- 日期:2026-10-17
- 作者:Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory(The Anthropic Institute)
- 来源:阅读原文 (「AI组织进化论」编译)
- 一手出处:Anthropic / The Anthropic Institute《How employment is changing at Anthropic》,2026-10-16|阅读原文
- 信源层级:一手研究(Anthropic 官方报告)+ 中文二手编译(数据已核对原文页码)
- 标签:AI原生组织 / 人机协作 / 人才结构 / 初级人才入口
- 渠道:微信公众号
- 体裁:报告
- 一句话:Agent 工时达到人类的约 6 倍——但真正的新管理难题不是“用不用 AI”,而是人的注意力成了新瓶颈,初级人才的入口正在收窄。
一、Agent 工时达人类约 6 倍(统计口径要看清)
- 2026 年 3 月:自主 Agent + 交互式 Agent 合计工作时长首次超过人类员工工时。到 8 月,即使只看员工直接指挥的交互式 Agent,工时也达人类的约 6 倍。
- 口径:Agent 侧统计员工指挥的交互式会话并汇总子 Agent,运行时间含模型推理与主动调用工具、排除超 30 分钟等待;人类侧按人数 × 每周 40 小时估算(不含逐人考勤,也未测量加班)。
- ⚠️ 不能直接换算:6 倍 ≠ 6 倍数量的 AI 员工,也不能宣布效率提高 6 倍——它衡量的是两类工作时间的比例,尚未回答每小时产出的价值。(多个 Agent 可并行,一人派活后几条执行链同时跑。)
- 它已能说明:人周围并行运行的 AI 工作量,开始远远超出人的直接工作时间。 管理问题随之具体:任务怎样拆分?哪些结果自动验收?冲突谁裁决?人的注意力怎样分配?
二、初级技术招聘占比下降,公司却仍在扩张
- 技术部门初级员工占比:21% → 14%(2025 年初以来);技术招聘中初级人才占比 27% → 9%;2025 年 12 月起面向初级的技术职位发布占比明显下滑。
- 2026 年 4 月内部调查:多数管理者称 AI 让他们调整了招聘所看重的技能;约 1/3 的 ML 管理者、1/5 的软件工程管理者报告因 AI 减少招聘。
- 但绝对规模仍在增长:过去一年员工规模增至约 3 倍;技术招聘绝对规模仍在增长;技术部门占公司员工比例 61% → 56%(销售/财务/招聘等职能增长更快)。
- → 占比下降需谨慎理解:既可能反映 AI 承担了执行任务,也含公司成长阶段影响,不能只用一个原因解释。
- 岗位层面相关:Claude 被用于复杂任务程度较高的岗位,初级员工人数增长往往较弱(AI 复杂度取 2025-10~12 日志,人数增长比较 2026-01~07)。这是相关关系,还不足以证明某类初级岗减少完全由 AI 造成。
- 对企业的新问题——人才培养:基础执行任务过去也是年轻员工学习业务的入口。当这些被自动化,企业需要重新安排实践、反馈和承担责任的机会。
三、管理者重新写代码,非技术员工开始自己做软件
- 截至 2026 年 4 月的一年里,技术部门不活跃编码的员工占比下降近一半(定义:过去 30 天无代码提交)。
- 工程师:产品经理 ≈ 17:1(较 2025 年上升);管理者的代码提交量翻了一倍——监督与协调开始包含直接构建和交付代码(一边判断业务方向,一边借 Agent 把方案做出来)。
- 非技术岗位同样移动:按基期无代码提交识别的非技术员工组(排除新入职),每月面向编码的 Agent 会话从 2025-08 约 2 次 → 2026-05 约 90 次。
- 一位销售用三四个小时做出适合自己的仪表盘与工作流(界面、工具连接、系统集成原本都超出他能力范围);财务管理者搭建采购申请审核 Agent;高管助理把日程与邮件分类交给助手。
- 共同路径:熟悉业务的人,把反复遇到的问题写进工具,再不断修正工具的工作方式。
四、产出增长覆盖多个职能,但要分清增长与因果
- 跨职能人均产出指数(以 2025-12 为 100):末端达基期的 5.1 倍(经平滑,各指标不可等值比较)。
- 但业务增长会影响指标(模型需求↑→销售机会↑;扩张→合同与招聘需求↑)——仅凭曲线无法把增长全归因于 AI。
