看完Anthropic内部工作报告，真替应届生捏把汗 - 篮球交手记录

这个世界实在太不可思议了。当大多数上班族还在为怎么写绩效总结而烦恼时，已经有人开始为Claude Agent团队撰写绩效评估了。

Anthropic的一位工程师曾对自己的Agent团队进行过一次评估，探讨彼此沟通方式中存在的问题。另一位工程师则直接安排了一个AI助手，帮自己筛选其他AI发来的请求。

这两个细节，源于Anthropic在10月16日发布的一份内部就业报告。

报告追踪的2025年至2026年期间显示，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，公司仍在持续扩招，技术人员总数也在增长。只是新入职员工中，初级员工的比例越来越低。

▲ Anthropic招聘页面使用的团队影像。

Anthropic内部员工调查表明，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只有28%持相同看法。

巨大的认知差距正在显现。

▲ 数据可视化图表。

在AI时代之前，刚入行的新人可以接手一些需求相对明确的任务：修改一个小功能、修复一个已知问题，或者跟着前辈熟悉流程。

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。

举例来说，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。至于花了“6倍”的工作时间，这个数字比较的是累计工作时间，并不意味着实际产出增加了6倍。

▲ 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。

这些工具也让一些原本不写代码的人开始动手。

一位销售在访谈中提到，自己用AI制作了工作所需的数据看板，将界面和多种工具连接起来。据他描述，整个过程花了三四个小时。以前，这类开发完全超出了他的能力范围。

对于销售来说，他最清楚哪些客户信息需要整合在一起，也知道现有系统的不足之处。

在面向普通办公用户的Cowork中，类似的流程已被纳入产品演示：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。

▲ Cowork官网演示：查找资料，整理会前要点，起草邮件。

对于使用者而言，新的麻烦很像工作群突然热闹起来：几件事同时完成，几份结果同时等待查看。

一份方案询问你是否要继续，一段代码等待你确认权限，另一个任务遇到异常。你还没看完上一份，新的消息又来了。这种工作方式，让每个人都或多或少体验到了一丝领导的感觉。

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

因此，开头提到的那两名工程师才会开始给Claude做评估、安排助手分流请求。给AI的指令也需要写得越来越具体：什么事可以自己决定，什么情况必须来问，哪些结果要先检查。

▲ 还有一位Anthropic员工实际上已经换了工作职责，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他以前负责的事情，旧文档中的负责人也没有相应更新。

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

▲ 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，人与人之间的沟通仍然存在。

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接手了一部分文案工作。

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

工作内容的变化，也体现在了求职面试阶段。

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，自主性和判断力越来越常被提及；相比之下，特定技术领域经验的相对重要性下降了。

APPSO根据自己的理解，想了几个例子。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？

▲ 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。

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。研究中有个很好理解的例子：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熟手。(因为他可以定位问题，并且把需求清晰地向Agent讲清楚。)

在这批数据中，对任务表现得更熟悉的用户，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，对一件事有了基本了解，就更容易向AI说清要求，发现它哪里做错了，也知道怎么让它改。新手则更容易在出问题后卡住。至于更深的专业经验，在这批会话里带来的额外提升相对有限。

▲ Claude的Microsoft 365功能演示。

对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。对刚毕业的人来说，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：找资料、动手、出错，再请教同事、回来修改。如果公司直接把这些任务交给AI，新人就少了一种在类似工作里练习的机会。

而检查AI的工作，同样需要经验。你得读懂程序，才能发现代码里的问题；也得了解实际业务，才能指出需求漏掉了什么。这些本领，往往就是在一次次小任务里学会的。

▲ 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影响的职业里，22—25岁劳动者的就业增长，落后于较少受AI影响职业里的同龄人。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。

▲ 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，也保留自己怎么把它做出来的记录，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。

▲ 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。