Anthropic AI 預期調查揭示員工與公眾之間相差 52 個百分點

Anthropic 發布了一項調查，顯示出明顯分歧：91% 的員工預期 AI 到 2030 年將作出諾貝爾獎級別的發現，相比之下，美國成年人只有 39%。這項 Anthropic AI 預期調查不僅顯示員工較為樂觀，更揭示人們在每天接觸先進 AI 後，會如何以截然不同的方式判斷未來。

這種分歧遠不止於科學研究。Anthropic 員工預期 AI 會完成更多工作、更快普及至企業，並帶來更大的生產力提升。然而，兩組受訪者均把職場自動化加劇與失業率上升聯繫起來。

這就形成了核心矛盾。最接近前沿模型的人預見非凡進展，但他們的經驗並不代表更廣泛的經濟環境。調查捕捉的是業內人士的知情預期，而非獨立衡量得出的預測。

Anthropic 的調查實際發現了甚麼

最大的分歧在於未來進展的速度，而非 AI 現時已能做到甚麼。

Anthropic 於 2026 年 10 月 16 日發布其 AI 預期調查。研究報告由研究人員 Szymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek 及 Peter McCrory 撰寫。

Morning Consult 在 8 月 11 日至 8 月 23 日期間，透過網上訪問了 10,980 名美國成年人。回應經加權處理，以代表全國成年人口。

Anthropic 則在 8 月 9 日至 8 月 12 日期間，另行訪問了 1,334 名員工。這個內部樣本未經加權，涵蓋公司不同部門的員工。

受訪者評估了八項活動，範圍由撰寫例行電郵到作出諾貝爾獎級別的科學發現。他們被問到 AI 何時能夠像熟練專業人士般完成每項活動。

兩組對 AI 目前能力的看法大致一致。兩個樣本中，約四分之一受訪者認為 AI 已可設計、進行及發表科學研究。

不過，對未來的預期隨後急劇分歧。十分之九的 Anthropic 員工預期 AI 到 2027 年具備該種研究能力，公眾之中則只有 38%。

最受注目的差異與諾貝爾獎級別的科學發現有關。到 2030 年，91% 員工預期 AI 會作出這類發現；只有 39% 美國成年人給出相同答案。

另一項在 9 月 17 日至 9 月 24 日進行的追蹤調查訪問了 7,613 名美國成年人。在該樣本中，44% 預期到 2030 年會有諾貝爾獎級別的發現。

這個升幅並未消除落差，但顯示確切的公眾估計部分取決於抽樣及時機。

「諾貝爾獎級別的發現」這個說法亦需審慎理解。問題衡量的是受訪者是否預期 AI 能作出如此重要的發現，並沒有界定當中會涉及多少人類指導、實驗工作或機構驗證。

一項科學成果即使源自 AI 系統，仍可能需要人類團隊核實。發表、複現及獲得認可仍屬不同階段。

歷史參照點已不再是假設。 2024 年諾貝爾化學獎表彰 Demis Hassabis 與 John Jumper，肯定他們以 AlphaFold2 預測蛋白質結構的工作。

不過，AlphaFold 的成功並不能解答調查的問題。該獎項表彰的是開發 AI 系統的人類研究員，而不是由自主系統因自身發現而獲得肯定。

這項分別相當重要，因為受訪者對「AI 作出發現」可能有不同理解。有些人或會想像模型獨立形成並驗證一項理論，另一些人則可能把人類科學家使用 AI 工具得出的發現計算在內。