- 更强证据(准实验):跟踪 192 名采用编码 Agent 的工程师 vs 74 名未采用者,控制个人与月份差异。结果:采用后新增代码量明显上升;销售人员采用后成交客户数增长。
- 代码质量:比较同一员工/月份/目录中 Agent 写 vs 人写的代码,后续删除、因修复删除、明确回滚等指标无明显差异。
- 边界(作者自述):① 工具采用并非随机(可能因即将启动大项目才开始大量用 Agent);② 图4左下角——采用完全自主 Agent 的工程师,采用前产出就已明显上升,不能把后续变化简单当成工具的独立效果;③ 删除率/回滚率只覆盖质量一部分,维护成本、架构适配、最终业务价值需其他证据。
- 个案(⚠️ 非平均):一位客户经理称自动化接手了其约 20%的工作任务;另一位称自动化让他接触多 30% 的客户。
五、人类注意力,开始限制 Agent 继续提速
- 交互式 Claude 会话约 80% 的墙钟时间处于等待人工输入(指整个多轮会话中的等待,不代表模型推理速度,与“6 倍工时”口径不同)。
- 读完所有 Agent 输出所需的估算时间:多个非技术职能超过 20 小时(≈40 小时工作周的一半);市场与传播约 12 小时;工程与研究 424 小时——逐条检查、逐字阅读已难以作为统一监督方式。
- 一位工程师形容自己“像照看一群孩子”——每个 Agent 都会要求注意,但小问题与紧急问题带着相似的语气。
- 要解决的是分流:哪些信息只留日志?哪些交给其他 Agent 复核?哪些异常必须立刻找人?什么结果达到验收条件?“人的判断力,需要用在最有价值的节点上。否则,执行速度增加,等待审查的工作也会越积越多。”
六、Meta-work 上升:员工开始管理 Agent 团队
- Meta-work 定义:给 Agent 写技能和规范、设计计划与评审流程、搭建仪表盘、监控任务链、记录“工作应该怎样完成”。
- 占比:2025 秋约 10% → 2026 春 22%(基于 2000 条单行会话摘要自动分类;会话占比 ≠ 实际工时占比)。
- 员工给 Agent 编写的常设指令:2025-07 几百份 → 一年后约 8,500 份。
- 案例:工程师做了个 Agent 幕僚长先处理其他 Agent 的请求;有人让一个 Agent 循环审查另一个 Agent的结果;招聘人员搭仪表盘让 Agent 发现问题并触发行动;法务人员开始编写能被同事的 Agent 发现和使用的法律指导框架(专业知识需要进入机器可以找到的工作环境)。
- 判断:企业的岗位说明,需要同时写清业务交付 + 员工对 Agent 流程承担的责任,否则这部分新增劳动很容易被忽略。一个普通员工,也可能需要承担一部分团队管理工作(设定目标、分配任务、检查结果、修正 Agent 行为)。
七、会议没消失,沟通需要留下“可用的记录”
- 过去一年员工会议时长中位数 +20%(含扩张与非技术岗增加影响);即使只看技术个人贡献者,也 +16%(技术债、组织分工、系统性问题仍需人一起讨论决定)。
- Slack:Agent 逐渐进入接近一半的活跃公开频道。研究显示原有人类沟通的结构与密度变化不大,人类线程中的人类回复数量维持;Agent 更多出现在专门的人机互动频道,成为单个员工周围的工作团队。
- 新要求:工作决策必须留下 Agent 能够获得的上下文。
- 反例:一名员工早已换岗,Agent 仍根据几个月前的文档找他处理 T恤和杯子等周边事务——模型掌握了信息,信息却已经过期。
- → 企业推进 Agent 应用时,宜同步规范决策记录、文档负责人、更新日期;文档失效后怎样撤下、职责变化后怎样同步,都开始影响自动化质量。
八、招聘转向自主性与判断力;员工需要新的去向
- 面试评分自动分析(2024 年以来数千名录用者):招聘经理越来越关注候选人怎样使用 AI。提及 AI 工具使用经历——技术岗 2024 约 5% → 2026 约 3 倍;非技术岗约 7% → 约 4 倍。
- 评价内容变化:技术岗对自主性和判断力的讨论增加,领域专门知识占比下降;非技术岗客户导向与使命导向受更多关注,执行技能讨论占比下降。
- ⚠️ 是面试评语关注点变化,不等于专业知识不再重要——要判断 Agent 结果是否可靠,员工仍需理解业务。
- 给管理者的调整:让候选人展示如何界定问题、设置验证标准、以及发现 AI 结果不对时怎样处理。
