看完Anthropic内部工作报告，真替应届生捏把汗 - 开云电竞

这世界着实有些不可思议。当普通上班族还在为怎么写绩效总结伤脑筋时，已经有人开始给 Claude Agent 团队写绩效评估了。

Anthropic 的一位工程师，就曾对自己的 Agent 团队进行过一次评价，讨论彼此沟通方式上出了哪些问题。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，来自 Anthropic 于 10 月 16 日发布的一份内部就业报告。

在这份报告追踪的 2025 年至 2026 年期间，新招聘技术人员中，初级员工的比例从 27% 下降到了 9%。不过，公司仍在扩大招聘规模，技术人员的总数也在增加。只是新招进来的人里，初级员工所占的比重越来越低了。

Anthropic 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，只有 28% 持同样看法。

巨大的认知差距正在形成。

在 AI 时代来临之前，刚入行的新人可以先接手一些需求相对清晰的活儿：改一个小功能、修复一个已知问题，或者跟着前辈熟悉整个流程。

如果这些工作越来越容易被 AI 替代，公司会如何招聘？新人又该去哪里积累第一份经验呢？

AI 的工作时长已是人类的六倍

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计入统计。

比如，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，并不意味着真的多了 6 倍的产出。

这些工具，也让一些原本不写代码的人开始动手。

一名销售在访谈中表示，自己用 AI 做出了工作所需的数据看板，将界面和几种工具连接在一起。据他所说，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。

对一名销售来说，他最清楚哪些客户信息需要整合在一起，也知道现有系统哪里不好用。

在面向普通办公用户的 Cowork 里，类似的流程已经被做进了产品演示：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，可能要打开好几个窗口，翻聊天记录、核对时间……想想就让人有些头疼。

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，几份结果同时等着你查看。

一份方案问你要不要继续，一段代码等你确认权限，另一个任务遇到了异常。你还没看完上一份，新的消息又来了。这种工作方式，让每个人或多或少都体验到了一丝当领导的感觉。

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

于是，开头那两名工程师才会开始给 Claude 做评价、安排助手分流请求。给 AI 的指令也要越写越具体：什么事可以自己决定，什么情况必须来问，哪些结果要先检查。

还有一名 Anthropic 员工其实已经换了工作职责，但 agent 还是不断来问他 T 恤、杯子等公司周边这些以前他负责的事，旧文档里的负责人也没有跟着更新。

会议开完了，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 下一次做事时，拿到的还是旧的上下文。

Anthropic 一个负责 Claude 产品文案的团队，就调整了自己的分工。他们把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起；相比之下，特定技术领域经验的相对权重下降了。

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。研究里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。

对已经做过几年项目的人来说，熟悉业务、踩过的坑，都可以拿来指导 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。

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。

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。