因此，Anthropic AI 預期調查確實識別出預期落差，但沒有界定其中每一條界線。最適宜把結果視為關於信念的證據，而不是已獲驗證的科學成就時間表。

AI 預期落差源於日常接觸

Anthropic 員工似乎是從 AI 已融入日常工作的環境中推演未來。

AI 使用情況令公眾分成預測明顯不同的群組。約五分之一受訪成年人表示，他們會在工作中定期使用 AI。

在這些定期使用者之中，56% 預期 AI 到 2030 年能掌握八項受訪活動中至少七項。所有美國成年人之中的相應比例為 41%。

從未使用過 AI 工具的人之中，只有 28% 預期會出現這種能力水平；Anthropic 員工的比例則達到 96%。

這種遞進情況顯示，直接接觸會改變預期。經常使用 AI 的人比非使用者預見更多進展，但信心仍低於 Anthropic 員工。

經驗並不能證明預見能力。頻繁使用者可以觀察到偶爾使用者未曾遇過的能力，也可能從特別有利的任務和環境中過度概括。

Anthropic 是一個極端案例。其員工建構前沿模型、可提早使用內部系統，並在圍繞這些系統設計的流程中工作。

公司相關的 就業研究指出，截至 8 月，互動式 AI agent 的工作時數是員工時數的六倍。AI agent 是指可在有限監督下完成多步驟工作的系統。

Anthropic 亦表示，隨着 agent 使用增加，人均程式碼產量提升、每名銷售代表成交更多，以及處理更多法律合約。這些發現來自公司的自身職場數據。

這種環境與醫院、建築公司、學區或地區零售商有很大差別。大多數機構沒有同等的模型、技術支援、工作流程和誘因。

採用與否亦不僅取決於系統能否在技術上完成一項任務。企業必須把系統整合至數據中、釐清責任、監察錯誤，並滿足客戶及監管機構的要求。

受訪成年人意識到這些障礙。他們最常選擇的障礙是客戶會較願意與另一個人打交道。

私隱及保安緊隨其後，其次是可靠性不足，以及法律或監管限制。受訪者最多可選擇三項障礙。

定期在職場使用 AI 的人士把私隱及保安列為首位。這個回應挑戰了「熟悉程度只會帶來不加批判的樂觀」這種看法。

人們可以在更受 AI 能力吸引的同時，更意識到部署風險。直接經驗既揭示速度，也揭示摩擦。

不過，Anthropic 員工仍預期採用會更廣泛。他們預期到 2030 年，AI 會用於其能夠完成的 65% 任務。

美國成年人則預期企業會在技術上適合的任務中，使用 AI 處理其中 42%。這 23 個百分點的落差關乎擴散，而非模型的原始能力。

這種差異的經濟重要性可能高於諾貝爾獎的問題。一次歷史性發現固然會引起關注，但廣泛採用會重塑數以百萬計的日常工作流程。

因此，AI 預期落差不單是業內人士與外界人士的分歧，而是對技術能力會多快變得獲接受、可靠及日常化的不同判斷。

Anthropic AI 預期調查把就業置於核心

最接近先進模型的員工預期，其自身工作將有更多部分被自動化，而不只是遙遠科學領域出現進展。

平均而言，Anthropic 員工預期到 2030 年，AI 會完成他們目前 75% 的工作時數。受僱的美國受訪者平均估計為 28%。

超過一半 Anthropic 員工預期 AI 會處理其至少 80% 的工作。只有 5% 美國勞工持有這種預期。

即使是科技工作者，其預期仍遠低於內部預測。從事電腦、工程及科學職業的受訪者預期，AI 會完成其 33% 的工作時數。

這些職業中的定期 AI 使用者估計為 40%。這高於公眾平均值，但仍比 Anthropic 員工低 35 個百分點。

這種對比為僱主帶來棘手問題。若 Anthropic 員工在方向上正確，許多機構便低估了知識型工作將會多快轉變。

若公眾更接近現實，前沿實驗室的預期或許反映一個無法在整個經濟體複製的特殊職場。

AI 職場自動化亦有兩種不同含義。系統可以完全取代一項工作，也可以完成大部分工作，然後由人員覆核結果。

Anthropic 員工普遍預期，到 2030 年 AI 會獨自工作，或產生供人類檢查的成果。相反，每十名美國成年人中有四人預期人們會保留大部分工作。

這項差異同時影響生產力及就業。人類覆核可以在不取代勞工的情況下增加產出，但亦可能減少所需人手。

調查發現一個重要共識範圍。預期 AI 會處理更多自身工作的人，也預測失業率會較高。

預期 AI 處理不足一半工作量的美國勞工，預測 2030 年失業率介乎 7% 至 8%。預期至少 80% 工作自動化的人，則預測為 12.2%。

工作受影響程度的每多預期十個百分點，便與預測失業率增加 0.4 個百分點相關。Anthropic 員工也呈現相近關係。

因此，兩組似乎並非完全以不同的勞動市場理論思考。他們主要分歧在於 AI 將有多少工作能力可完成。

這項細微差別令這項調查有別於簡單的樂觀與悲觀敘事。Anthropic 員工預期能力更強，但亦把這些能力與更大的勞動市場壓力聯繫起來。

他們對自己公司的預測又增添另一層轉折。95% 受訪者預期 Anthropic 的員工人數會在隨後 12 個月增加。

受訪者的中位預期為員工人數增長 66%，而 27% 預期人手至少翻倍。Anthropic 強調，這些是個人預期，並非官方招聘計劃。

