Anthropic 研究：AI 如何改变其内部雇佣与工作方式

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可能成为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领先指标。

主要发现

Anthropic招聘初级技术岗位的比例一直在缩小。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智能体的工作时长已是员工的6倍。

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优先事项的转变上，他们相对于技术领域专业知识和执行能力，越来越强调自主性和判断力。

引言

在AI日益强大的背景下，我们可以预期工作与就业发生哪些转变？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。智能体的工作时长是人类的6倍。Anthropic当下发生的变化，为未来工作与就业的可能图景提供了前瞻性信号。

本报告基于Anthropic全面的内部数据，涵盖雇佣、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位员工访谈对这些定量数据进行了情境化解读。

我们发现，即使公司规模不断扩大，初级技术岗位的相对招聘已经放缓。工程师和非技术员工的生产力都大幅跃升，而且在他们采用编码智能体时跃升尤为明显。招聘经理相对于具体技术专长，越来越强调应聘者的自主性和判断力。在AI密集的组织中工作的一个决定性特征，是持续面临尽可能将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的员工仍保持批判性。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中断风险的岗位，以此应对这些变化；随着岗位演变，公司优先考虑内部重新调配。这些在AI发展和职场变革双重前沿采取的举措，展示了具体的组织承诺如何塑造AI对就业的影响。但它们也提出了关于这些承诺究竟应当是什么的难题。

前沿的劳动力需求

Anthropic扩张迅速。但相比上一代大型科技公司，其每美元收入对应的招聘人数更少。成立五年的Anthropic，其人均收入是Meta和Google各自快速增长巅峰时期的2至4倍。1

哪些岗位在缺失？在Anthropic内部，关于初级技术员工需求下降的讨论于2026年1月在核心技术职能中浮现。那些在自身工作中最依赖Claude的团队发现，编写代码和查找漏洞可以越来越多地交给Claude。能力更强的新模型加速了这一认知：“最令人惊讶的是性能工程师的提升尤其明显，这基本上在一夜之间改变了我们的招聘目标。”

到4月，工程和研究团队已降低了对较低职级技术岗位招聘的重视。同月进行的调查中，多数管理者表示因AI而转向招聘另一套技能。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。

就业占比的变化引人注目。图1显示，自2025年初以来，Anthropic技术部门初级员工占比从21%下滑至14%。初级技术岗位招聘比例下降更快，从27%降至9%。自2025年12月以来，初级岗位的招聘信息发布量下降尤为急剧。

与此同时，Anthropic内部技术部门的整体就业占比有所下降，过去一年从61%降至56%。随着公司扩张，技术招聘的绝对数量持续增长，但销售、财务和招聘领域的密集招聘已超过其增速。这一变化部分源于公司规模扩大时业务职能的自然扩张，部分可能反映出编程工具日益让非技术员工也能自行开发软件。例如，一位销售代表为自己量身定制了一个仪表盘和销售管道：“这样的搭建原本超出我的能力范围，尤其是界面、连接所有工具和MCP。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（定义为基线时无代码提交者，不含新员工）以编程为核心的AI Agent会话量从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程使其扩散到其他领域专家身上的故事。在技术部门内部，不活跃编程的员工占比（定义为过去30天内无代码提交者）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缩小：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。管理者的代码提交量也翻了一番。技术团队内的监督和协调角色越来越多地涉及构建和交付代码。

非技术招聘尚未加速的一个领域，是通常随公司规模扩张而扩张的行政职能。智能体助手、自动化审核和工单服务外包相结合，使Anthropic在快速扩张的同时保持了精简的文员配置。一位财务经理构建了一个采购申请审核智能体，并向同事解释：“它只是试图找出那些耗费大量时间的事情，好让他们能专注于其他事情。”

即便是与面对面互动紧密相关的文员工作，增长也很缓慢。一位行政助理为日程安排和邮件分诊构建了个人助理智能体，她解释说：“我认为我们已经越过了Claude取代真正入门级行政岗位的阶段”，转而将工作重心放在更高层次的“幕僚长”类任务上。

