谨慎行事。Anthropic 的雇佣实践中有许多部分无法在整个经济中复制。

但有三项特征尤为突出。第一，广泛的股权持有使员工对公司的成功抱有强烈的利益关切。当然，对于一家估值大幅增长的公司来说，这是一种容易采取的立场。对许多公司而言，共享所有权可能并不充分，或者并不合意。但很难想象有一种支持工人的 AI 应用方式，其中工人却不在成功落地中持有财务利益。如果像受访者所说的那样，期望个人贡献者去“管理智能体”、“做出 VP 级别的决策”并成为“他们自己的业务线”，那么将他们的利益与组织对齐就至关重要。二战后于 1950 年代形成的工会与管理层和解，正是建立在这样一种交易之上：像美国汽车工人联合会和美国钢铁工人联合会这样的工会，允许管理层在工作重组（甚至工作强化）上拥有特权，以换取与生产率增长挂钩的加薪以及丰厚的一系列福利。无论受 AI 影响的员工与其雇主之间达成什么样的新协议，一种分享应用收益的机制都是必不可少的。在 Anthropic，工人们将自己的专业知识编纂给机器，眼看着自己的工作常规不断被搅动和打乱，并且看到自己工作的很大一部分变成了快速阅读其 AI 协作者的输出。他们做这些并不是免费的。

第二，Anthropic 正在建立一个持续运行的早期预警系统，以监测面临 AI 驱动转型的岗位。一系列针对需求和生产率、细化到角色层面的指标，会对照 AI 能力和使用情况进行解读。这些汇总指标有助于标记出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分配到技能匹配、且可能不会立即面临风险的岗位上。随着整个经济中的公司都转向适应加速的工作重组节奏，用于指导内部员工重新分配的有效系统将变得越来越有价值。随着 AI 进步速度加快，转向外部劳动力市场来满足 AI 进步所要求的每一项新任务，将成为一个更强的瓶颈。在这份报告中，我们发现部门之间的流动性增加、工作内容发生变化，以及员工在旧任务被自动化后转向新任务。对于 AI 密集型组织来说，建立能够灵活地在内部重新分配工人的系统将至关重要。

这种对内部工人重新分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将工人转移到他们最具生产力的岗位上，无论是在当前雇主还是在另一家雇主那里。对重新分配现有员工的承诺，可能会让雇主不愿冒险招聘新员工。在正常经济条件下，尤其是在竞争异常激烈的情况下，此类承诺可能代价高昂。

但优先考虑重新分配，会迫使采用 AI 的公司思考 AI 如何为新产品的和新市场创造新任务，而不是将 AI 应用导入替代人类工人以节省劳动力成本。这可以帮助雇主抵制“平庸”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：雇主替换掉人类工人，给被取代的工人造成收入损失这一巨大社会成本，却只带来极小的生产率收益。

从我们在 Anthropic 看到的情况来看，无论是新颖的任务还是持续由人类承担的任务，都与 AI 的密集使用并存。未来这些任务集合的不确定性，应当促使我们保留一支灵活的劳动力队伍。正如一位 Anthropic 高管所言：“一支焦虑不安的劳动力队伍，不是一支能发挥最佳水平的劳动力队伍。”

这些行动都无法阻止强大的 AI 对就业造成冲击。事实上，它们也都没有直接解决本报告所记录的初级岗位招聘放缓问题。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政府在再培训和收入支持方面具有远见的政策相配合。此类政策应以对 AI 可能带来的工作场所变革规模的清晰认识为指导。

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 = oct,

url = {https://www.anthropic.com/research/employment-at-anthropic}

}

致谢

我们感谢抽出时间接受访谈、谈论其工作如何变化的 Anthropic 员工。对于非常有帮助的评论和协助，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 和 Jack Clark。

参考文献

Acemoglu, Daron, and Pascual Restrepo. 2019. “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives 33 (2): 3–30. https://doi.org/10.1257/jep.33.2.3

Beraja, Martin, and Nathan Zorzi. 2025. “Inefficient Automation.” Review of Economic Studies 92 (1): 69–96. https://academic.oup.com/restud/article-abstract/92/1/69/7612958

Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026. “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools.” NBER Working Paper 35275. https://doi.org/10.3386/w35275

Ewens, Michael, and Xavier Giroud. 2025. “Corporate Hierarchy.” NBER Working Paper 34162. https://doi.org/10.3386/w34162

Favaro, Marina, and Jack Clark. 2026. “When AI Builds Itself.” The Anthropic Institute. https://www.anthropic.com/institute/recursive-self-improvement

Hitzig, Zoe, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, and Peter McCrory. 2026. “Agentic Coding and Persistent Returns to Expertise.” Anthropic, June 16. https://www.anthropic.com/research/claude-code-expertise

Hosseini Maasoum, Seyed Mahdi, and Guy Lichtinger. 2025. “Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data.” SSRN Working Paper 5425555. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555

Huang, Saffron, Bryan Seethor, Esin Durmus, Kunal Handa, Miles McCain, Michael Stern, and Deep Ganguli. 2025. “How AI Is Transforming Work at Anthropic.” Anthropic, December 2. https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

Kim, Hyunjin, and Rembrand Koning. 2026. “AI-Native Firms.” Harvard Business School Working Paper 26-090. https://www.hbs.edu/ris/Publication%20Files/26-090_96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdf

Roodman, David, and Maxim Massenkoff. 2026. “An Evidence Review of Subsidized Job Training.” The Anthropic Institute Working Paper 2026-01. https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs