当多数职场人士还在为年度评价发愁之际，Anthropic的工程师们早已开始对Claude Agent进行绩效评估。这家公司的工程师们各显神通——有人对Agent进行了沟通质量评估；还有人干脆部署了一个AI助手来分类处理其他AI的任务申请。
这些颇为新奇的工作场景，均出自Anthropic于10月16日发布的内部就业研究报告。
报告统计周期为2025年至2026年。令人瞩目的是，新入职技术人才中，初级岗位的人数占比大幅滑落——从近三成跌至一成左右。值得注意的是，Anthropic的技术团队规模仍在扩大，却是被更多资深人士填充。初级人才的缩减，更多地反映了招聘结构的重大调整。
▲ Anthropic 招聘页面使用的团队影像。
内部员工调查揭示了一个触目惊心的认知差异。Anthropic员工中，有四分之三左右相信AI在四年内将接手自己大部分工作；与之对比，普通美国职场人士持此看法的仅占三成。
一道深深的观念鸿沟由此而生。
AI尚未普及前，初入职场的新人往往以相对明确的工作为起点——一个功能的优化，一个已知bug的修复，或是在资深同事带领下完整走过一遍工作流程。随着这类工作愈发易于AI胜任，企业的招聘策略如何调整？新人又该从何处开始积累职业经验？
AI 的工时已经是人类的六倍
时间来到8月，员工所部署的对话式AI助手在执行各类任务的累计耗时，已远超全体员工总工时的六倍。所指的agent是指具备自主调用工具、独立完成任务能力的AI助手。员工可同时启动多个agent并行工作，各个agent的耗时均计入统计数据。
举例说明，若三个agent各耗时一小时，则统计为三小时。这里的”六倍”指的是时间投入的倍数差异。但需要强调的是，时间投入的增长并未必然导致产出的等比例增加。
▲ 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。
这类工具带来的变化甚至延伸到了非技术领域。某位销售在采访中分享了他的经历——借助AI的帮助，他在数小时内完成了一个数据仪表板的搭建，集成了界面与多套工具。在AI出现前，这类开发任务对他而言根本无法想象。一名销售最清楚的是客户数据的逻辑关系和现有系统的使用痛点。
面向普通办公用户的Cowork产品中，这类流程已被集成为演示功能：Claude可从电邮、即时沟通、日历与文档中自动汇总信息，编制会议前的客户概览，并草拟待审核的邮件回复。此前筹备客户会谈，需在多个应用间切换、翻阅聊天记录、确认时间…光是想象就令人感到繁琐。
▲ Cowork官网演示：查找资料，整理会前要点，起草邮件。
但使用者随之面临的新挑战也应运而生——形似突然忙碌的工作群：多项任务并行完成，多份结果同时候审。一份方案需要你决策是否进行，代码等待你的权限授予，某个任务出现错误需要处理…新消息随之而至，而你尚未完成之前的审核。这种协作模式让参与者多少体会到了管理者的滋味。
数据显示，对话式互动中，约八成的时间被花费在等待用户反馈上。（这里指的是AI等待人的输入，并非员工整日处于闲置状态。）
正因如此，那些工程师开始对Claude进行评价，部署助手处理任务分配。对AI的指导词也需要日益精细化——明确哪些决策AI可自主做出，何种情境下需人工介入，哪些结果需提前审核。某位员工虽然已转换岗位职能，却仍频繁接到agent关于T恤、纪念杯等周边物品的查询——这些曾是他的职责范围。而旧系统文档中的责任人信息未及时更新。
会议结束，工作分配调整完毕。然而若新的方案仅存于几人脑海中，AI在下次执行时获得的依然是陈旧的信息背景。
▲ 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。
专门负责Claude产品文案的团队随之进行了职能重组。团队人员整理好产品相关资料后，将部分撰写工作转由agent承担。团队成员的日常工作转向了提示词优化与模型效能评估。
面试官更看重你的判断
这种工作模式的演变在招聘选拔中也显露无遗。研究者梳理了自2024年起数千位Anthropic入职者的面试评价档案。数据表明，技术职位越来越强调自主决策能力和专业判断；相应地，专项技术经验的权重明显下降。
以具体情景言之：拿到一项需求，能否指出描述的模糊之处？面对AI的多个方案，能否阐述你的最优选择原因？任务看似完成，你是否知晓还需哪些验证环节？
▲ 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。
值得注意的是，所需的经验并非仅限于编程领域。Anthropic于6月曾调查了约40万场Claude Code互动会话。一个引人深思的案例是：某位从未学过Python的会计，仅凭对对账逻辑的清晰阐述，以及对脚本中遗漏的月末结账处理的敏锐识别，即可被视为该领域的老手。（核心在于他能精准定位问题，并向Agent清晰表述需求。）
数据显示，对任务更加熟悉的用户其交互成功率也更高。初学者与中等水平用户之间的差异最为明显。研究人员的解读是，掌握基础知识后，用户能更精确地向AI阐明需求，也更易发现AI的错误并给出改进指引。初学者往往在遇到问题后容易陷入困顿。而更深层的行业专长在这类对话中的增益作用相对较小。
▲ Claude 的 Microsoft 365 功能演示。
拥有数年项目经验的人可借由业务熟悉度和教训指导AI；而初入职场的新人则面临更大挑战——经验本身就是通过实践逐步建立的。过去，新员工承接小型任务时，虽然效率不高，却能完整经历整个流程——信息查找、动手实施、错误排查、请教同事、再次修改。若企业径直将此类工作分配给AI，新人就丧失了在实际操作中锻炼的机会。
审核AI的输出同样要求经验积累。发现代码缺陷需具备代码阅读能力；指出需求遗漏则需对业务运作的深入理解。这些技能多数源于长期小任务的反复实践。
求职市场的变化同样值得关注。斯坦福数字经济实验室8月发布的美国就业研究表明，在AI易于介入的行业领域，22至25岁的就业者增速明显滞后于受AI影响较小的行业。这一变化主要源于年轻员工的招聘需求下降，而非大规模离职或裁员。
虽然该研究无法单独证实AI是变化的直接诱因，全国范围内也未发现普遍性的岗位替代，但「企业是否持续招聘新人」已成为一个值得持续观察的关键指标。
对现有员工，Anthropic已开始识别易受AI冲击的岗位，并优先考虑内部调岗。前述文案团队便是典型，从产品撰写转向提示词编写与模型评估。然而内部转岗只能帮助已入职员工。对尚未获得首份工作的求职者，入门职位短缺的困境依旧存在。
新人的突围之路在何处
即便获得了实践机会，又衍生出一个新的疑问：完成任务后，究竟学会了多少？
Anthropic在1月公开了一项小规模对照实验。52名具有Python基础但未接触过Trio工具库的开发者被随机分为两组。一组可借助AI学习新工具，另一组靠自己编程，随后两组均参加测试。
借助AI的一组平均分约50%，自主编程组约67%。在错误识别类题目上差距最显著。使用AI虽在速度上快约两分钟，但该优势未达统计学意义上的显著水平。
▲ 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。
研究者回顾了操作视频。部分参与者直接将任务丢给AI，报错后再让AI修复。还有人在获得代码后继续深究其原理，或仅让AI讲解概念框架而自己动手实现。后者的测试表现明显更优。
对于正在打磨作品集的求职者而言，这项发现指出了一条可行之路——不仅呈现最终成果，更要记录实现过程，并借此深化对原理的理解。以AI生成的活动注册网页为例，虽然页面能正常加载，但仅回应了部分基本问题。重复提交时会产生什么反应？容量满了后是否继续接纳？用户信息有误能否修正？你所发现的问题、与AI的互动修改过程、进行的各项验证，都可详细记录在项目文档中。面试官追问时，你便拥有具体的操作细节可阐述。
为新人创造实践机会方面，Anthropic还在推动另一项举措。今年6月发布的Claude Corps计划旨在培养1000名职业初期人士，之后将其部署至美国非营利机构，参与为期一年的全职项目。
Anthropic提供资金，教育机构CodePath负责招聘学员。学员获得薪酬和导师指导，前期接受集中培训，后续每周投入约5小时的继续教育，其他时间专注于接收机构的真实工作。接收机构所要解决的问题也富有社会意义——食品银行需优化捐赠与资源配置分析，海洋保护组织面临海量调查数据的处理需求。它们都期待学员能在实际工作中灵活运用AI。
▲ 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的这些变化展现了一种新兴的协作模式——AI侧重于执行操作，人类侧重于决策与协调。对于初入职场者而言，主动将AI投入具体工作同样是一种经验积累的过程。借助AI实现的可能性边界将在不断的探索中逐步明晰。
参考资源
Anthropic 就业报告
https://www.anthropic.com/research/employment-at-anthropic
