10月16日，Anthropic公布一份以自身为样本的工作与就业研究。最容易被截取传播的数字是：截至8月，公司内部交互式AI智能体运行时长与员工工作时长之比约为六比一。但把它翻译成“一个员工被六个智能体取代”，既不是研究的口径，也会误导读者。智能体运行时长不等于完整的人类工时；模型生成、等待、返工和验收都在真实生产流程里。报告真正值得看的是，AI进入组织之后，岗位结构、工作节奏和管理成本同时发生了变化。

这份研究使用Anthropic内部的员工、AI使用、产出、问卷、沟通及招聘资料，并辅以17名员工访谈。这是一个高度特殊的样本：研究对象既是模型开发者，也是最积极的模型使用者；它能展示前沿公司的早期变化，却不能直接推算全社会的失业率。公司在文中指出，整体员工数继续增长，技术部门的绝对招聘并未停止，但初级技术岗位在技术部门中的占比从2025年初的21%降到14%，初级技术岗位在新聘技术人员中的占比从27%降至9%。这是一组“构成变化”数据，不是“已经裁掉多少人”的统计。

从岗位数量转向工作拆分

招聘结构的变化，有一部分来自公司从研发阶段走向商业化：销售、财务、招聘等职能通常会随业务扩大；另一部分则与编程和审查任务被智能体吸收有关。报告称，约三分之一的机器学习经理、五分之一的软件工程经理在4月调查中表示，因AI而减少招聘。与此同时，非技术员工开始自己搭建工具，部分管理者也写代码。这些现象说明，原来由岗位名称划定的边界正在松动：一个销售人员不一定要排队等待工程资源，一个工程经理也不再只做协调。

但“任务可自动化”不等于“责任可自动化”。客户沟通、法律判断、生产系统变更、模型输出的事实核对，仍要有人承担后果。研究中的销售、法务和招聘案例，更像是把重复步骤交给工具，让员工把时间移向面谈、风险判断或流程重设计。结果不是传统意义上的机器接管整个岗位，而是岗位内部的任务包被重新打散、排序、再组合。企业如果只看节省了多少撰写时间，却不计算复核、审批和返工，容易把净收益算得过高。

报告还显示，员工跨部门流动在2026年比2025年更频繁。研究对任职至少一年的员工观察到，每月跨部门流动的可能性高出约50%。它不能证明每一次调动都是由AI造成，但能提示一种新的人力资源问题：当旧任务缩小、新任务出现时，公司能否在内部再培训、转岗，而不只是停止招人。对于初级岗位尤其如此。过去许多新人通过修改小错误、写简单代码、整理材料学习业务，如果这些入门任务被智能体吞掉，企业就必须设计新的带教和实战入口，否则未来高级人才的培养链会变窄。

人的注意力正在成为瓶颈

报告中另一个容易被忽略的观察是等待时间。研究把交互式智能体会话中的主动工作时间与总时长相减，估计会话约80%的时间处于等待人类输入的状态。这个数字不是“AI只有20%时间有效工作”，而是在特定交互式会话口径下，人的指令、选择和验收仍决定流程能否继续。模型产出越快，审阅者屏幕前堆积的待判断事项越多，瓶颈便从写初稿转移到分配注意力。

员工因此发展出一种新的“元工作”：编写智能体技能、建立监控面板、规划任务队列、审查多条智能体流程。它听上去不像传统产出，却是把模型能力转成稳定业务结果所需的基础设施。一个能一夜生成十份方案的系统，如果没有证据追溯、版本管理和责任分工，未必比认真完成一份方案更有效。团队还需要决定哪些输出必须逐条复核，哪些可以抽样检查，哪些错误会造成无法挽回的损失。

对其他公司而言，这份报告的价值并不在复制一个六比一比例。行业、监管约束、数据质量、客户容错率与Anthropic完全不同。更有用的问题是：哪些任务真正缩短了交付时间？节省的时间是否转成更好的服务或更多订单？复核成本是否同步上升？初级员工有没有新的学习路径？经理是否具备判断模型输出的能力？这些问题需要在本公司真实流程里测量，不能靠产品演示回答。

研究还提醒读者谨慎看待因果关系。高速成长的公司本就会调整岗位结构，技术部门占比下降也可能与业务扩张相关；员工访谈可以解释机制，但不能替代跨企业、跨周期的统计证据。因此，“AI已经导致大规模岗位消失”超出了这份材料所能支持的范围。可以较稳妥地说，在一家最深度使用AI的企业，初级技术岗位的相对需求、员工工作方式和人的审查负担，都出现了值得持续跟踪的变化。

来源：Anthropic，2026年10月16日《How employment is changing at Anthropic》：https://www.anthropic.com/research/employment-at-anthropic