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%。整个团队也因将工作移交给智能体而被重新配置。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“让团队规模得以扩展”，但也提出了人类写作者还剩下什么工作的问题。随后该团队转向智能体提示词工程，开始为Claude撰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？

这些变化能归因于AI吗？在Anthropic，人类只是日益壮大的AI智能体队伍之上的一层薄薄的覆盖。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时长总和首次超过人类工作时长。其中一部分是成群的智能体在进行工业规模的软件工程，填补大量常规测试与检查，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，这些智能体的工作时长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部分token都用于生成软件代码。仪表盘监控着遍布全公司运行的智能体队伍。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到来的会议涉及的人员和目的。Token正触及越来越多的日常工作。

这些token的总量究竟意味着什么？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、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。数据科学家也在更多地查询日益庞大的Anthropic数据，让Claude智能体把实时指标送到仪表盘和决策者手中。但图3显示，随着编码智能体的普及，即便非技术员工的产出也有所上升：律师处理了更多合同；应付账款团队经手了更多发票；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，公司业务经历了爆发式增长。当你销售一款强大的模型时，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、但使用不同工具开展工作的员工。不过请注意，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，这就会使我们的估计产生偏差。

我们追踪了192名工程师在采用编码智能体前后的变化，并与研究期间未采用智能体的74名工程师进行对比。图4显示，在采用后的几个月里，工程师新增的代码量急剧上升。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生成的代码垃圾，我们研究了在Anthropic提交的代码。我们比较了同一员工、同一月份、同一编码目录下提交的代码，但这些代码是由编码智能体编写，而非由该人类员工直接编写。代码质量有许多维度，而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首个完全自主智能体之后发生的情况。与未采用者相比，采用者本已处于陡峭的上升轨迹。这表明，转向完全自主智能体的员工本就在提升产出。

这些模式是否超越了编码，延伸到更广泛的知识工作变革？Anthropic的销售代表从去年9月开始逐步采用AI智能体。图4显示，销售代表采用智能体后，能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自我选择进入自动化。但它也可能反映了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，取代了其此前约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数量比之前多了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让它不必第三次再做？”

在销售之外，一位Anthropic律师构建了一系列Claude自动化，用于扫描风险与机会、分诊法律问题，并对面向公众的文案进行初审以供法律审查。一位招聘人员使用Claude协助候选人寻源、跟踪申请，以及进行一项原本需要“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能力提升，它影响着Anthropic各类岗位。从描述性角度看，我们看到在使用Claude处理最复杂任务的岗位中，初级就业增长放缓（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 的大规模采用所重塑的远不止就业与生产力。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认知。一名员工将其描述为“Anthropic 内部要求尽可能快、凡事都用 Claude 的永恒压力”，另一名员工则说“我们一周内要完成的事，在别处得花三个月”。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 年末有 44% 的员工表示同意；到 2025 年 11 月升至 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 8 月，Anthropic 员工预计到 2030 年 AI 将能完成其 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，因内部模型发布的节奏而更加戏剧化。一旦有新模型可用，Anthropic 员工就开始在交互式编码智能体会话中处理更难的问题。我们用自动化的 Claude 评分器来衡量这一点，它根据深度、范围以及涉及的系统数量，对去标识化会话的任务要求进行评分。难度高于旧模型第 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一端则变化不大。

智能体生产力不断螺旋上升，转化为倾泻在人类屏幕与注意力上的产出。一位工程师将其比作照看孩子：

他们会说，我需要有人帮我打开果汁盒，而打开果汁盒是一件紧急的事。而这种诉求所表达的关切程度，与一个割破手指、正在流血的人完全相同。[...] 当你照看孩子时，每个孩子都会带着自己的诉求来找你，并要求你给予同等的关注，而各个[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显示，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执行工作转变为管理Claude。

在这种由模型驱动的加速中，人类的注意力始终是一个瓶颈。在交互式、多轮会话中，智能体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智能体的有效工作时间，来追踪空闲时间。Claude会话中约有80%的时间是在空闲等待人类输入。正如一位工程师所说，人们正在“让智能体形成瓶颈”。

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，我们按平均人类阅读速度，将每个会话中智能体的输出token转换为词数。图6显示，在过去6个月里，技术职能部门的编码智能体输出量大幅跃升。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超过半个工作周。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升自动化水平。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，一年后增长到8500条。一位工程师设立了一个智能体幕僚长，负责分诊智能体的请求。另一位为其Claude团队写了一份绩效评估：“嘿，我们来谈谈我们的沟通方式中哪些行得通、哪些行不通。”招聘人员搭建了集成仪表盘，由智能体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%。这一增长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说明、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，人类的参与越来越从具体的代码或写作，抽象为让智能体有效完成其任务所必需的工具。

尽管智能体的可靠性有所提升，并且在这些用于监督智能体的工具上投入巨大，人类的信任与问责仍然至关重要。一名员工解释说，追查缺陷正越来越多地“揭示出那些组织性、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类召集、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，以及向会议密集的非技术岗位的转变。但即便在技术类个人贡献者岗位的员工中，过去一年会议时间也上升了16%。宏观层面的战略问题涉及广泛的杠杆性岗位，通常需要与他人辩论和互动。从管理智能体中抽身休息一下，通常看起来就像是跳进一场会议。

总体而言，技术与非技术岗位都出现了岗位中执行部分被自动化的情况（编写代码、识别缺陷、记录进展、起草邮件）。工程师们描述自己正成为智能体的领导者和管理者；非技术员工则描述自己越来越多地承担岗位中的战略性部分：“那20%的战略性工作变成了工作的90%。”但对许多非技术岗位而言，核心执行工作同样也是人际性的：一通销售电话、一场面试、就复杂问题进行的跨职能对齐。所有这些仍然需要人来完成。

还要考虑Slack频道，它们既是Anthropic沟通的门面，也是其背后的渠道。智能体通过Slack扩散，最终出现在近一半活跃的公开频道中。图8聚焦于一个大型部门的沟通网络，汇集了该部门成员互动过的所有公开Slack频道。它根据人类和智能体参与者是否参与过某个Slack讨论串，将二者联系起来。该图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Claude与人类互动的专属频道中，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变化甚微。智能体并未取代人类互动，而是对其加以补充：该部门的人类讨论串维持了与以往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保持高连接度的节点。

随着人类在日益庞大的AI智能体队伍中工作，他们面临将人类工作转移到智能体可见渠道的压力。如果一项决定是在面对面会议中做出的，且没有出现笔记或汇报，智能体就缺少更新其目标和假设的关键背景信息。一名员工解释说，由于他们的名字出现在一份几个月前关于Claude周边用品的文档上，智能体不断带来T恤和马克杯的请求，而他们的职责早已改变。在未记录的会议和私信中进行的私人工作是不可见的、令人困惑的，并且在AI密集的工作场所中不被鼓励。一位研究人员将这种默认的开放态度描述为Anthropic彻底整合AI的关键：“大多数组织并不是那样运作的，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提供背景信息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在招聘经理在招聘决策中优先考虑的技能变化上。我们使用自动编码器处理了自2024年以来在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、非技术岗位约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四倍。招聘经理越来越关注候选人是否有效使用AI。

评估方面的更深层变化也清晰可见。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所占比例有所下降。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，对客户和使命导向的评估有所增加，而对执行技能的讨论则有所下降。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，而不是根据已被AI工具自动化的领域特定技能和执行能力。

雇主可以做什么

AI在Anthropic的深度应用使其成为一个有用的案例。随着AI的扩散和进步，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，个人电脑则孕育了初创企业。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掌舵，指挥一群智能体赚取数十亿美元的收入。另一种可能是由AI天才CEO建立的公司，只雇佣人类智能体来操作移液管和在国会作证。

Anthropic 与这两种情况都不相似。过去一年，其规模增长了两倍。它已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 辩论和线下会议主导着从公司战略到团队决策的一切，AI 智能体的参与极少。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。从所需知识和工作相互依赖性的角度看，协调智能体团队的个体贡献者更像管理者。在一家 AI 密集型的组织中，公开工作和决策至关重要。

随着员工日益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开展这项工作所需的工具。这种实验意味着员工在不断将自己的任务自动化掉。在某些岗位中，他们日益远离最初培养其技能的物件级工作。当智能体快速跑完工作流时，人类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。岗位范围扩大，涵盖构建产品、管理智能体，以及处理仍超出最优秀 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比例的下降而出现。招聘经理日益关注申请人的自主性和判断力，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。

从经济全局纵向和横向解读这些模式，可以看出AI的扩散可能带来劳动者被取代的风险。此前的研究还发现，AI原生初创企业和AI采用者的组织更扁平，雇佣的初级员工也更少。那么，我们能从Anthropic身上学到什么，从而以兼顾身边员工的方式管理AI带来的剧变？

在此我们需要谨慎推进。Anthropic雇佣实践中的许多部分无法在整个经济体中复制。

但有三个特征格外突出。第一，广泛的股权让员工对公司的成功抱有强烈的利益关切。当然，对于一家估值大幅上涨的公司来说，这是一种容易采取的姿态。对许多企业而言，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劳动者的AI采用方式，其中劳动者不在成功落地中持有财务利益。正如受访者所说，如果个体贡献者被期望“管理智能体”、“做出副总裁级别的决策”并“成为自己的业务线”，那么让他们的利益与组织保持一致就至关重要。二战后形成的工会与管理层和解方案奠基于20世纪50年代，其基础正是这类交易：美国汽车工人联合会和美国钢铁工人联合会等工会允许管理层在工作重组（甚至工作强度加大）上享有特权，以换取与生产率增长挂钩的加薪和丰厚的一揽子福利。无论受AI影响的员工与其雇主之间达成何种新协议，建立分享采用收益的机制都必不可少。在Anthropic，员工将自己的专业知识编码给机器，看着自己的工作流程不断被搅动和打乱，并且发现自己的很大一部分工作已变成快速阅读AI协作伙伴的输出。他们做这些并不是无偿的。

其次，Anthropic正在建立一个持续的早期预警系统，以监测面临AI驱动转型的岗位。一系列针对需求和生产率、按角色划分的指标，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示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调配到技能匹配、且可能不会立即面临风险的岗位上。随着整个经济体的企业转向适应加速的工作重组节奏，引导内部员工重新调配的有效系统将变得越来越有价值。随着AI进步加快，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。在本报告中，我们发现了部门之间流动性增加、工作内容变化，以及员工随着旧任务被自动化而转向新任务的现象。对于AI密集型组织而言，构建能够在内部灵活重新调配员工的系统将至关重要。

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将劳动者转移到他们最具生产力的岗位上，无论这个岗位是在当前雇主还是在其他雇主那里。对重新调配在职员工的承诺，可能会让雇主不愿冒险招聘新员工。在正常的经济条件下，尤其是在竞争极为激烈的条件下，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的公司思考如何让AI为新产品和新市场创造新任务，而不是将AI应用引导到取代人类员工以节省劳动力成本上。这可以帮助雇主抵制“勉强凑合”或“低效”自动化的诱惑——在这种自动化中，AI或其他技术只是勉强胜过人类员工：雇主取代人类员工，给被取代的员工造成收入损失这一重大社会成本，却只带来极小的生产率收益。

从我们在Anthropic看到的情况来看，在密集使用AI的同时，新颖的任务和持续由人类承担的任务都依然存在。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高管所指出的，“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扰乱就业。而且，它们也确实没有直接解决本报告所记录的初级岗位招聘放缓的问题。对在职者的就业保护不会惠及那些从一开始就未被录用的人。雇主的私人行动必须与政府在再培训和收入支持方面的有远见政策相辅相成。此类政策应当以对AI可能带来的工作场所转型规模的清晰认识为指导。

建议引用格式

致谢

我们感谢那些抽出时间接受采访、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

脚注

Anthropic 的估算数据来自截至 2026 年 4 月的十二个月内部财务与员工人数记录（约公司成立五年后）。Google 和 Meta 的雇佣与营收数据基于成立五年后提交的 10-K 表格（分别为 2003 年和 2009 年）。所有数字均按 2025 年美元折算。

Anthropic 研究：AI 如何改变其内部雇佣与工作方式

推荐理由

主题

标签

正文 · AI 翻译