Anthropic AI Agent 勞動力數據揭示初級職位正在消失

Anthropic 表示，隨著由員工指揮的 AI agents 每人每工時錄得六小時運作時間，其技術職位的新聘人員中，初級員工佔比已由 27% 降至 9%。Anthropic 的 AI agent 勞動力仍在擴張，但入門級技術職位的階梯正明顯收窄。

這個組合的重要性，勝過任何一個數字本身。Anthropic 並非在報告傳統意義上的裁員或凍結招聘，而是在描述一家持續增長、卻日益偏好能夠指揮、評估及協調 Claude agents 群組的資深人才的公司。

因此，核心衝突並非抽象意義上的人類與機器之爭，而是資深判斷力與傳統上用以培養這種判斷力的初級工作之間的矛盾。OpenAI 同樣正推動 agents 更深入參與內部知識工作，但 Anthropic 揭示了，這種轉變如何能在整體就業人數下降之前，先改變招聘模式。

隨著 Agent 工作擴張，Anthropic 初級招聘下跌

Anthropic 的勞動力數據顯示，即使公司持續增聘技術人員，獲聘者的構成亦出現明顯轉變。

Anthropic 於 2026 年 10 月 16 日發布其內部就業研究。報告採用就業紀錄、agent 遙測數據、產出指標、員工問卷、行事曆、內部通訊及招聘決策。研究人員亦訪問了 17 名員工。

焦點數字涉及技術職位。Anthropic 技術部門中初級員工的佔比，由 2025 年初的 21% 降至 2026 年的 14%。新聘技術人員中初級員工的比例跌幅更大，由 27% 降至 9%。

研究中的圖表顯示，到觀察期末，初級技術職位空缺佔比已降至 6%。空缺職位的跌幅在 2025 年 12 月後尤其顯著。2026 年 1 月，內部開始討論對初級技術人員需求轉弱的情況。

到 4 月，Anthropic 的工程及研究團隊已降低對較低職級技術職位的重視。約三分之一機器學習主管及五分之一軟件工程主管表示，因 AI 而減少招聘。

這些變化不代表 Anthropic 停止招聘工程師。公司稱，技術人員總數仍持續按絕對數字增長。然而，銷售、財務及招聘團隊增長更快，令技術部門在整體勞動力中的佔比由 61% 降至 56%。

這項區別可避免產生誤導性的解讀。就業佔比下降，並不等於員工人數減少。證據顯示，勞動力組成正在改變，而最明顯的收縮集中於初級職位。

按資歷劃分，非技術職位的招聘看來較為穩定。這項差異加強了研究中 coding agents 與技術招聘之間的關聯，但並未證實存在單一原因。

其時間點與 agent 工作的迅速擴張一致。Anthropic 表示，自主及互動式 agents 首次在 2026 年 3 月超過估算的人類工時。到 8 月，由員工指揮的 agents 每一估算人類工時已累積六個活躍工時。

Anthropic 將 agent 時間定義為推理及活躍工具使用時間，不包括超過 30 分鐘的等待。人類時間並非直接觀察得出，研究人員以人數乘以每週 40 小時工時作估算。

這種方法令六比一的數字不如初看般直觀。Agent 運行時間可以並行發生，而人類工作包括規劃、討論、閱讀及遙測數據無法涵蓋的決策。一個 agent 工時在經濟價值上不等同一個員工工時。

不過，這一趨勢方向難以忽視。Agents 正進行測試、維護基礎設施、翻譯程式碼庫、尋找錯誤及生成軟件。個人助理亦會監察行事曆、分流訊息及準備會議簡報。

就業研究中最具影響力的發現，是這些趨勢之間的重疊。當員工把最複雜的任務交予 Claude 處理時，初級就業人數在相關職位的增長較慢。

這種關係並不能證明 Claude 導致每一個消失的初級職位。Anthropic 在研究期間迅速擴張、改變業務組合，並因應不斷演變的需要招聘。然而，這種模式提供了可信的視角，說明採用 agents 如何在邊際上改變招聘。

因此，Anthropic AI agent 勞動力改變的並不只是生產速度，也改變了管理層希望在勞動市場上購入哪些人類能力。

六個 Agent 工時不等於取代六名人類

Anthropic 的六比一比例衡量的是機器活動，而非每名員工對應消失六份完整工作。

這項區別始於並行性。一名工程師可以同時啟動多個 agents。這些 agents 可在工程師處理另一項任務時，搜尋程式庫、撰寫測試、提出修補方案或檢查故障。

這會產生比單一人員按順序完成更多的機器運行時間，卻不代表每小時都會產出可用成果。Agent 工作仍包括失敗的方案、重複的分析、不相關的文字，以及等待審核的工作。

Anthropic 發現，互動式 Claude 工作階段約有 80% 的實際時鐘時間都在等待人類輸入。Agents 的運作速度可快過員工檢查結果、消除歧義及批准下一步行動的速度。

人類注意力成為限制因素。員工形容自己更像 Claude 系統的管理者，而非每一項成果的直接生產者。在 4 月的調查中，20% 受訪者表示，其角色已由執行工作轉向管理 Claudes。

公司的內部流程亦相應改變。供 agents 使用的常設書面指令，由 2025 年 7 月的數百條增至一年後的 8,500 條。員工建立了儀表板、監察系統、審核循環，甚至 agent 主管。

Anthropic 稱為元工作的這類協調活動，佔一般員工互動式工作階段的比例，由 2025 年秋季的 10% 升至 2026 年春季的 22%。元工作包括撰寫規格、審核 agent 計劃、監察流程，以及為機器使用而記錄流程。

這些系統可以提高可量度的產出。Anthropic 報告稱，每名工程師的程式碼提交量已達到六個月前的五倍。律師處理更多合約、銷售代表完成更多交易，財務團隊亦處理更多發票。

研究亦追蹤了 192 名採用 coding agents 的工程師，並與期內未採用的 74 名工程師比較。即使研究人員隨時間追蹤同一名員工，採用後程式碼產出仍然上升。

Anthropic 檢視多項程式碼品質替代指標，包括後期刪除、錯誤修正移除、還原、略過測試及抑制 lint。報告稱，在這些指標下，人類撰寫與 agent 撰寫的提交之間沒有可量度的品質差異。

這些檢查有用，但並不完整。保留 90 天的程式碼行數，無法反映架構品質、安全風險、可維護性，或功能是否創造商業價值。Anthropic 明確警告，更多程式碼不一定代表更佳程式碼。

選擇偏差亦令結果更複雜。採用自主 agents 的工程師原已處於產出上升軌道。面對大型項目的員工可能更傾向採用這些工具，因此難以分離因果關係。

同樣問題亦適用於工程以外的範疇。一名客戶主管表示，自動化取代了約 20% 原本的工作。另一名受訪者表示，在將例行通訊及紀錄更新自動化後，能與多 30% 客戶交談。

一名律師建立了可篩選法律問題、審核公開文案及揭示風險的自動化系統。一名招聘人員則使用 Claude 進行人才搜尋、申請追蹤，以及一項過去需要數週才能完成的分析。

這些案例顯示，任務替代與任務擴張同時發生。AI 移除部分執行工作，但員工會運用騰出的能力追求更多客戶、項目或決策。

OpenAI 亦報告了由聊天介面轉向 agents 的類似變化。其知識工作數據顯示，非開發人員愈來愈多使用 Codex 進行研究、數據分析、文件處理及輕量級內部工具開發。

這項比較顯示，Anthropic 並非唯一由偶爾協助走向持續委派工作的人。然而，兩家公司都未提供把 agent 運行時間等同於具經濟效益的人類勞動的標準化量度。

六比一比例最適合被理解為一項組織訊號。Anthropic 現在可以產生遠超員工親自完成能力的機器活動。由此產生的瓶頸，是評估、情境理解及可問責的判斷。

這個瓶頸解釋了為何資深員工的價值上升。他們能決定 agents 應做甚麼、辨識細微錯誤，以及解決跨越多個系統的衝突。初級員工過去正是透過如今逐漸自動化的執行工作，培養這些能力。

Anthropic AI Agent 招聘重視判斷多於執行

Anthropic AI agent 勞動力偏好能界定問題及審核結果的人，同時減少對狹窄執行能力的需求。

Anthropic 分析了自 2024 年以來建立的數千份招聘評分卡。到 2026 年，技術職位中提及候選人 AI 工具經驗的次數增加了三倍，非技術職位則增加四倍。

技術面試亦更重視自主性及判斷力。特定領域專業知識在評估意見中的佔比下降。管理層愈來愈希望候選人能跨領域工作，並能有效運用並不完美的模型。

這項改變反映 agent 表現的不規則性。模型可以解決困難的編程問題，卻可能漏掉一項明顯限制。因此，Anthropic 管理層重視能辨別何時可相信產出的人員。

新興角色即使沒有直接下屬，也近似管理者。個人貢獻者會把任務分配予 agents、維持情境、審核工作，並在系統觸及涉及安全或組織政策的決策時介入。

Anthropic 的行事曆數據支持這種解讀。員工的中位數會議時間較一年前增加 20%。技術個人貢獻者的會議時間增加 16%。

這些數字挑戰了自動化會減少協調工作的簡單說法。Agents 加快執行速度，但更快的產出會帶來更多決策及相互依賴關係。員工必須協調團隊、解決系統性問題，並決定哪些工作應予推出。

公司亦發現，agents 出現在近一半活躍的公開 Slack 頻道中。它們通常在專用的人機討論串中運作，而非取代人與人之間的對話。

人類討論的結構大致維持不變，而 agent 通訊則在其周圍累積。這種模式類似增加組織能力，但也令員工需要處理更多資訊。

在這個環境中，情境成為基礎設施。私下作出的決策可能令 agents 依據過時假設工作。Anthropic 員工愈來愈多記錄工作內容，讓自動化系統能找到當前目標、責任及限制。

這有利於理解組織運作的人，而不只是着眼於眼前工作的人。資深員工掌握了關於早期決策、失敗模式、客戶期望與隱藏相依關係的默會知識。

傳統上，初級技術工作正是接觸這些知識的途徑。新工程師會透過修正小型錯誤、撰寫測試、維護系統及觀摩審查來學習。而這些正是編程代理正日益承擔的工作。

因此，公司可能提升短期產出，卻同時削弱未來的人才培訓管道。它可即時從資深操作人員獲益，卻為初學者創造了更少機會，使他們成長為資深操作人員。

這正是 Anthropic 初級人才招聘背後的核心逆轉。AI 代理之所以有價值，在於它們能吸收例行工作；但例行工作過去正是培養高階判斷力的實戰訓練。

移除這些工作，並不會自動消除對專業知識的需求。反而可能提高專業知識的溢價，同時減少產生這類專業知識的機制。

Anthropic 的部分應對方式是內部流動。2026 年，入職至少一年的員工每月轉換部門的可能性，比 2025 年高 50%。

一個產品設計團隊說明了這種做法。該團隊建立了一套讓代理能撰寫產品文案的情境系統後，便轉而從事模型評估及提示詞開發。

這種重新部署保障了現有員工，同時圍繞 Claude 創造新工作，但未能解決從未獲聘的求職者如何取得機會的問題。

Anthropic 承認這項限制。其報告指出，對現有員工的保障無法惠及一開始便被排除在公司以外的人。

該公司亦正建立預警系統，以監察受 AI 驅動變化影響的職位。它計劃將職位層面的需求與產出，跟代理能力作比較，再識別可能的內部調動安排。

對採用類似系統的公司而言，文件記錄變得更重要。一個工程知識庫可跨項目保存技術脈絡，但記錄下來的知識無法取代受監督的實務訓練。

勞動力問題不只是教導畢業生寫出更好的提示詞。未來的初級職位必須讓員工在代理承擔更多執行工作之際，仍能建立判斷力。這需要有意識的職位設計、指導、參與審查的機會，以及隨時間擴大的責任範圍。

缺乏這些結構，僱主或會爭奪有限的資深操作人員。每家公司都可個別降低培訓成本，卻依賴其他機構培養日後要招募的資深人才。

Anthropic 的數據仍無法證明甚麼

報告將代理採用與初級人才招聘減少連結起來，但無法把 AI 的影響，與 Anthropic 異常的增長、勞動力結構及誘因分開。

Anthropic 是一個極端案例。它開發前沿模型，聘用經篩選、具備技術能力的員工，並讓他們及早使用其他地方未有的 Claude 系統。

員工亦有直接誘因使用公司的自家產品。內部期望、工具及管理做法鼓勵快速自動化。許多傳統企業並不具備這些條件。

在報告涵蓋的一年內，Anthropic 規模增長至三倍。即使沒有任何技術取代員工，快速擴張亦可能改變各部門的佔比。初創公司發展出更大的商業營運後，銷售及財務部門往往會隨之增長。

招聘組成亦取決於留任與晉升。若初級員工留任並晉升至較高職級，其佔比可在沒有裁員的情況下下降。已公布的數字未有完全區分晉升、離職及招聘減少。

這項研究的證據，在描述 Anthropic 自身時最有力；其較廣泛的經濟含意仍屬啟示性。研究人員無法隨機指派整個部門採用代理，或保留原有工作流程。

即使生產力指標也需要審慎解讀。程式提交、查詢、合約、發票及交易都能反映活動量，但各自的質素和經濟價值不同。業務增長亦可在不依賴 AI 的情況下提高產出。

Anthropic 嘗試透過比較同月的採用者與非採用者來處理這個問題。然而，員工會自行決定是否及何時採用。正準備推展大型項目的員工，既可能採用代理，也可能因與 AI 無關的原因提高產出。

該公司的 AI 代理亦在專為它們建立的系統內運作。Anthropic 員工建立結構化情境、監察工具、已記錄的決策及審查流程。大多數組織的數據較零散，工作亦較難觀察。

全國層面的證據則較為審慎。根據一項使用人口普查局數據的 2026 年研究，AI 採用集中於大型及知識密集型企業。據這項企業採用研究指出，在採用者當中，57% 僅在三項或以下功能中使用 AI。

這種落差十分重要。Anthropic 描述的是一個圍繞代理重新設計的組織，而許多企業仍只把 AI 用於寫作、文件分析及搜尋。不能假定它們的招聘影響相同。

不過，外部證據亦指向對年輕員工大致相同的方向。使用薪酬數據的 Stanford 研究人員發現，AI 並未造成廣泛的就業崩潰，但識別出日益擴大的職涯早期差距。

截至 2026 年 6 月，處於高度受影響職業的 22 至 25 歲員工，其就業水平比從較少受影響職業所預期的水平低約 19%。這項調整主要體現為招聘減少，而非離職增加。

這些職涯早期發現並不能證明生成式 AI 導致了整個差距。經濟環境、行業招聘周期及職業差異仍可能是影響因素。

有關 AI 原生初創公司的研究提供了另一項比較。Harvard Business School 的分析發現，這類公司比相似的非 AI 公司僱用更少人，組織架構亦較扁平。

在該研究的 Y Combinator 樣本中，AI 原生初創公司的規模小約 25%；在更廣泛的創投支持樣本中則小 12%。它們亦僱用較少入門級員工。

這項初創企業證據支持 Anthropic 所呈現的方向，但它描述的是一群經挑選的年輕公司，並未證明成熟僱主會以相同方式重組。

亦有可信證據顯示，AI 可幫助職涯早期員工擴展能力。一項隨機實地實驗，讓 12 所德國職業學校的 673 名資訊科技畢業班學徒使用 AI。

AI 令學徒在超出其正式訓練範圍的任務上，表現提升 26 至 31 個百分點。實驗發現，對任務理解沒有即時下降，儘管具較強 AI 素養的員工獲益更多。

這項學徒實驗令任何聲稱 AI 必然降低初級員工價值的說法變得更複雜。在合適條件下，AI 可擴展他們能完成的工作。

尚未解決的問題是組織選擇。僱主可利用代理消除初級職位空缺，也可利用代理擴大初級職位的範圍。技術容許兩條路徑。

Anthropic 現有數據反映的是一個在快速推進壓力下的前沿實驗室。它應被視為早期個案研究，而非就業市場的普遍定律。

這項研究亦來自其產品正處於分析中心的公司。Anthropic 披露了限制並詳述數項方法，但仍有必要進行獨立複製研究。

若能在 Anthropic、OpenAI、Google、Meta 與傳統軟件公司之間作標準化比較，將更具參考價值。研究人員需要一致的代理活動、產出質素、招聘、晉升及員工留任衡量方法。

