看完Anthropic内部工作报告，真替应届生捏把汗

这个世界实在令人感到荒诞，当普通上班族还在为写绩效报告犯愁时，已经有人着手为 Claude Agent 团队评估绩效了。

Anthropic 的一位工程师曾对自己带领的 Agent 团队进行过一次评估，探讨彼此沟通方式中存在的问题。另一位工程师则安排了一个 AI 助手，替自己筛选其他 AI 发送的请求。

这两个细节，源自 Anthropic 在 10 月 16 日公开的一份内部就业报告。

在报告追踪的 2025 年至 2026 年期间，初级员工在新招聘技术人员中的比例，从 27% 下降到了 9%。然而，公司仍在持续扩张，技术人员的总数也在增长。只是新招录的人员中，初级员工所占的份额越来越小了。

Anthropic 的内部员工调查显示，他们相信四年后 AI 能完成自己 75% 的工作，而普通美国职场人中仅有 28% 持同样看法。

巨大的认知差距正在悄然形成。

在 AI 时代到来之前，刚入行的新人可以先接手一些需求明确的活儿：修改一个小功能、修复一个已知问题，或跟着前辈熟悉整个流程。

如果这些任务越来越容易被 AI 接手，公司会如何招聘？新人又该去哪里积累第一份经验呢？

AI 的工时已是人类的六倍

截至今年 8 月，员工调用的交互式 AI agent 累计工作时长，已经是员工工时的 6 倍。

这里所说的 agent，是指能够自主使用工具、完成任务的 AI 助手。一个人可以同时让多个 AI 工作，它们各自的工作时间都会被计入统计。

例如，3 个 AI 各工作 1 小时，就会算作 3 小时。报告中的“6 倍”比较的是工作时间。至于花费了“6 倍”的工作时间，这个数字比较的是累计工时，并不代表实际产出也增加了 6 倍。

这些工具也让一些原本不写代码的人开始动手尝试。

一位销售人员在访谈中提到，自己用 AI 制作了工作中所需的数据看板，将界面和多种工具连接起来。据他所说，整个过程只花了三四个小时。以前，这类开发任务完全超出了他的能力范围。

对于销售而言，他最清楚哪些客户信息需要整合在一起，也了解现有系统的不足之处。

在面向普通办公用户的 Cowork 中，类似的流程已被整合进产品演示：Claude 从邮件、工作群、日历和文件中收集资料，整理客户会前简报，再起草一封待确认的邮件。

以前准备一场客户会议，可能需要打开多个窗口，翻看聊天记录、核对时间……想想就让人头疼。

对使用者来说，新的麻烦很像工作群突然热闹起来：几件事同时完成，几份结果同时等待审阅。

一份方案询问是否继续推进，一段代码等待确认权限，另一个任务遇到异常。还没看完上一份，新消息又来了。这种工作方式，让每个人都或多或少体验到了领导的感觉。

报告统计显示，在交互式多轮会话中，大约 80% 的时间是在等待人工输入。（是 AI 的会话在等待人工，而不是员工一天有八成时间闲着。）

因此，开头那两位工程师才开始给 Claude 做评估、安排助手分流请求。给 AI 的指令也要越写越具体：什么事可以自行决定，什么情况必须请示，哪些结果需要先检查。

还有一位 Anthropic 员工其实已经换了工作职责，但 agent 还是不断来询问他关于 T 恤、杯子等公司周边产品这类以前他负责的事务，旧文档中的负责人信息也没有及时更新。

会议结束了，任务也重新分配好了。如果新的决定只停留在几个人的记忆里，AI 下一次执行任务时，拿到的仍然是旧的上下文。

Anthropic 一个负责 Claude 产品文案的团队，就调整了自己的分工。他们将产品背景等资料整理好，让 agent 接手了部分文案工作。

团队成员的工作内容变成了编写提示词、评估模型的表现。

面试官更看重你的判断力

工作内容的变化，也体现在了求职面试环节。

研究人员分析了自 2024 年以来，数千名被 Anthropic 录用者的面试评价记录。在技术岗位中，自主性和判断力被提及的频率越来越高；相比之下，特定技术领域经验的相对重要性有所下降。

APPSO 根据自身理解，设想了一些例子。比如：交给你一个需求，你能不能先看出哪里没说清楚？AI 给出几个方案，你能不能说明为什么选择其中一个？结果看起来完成了，你知不知道还要检查什么？

这里的经验，也不全是写代码的经验。

Anthropic 在今年 6 月分析过约 40 万次 Claude Code 交互会话。研究中有一个很容易理解的例子：一个不会 Python 的会计，只要能讲清楚对账规则，并发现脚本漏掉了月末结账的特殊情况，在这项任务上就可以算作熟手。（因为他能定位问题，并清晰地向 Agent 说明需求。）

在这批数据中，对任务更熟悉的用户，会话成功率也更高。最大的差距出现在新手和中等熟练者之间。

研究者认为，这可能是因为，对某件事有了基本了解，就更容易向 AI 说清要求，发现它哪里做错了，也知道如何让它修改。新手则更容易在出问题后卡住。至于更深层的专业经验，在这批会话中带来的额外提升相对有限。

对于已经做过几年项目的人来说，熟悉业务、踩过的坑，都可以用来指导 AI。但对于刚毕业的人来说，事情就没那么轻松了：经验本来就需要在做事的过程中积累。

以前，新人接到一个小任务，即使做得慢，也能跟着走一遍流程：找资料、动手、出错，再请教同事、回来修改。如果公司直接将这些任务交给 AI，新人就少了一种在类似工作中练习的机会。

而检查 AI 的工作，同样需要经验。你得读懂程序，才能发现代码中的问题；也得了解实际业务，才能指出需求遗漏了什么。这些本领，往往就是在一次次小任务中学会的。

招聘市场也出现了值得关注的变化。斯坦福数字经济实验室今年 8 月更新的一项美国就业研究发现，在工作任务更容易受到 AI 影响的职业中，22—25 岁劳动者的就业增长，落后于较少受 AI 影响职业中的同龄人。变化主要表现为少招年轻人，而非更多人离职或被解雇。

这项研究不能单独证明变化由 AI 造成，也没有发现全经济范围的普遍替代。但它让“公司还在不在招新人”成了一个需要继续追踪的问题。

对于已经在职的员工，Anthropic 开始跟踪哪些岗位可能受到 AI 影响，并优先尝试内部转岗。前面那个文案团队，就是从产品文案转去编写模型提示和评估。

但转岗照顾的是已经进入公司的人。对于还没拿到第一份工作的新人，入门岗位减少的问题仍然存在。

新人从哪里攒出第一份经验？

就算拿到了练手机会，还会遇到另一个问题：任务做完了，自己学会了多少？

Anthropic 今年 1 月公布过一项小规模随机实验。52 名有 Python 使用经验、但没用过 Trio 工具库的开发者，被分成两组学习新工具。一组可以使用 AI，另一组自己写代码，随后都要参加测验。

AI 组平均得分约为 50%，自己写代码的一组约为 67%。差距最大的是找错题。AI 组平均快了约两分钟，但速度差异没有达到统计显著。

研究人员还回看了操作录像。有的人把任务交给 AI，报错了再让 AI 修。也有人拿到代码后继续追问原理，或者只请 AI 解释概念，自己动手写。后面这些用法，对应的测验表现更好。

对于正在准备作品集的人，这些变化至少提供了一个可以尝试的方向：除了展示最终成品，也保留自己如何把它做出来的记录，并以此深入理解其中原理。

拿一个用 AI 做的活动报名网页来说，页面能打开，只能回答很少一部分问题。重复提交报名会怎样？人数满了还会不会继续收人？用户填错了信息，能不能改？

你发现了哪些问题，怎样让 AI 修改，又做了什么检查，都可以放进项目说明里。面试官继续追问时，你也有具体的过程可讲。

在给新人提供实践机会这件事上，Anthropic 还有一个正在推进的尝试。

今年 6 月公布的 Claude Corps，计划培训 1,000 名处于职业起步阶段的人，再把他们安排到美国的非营利组织，全职做一年的项目。

Anthropic 出资，教育机构 CodePath 负责聘用学员。学员拿工资，有导师，先接受集中培训，之后每周还会安排约 5 小时继续学习，其余时间做接收机构的实际工作。

这些机构期望解决的问题也都挺有意义的，食物银行想更好地分析捐赠和物资分配，海洋保护组织需要处理海量调查数据。它们期待学员能把 AI 用进这些工作里。

Anthropic 的变化，让我们看到了一种正在形成的工作方式：AI 承担更多执行，人更多地参与判断和协调。对新人来说，积极用 AI 做具体的事，也是在积累经验。

自己能借助 AI 做到什么程度，也会在一次次尝试中变得更清楚。

Anthropic 就业报告🔗 https://www.anthropic.com/research/employment-at-anthropic

本文来自微信公众号“APPSO”，作者：发现明日产品的APPSO，36氪经授权发布。