- 在岗员工转岗:入职满一年员工中,2026 年每月跨部门流动可能性比 2025 年高 50%。案例:一个原本做产品文案的团队,2026 春搭建上下文图谱让 Agent 生成产品内容,随后转向提示词与模型评估工作——“他们对语言的理解仍然有用,服务对象和交付方式变了。”
- Anthropic 在建岗位变化预警系统(岗位需求+产出+AI能力+使用情况一起看),优先内部重新配置。
- ⚠️ 作者的关键保留:内部调配有成本,甚至可能让企业对新增招聘更谨慎。保护现有员工,覆盖不了那些从一开始就没有获得入职机会的年轻人。转岗、培训和收益分享,都还无法单独解决初级人才入口收窄的问题。
九、读这份研究还需要保留什么判断
- Anthropic 处于AI 开发与使用前沿(有模型能力、工具条件、快速增长业务、高度熟悉 AI 的员工)→ 值得研究的样本,但其他企业的工作条件与采用速度可能有很大差异。
- 一个坐标:成立约五年时,Anthropic 的人均收入达到 Google、Meta 相近公司年龄时的约 2–4 倍(截至 2026-04,统一 2025 美元价格)。
- 局限:主要用公司内部观察数据,展示了“AI 使用与工作变化怎样同时发生”,并靠员工层面跟踪加强证据,但全面因果识别仍受限。
读后判断
- 这是本周第 6 条同轴信源,也是唯一一份“一手 + 带数字 + 可追踪”的实证。 前五条(Dan Shipper 判断权 / Anthropic 上下文 / 阿西莫格鲁隐性知识 / 达利欧资产端 / 吴恩达可验证性)多是访谈与观点;这一份是观测数据。它把“判断力最贵”从论断推到了可测量的组织现实:80% 会话时间在等人、工程研究需 424 小时/周去读输出、Meta-work 从 10%→22%。
- 它给“初级人才入口收窄”提供了目前最硬的证据,且作者自己划了红线。 技术招聘初级占比 27%→9%、复杂任务岗位初级增长更弱——但作者明确说这是相关、非因果,且'保护现有员工覆盖不了从未获得入职机会的年轻人'。这条对教育/校长分享是直接命中:基础执行任务过去是年轻人学业务的入口;入口关了,不是“培训一下”就能补回来的。 这也正是懿武那份校长稿里“分化、资源、不舒服的部分”的实证版。
- “注意力成为新瓶颈”是这份报告最被低估的一句。 Agent 工时 6 倍,但人的注意力没变多——于是管理问题变成分流与验收:留日志 / 交 Agent 复核 / 立即找人 / 达标验收。“人的判断力要用在最有价值的节点上。” 对造物云/小龙虾的团队设计有直接可操作价值(谁盯哪条链、什么异常升级)。
- “Meta-work 22% + 常设指令 8,500 份”= 我们 Skill 沉淀方法论的组织级证据。 员工在给 Agent 写技能和规范、设计评审流程、记录“工作该怎样完成”——这正是我们在做的事(skill + memory + judgments.md),只是 Anthropic 把它变成了全员日常。它同时提示一个风险:这部分劳动如果不写进岗位说明,就会被系统性忽略(隐形加班)。
- “信息过期”那条是本周最具体的一个坑,而且我们已经踩过类似。 员工换岗后 Agent 仍按几个月前的文档找他办 T恤——“模型掌握了信息,信息却已经过期”。对照我们 ARCHITECTURE-v2 里“判断要带过期条件”:这正是我们那条规则的实证必要性。文档负责人、更新日期、失效撤下——可直接变成我们 SKILL/知识库的运维项。
- 和 10-15 那篇 Dan Shipper 的“Claude Tag 共享 agent”精确对上。 Dan 说的是“从个人 Agent 转向共享 Agent,让经验跟着工作传播”;这份报告给出组织数据(Agent 进入近一半公开频道、成为单员工周围的团队、人类网络结构几乎没变)。两条独立信源再次同频:共享 Agent 是方向,但人类协作结构不会自动改变。
- 对我们自己的两个提醒:① “6 倍 ≠ 6 倍效率”——警惕拿工时/使用量当成果(我们自己的 Agent 也容易陷入“跑得多”而非“验收得住”);② 报告作者反复强调“相关≠因果、采用非随机”——这个克制正是我们应该学的证据纪律(对照 judgments.md 的置信度/反方要求)。
- ⚠️ 可核钩子:① 一手 PDF 未直读,本文数据均转自「AI组织进化论」编译——引用具体数字前应回原文(阅读原文);② 图4左下角(自主 Agent 采用者产出事前就在上升)是作者自曝的因果弱点,引用时不可省略;③ 文中“人均收入 2–4 倍”是跨公司年龄调整后比较,口径特殊。