在此之前，聲稱代理每取代一名員工便等同取代六名員工，均超出了證據所能支持的範圍。Anthropic 所量度的是每一個估算員工工時對應六小時的活躍代理運行時間，而非六個等同的全職職位。

三個訊號將顯示初級職涯階梯是否持續縮窄

下一項考驗是 Anthropic 的招聘轉變是否持續、是否蔓延至競爭對手，以及能否為代理密集型經濟培養足夠的資深人才。

第一個訊號是 Anthropic 自身技術職位空缺與招聘的組合。最具啟示性的數字，將是職位發布、新聘人員、晉升及內部調動中初級人員所佔比例。

若初級技術職位空缺維持在約 6%，而代理活動持續增長，這場勞動力重設將顯得具有結構性。若初級職位發布回升，則顯示目前的下降或反映暫時調整，或一個異常嚴格的招聘周期。

晉升同樣值得關注。Anthropic 可透過聘請資深候選人，在一段時間內維持以專家為主的組織。除非較缺乏經驗的員工仍能在公司內晉升，否則它無法證明這是一個可持續的人才模式。

第二個訊號是其他前沿實驗室提供可比較的披露。OpenAI、Google 與 Meta 都在內部使用 AI，但其公開指標尚未標準化。

OpenAI 曾描述 Codex 在工程及知識工作職能中的使用正迅速增加。Anthropic 則另行報告，Claude 在人類監督下正主導部分研發工作。

一篇獨立報道指出，Anthropic 在 8 月運行約 30,000 個研究及工程代理。這個規模令跨公司報告變得愈來愈重要。

若競爭對手披露初級技術人才招聘出現類似下降，Anthropic 將看似一項領先指標。若其初級人才招聘維持穩定，則公司策略比代理能力本身更能解釋現象。

第三個訊號是更廣泛的勞動市場會否將自動化密集型職業，與增強型職業區分開來。Stanford 的薪酬研究已顯示，在 AI 替代工作任務的領域，結果較弱。

未來數據應追蹤這個差距會否擴大至 22 至 25 歲以外的員工。若差距在較年長組別中擴大，將支持更廣泛的替代論述。若資深員工就業穩定而初級招聘疲弱，則將指向人才培訓管道危機。

僱主亦應披露甚麼取代了傳統入門級工作。學徒制、內部輪調、模擬生產環境及受監督的代理管理，都可提供另類的專業發展途徑。

若欠缺這些途徑，公司將面對延遲出現的限制。它們可能將培訓初學者的小型工作自動化，然後發現具備資深判斷力的人才已變得稀缺且昂貴。

員工亦應根據相同訊號作出回應，但不應假設技術基本功已不再重要。代理可以產生程式碼，但人們仍要為架構、安全、產品決策，以及跨越組織邊界的故障承擔責任。

相關技能不僅是操作 AI 介面，而是結合領域知識、驗證、情境管理及清晰決策。隨着機器產出變得充裕，這些能力將更具價值。

團隊可透過讓決策及原始資料保持可搜尋，來支援這項轉變。妥善維護的個人知識系統可協助員工根據過往推理驗證代理輸出，而非在缺乏脈絡下接受看似流暢的答案。

Anthropic 的 AI 代理人力部署，為這種環境提供了異常詳盡的預覽。它顯示產出更高、角色範圍更廣，以及代理在公司各處並行運作。同時，它亦顯示技術職涯傳統起步階段的職位空缺正在減少。

在未來數月，應一併觀察招聘組合、競爭對手披露資訊，以及初職就業數據。沒有任何單一指標能斷定 AI 代理究竟會創造更好的工作，還是移除職涯入門機會。

實際問題如今已很清楚：企業能否足夠迅速地重新設計初級工作，以保留由新手成長為專家的路徑？採用代理的僱主，應透過其招聘、培訓及晉升數據，公開回答這個問題。