自動化與就業可以在擴張中的公司內同步增長。更高生產力可降低成本、創造需求，並把勞工轉向新職責。

在成熟行業中，這種結果較不確定。一間快速成長的 AI 開發商可在自動化任務的同時增加人手，因為其市場正迅速擴張。

律師行、保險公司或後勤服務供應商可能面對不同情況。若需求維持穩定，每名員工產出增加便會對縮減招聘帶來更大壓力。

過去的職場研究提供了較為審慎的對照。 NBER 實地研究檢視了一個由 5,179 名客戶支援 agent 使用的生成式 AI 助手。

研究人員發現平均生產力有所提升，經驗較少的員工受益更大。結果顯示，AI 可在不取代整個職業的情況下，推廣有效的工作方法。

這種模式有別於 Anthropic 的內部勞動變化。該公司表示，隨着 agent 使用擴展，初級技術職位在招聘中所佔比例已縮小。

一個情境顯示 AI 可協助新人縮窄經驗差距；另一個情境則顯示，僱主在執行密集型工作上或會需要較少初級員工。

兩者可以同時為真。AI 或會提高已受聘人員的生產力，同時降低對新入職初級員工的需求。

這種可能性令職場早期的發展路徑成為核心議題。如果企業移除累積經驗的起點職位，便無法無限期培養出具經驗的員工。

內部知識有價值，但並不中立

Anthropic 員工具備異常相關的資訊，但其調查仍屬受樣本選擇、誘因及共同經驗影響的內部民調。

前沿實驗室的員工能觀察到公眾不容易看見的模型行為。他們使用內部工具，亦了解研究推進的速度。

因此，他們的預測值得關注。若將其視為普通的企業樂觀論調而一概否定，便會捨棄可能有用的資訊。

不過，接近事物本身亦會帶來偏見。人們選擇到 Anthropic 工作，部分正因為他們相信先進 AI 很重要。

員工亦共享專業人脈、內部敘事，以及日常成功使用 AI 的例子。這些因素可能令他們的信念較受訪者人數所反映的更為一致。

這項員工調查未經加權。它涵蓋公司各部門的 1,334 名員工，但報告沒有將他們視為整體 AI 研究人員的代表。

公眾樣本亦有另一項限制。Morning Consult 招募自願參與的網上調查小組成員，因而排除了沒有互聯網接入的成年人。

人口統計加權可改善全國代表性，但無法完全修正加入網上調查小組者與未加入者之間的差異。

公眾樣本中，有關未來的問題分別問及 2027 年及 2030 年；Anthropic 員工則全部被問及 2030 年。

除非另有說明，作者報告的是 2030 年的回應。讀者仍應記住，部分公眾估計僅來自完整樣本的一部分。

調查中最具雄心的經濟數字需要額外審慎看待。研究人員把關於能力、採用、自主性、生產力及勞工轉型的回應，映射至一個經濟模型。

公眾回應的中位數產生了一個 2030 年 GDP 增長 5.4% 的情境。員工回應的中位數則產生 17.1% 的增長。

這些是模型推導出的情境，而非直接的經濟預測。這項分析透過 Anthropic 經濟學家所建立的假設，轉譯一組信念。

後續的公眾樣本推導出 5.6% 的增長，顯示公眾結果具一定穩定性。規模大得多的員工情境，仍對模型輸入如何互相作用相當敏感。

Anthropic 員工亦估計，AI 已完成建構 2026 年初前沿模型所需工作的中位數 51%。他們預期至 2027 年底將達 80%，至 2030 年達 95%。

這些數字是員工估計，而非經審核的量度。Anthropic 明確表示，它們並不構成公司預測。

分母的定義並不容易。「建構一個模型所需的工作」可以包括編程、實驗、數據工作、評估、基礎設施、管理及研究判斷。

有員工可能把 AI 輔助產出視為 AI 完成的工作。另一名員工則可能把它視為人類利用更佳工具完成的工作。

調查沒有消除這種含糊性。它反而顯示 Anthropic 員工認為，AI 已經在模型開發上作出重大貢獻。

即使估計最終偏高，這種信念仍會帶來策略後果。團隊會根據其預期系統下一步能做到甚麼，設計工作流程、招聘計劃及研究項目。

信念可以在一定程度上自我強化。預期自動化快速發展的組織，會更積極投資於代理系統，繼而累積令更快自動化看來合理的經驗。

這不代表該信念必然錯誤。它表示 Anthropic 員工對 AI 的預測，同時反映觀察與機構承諾。

因此，讀者應避免兩個簡單結論。第一個是，員工擁有一幅秘密而精確的未來地圖。

第二個是，他們的觀點只是市場推廣。證據支持一個更有用的理解：員工提供的是知情但高度篩選的訊號。

諾貝爾級科學是基準，不是預測捷徑

諾貝爾獎的比較反映雄心，但科學發現依賴調查未有量度的驗證系統。

AI 已透過蛋白質預測、分子設計、文獻審閱、編程、模擬及實驗規劃影響科學研究。這些應用令調查提出的科學問題顯得合理。

然而，達到諾貝爾級的成果，不止是產生一個新穎答案。研究人員必須證明結果正確、重要、可重現，並與既有的科學紀錄相連。

實體實驗往往仍不可或缺。模型可以提出一種分子、機制或定理，但該提議可能無法通過實驗室或同儕的檢驗。

科學機構對功勞的歸屬亦緩慢且不平均。人類與 AI 團隊作出的發現，可能引發多年關於歸屬的爭論。

調查詢問的是能力，不論公司是否會部署相關能力。這可分離對 AI 能做甚麼的預期，但亦移除了許多現實世界限制。

能否取得專有數據、實驗室設備、算力及專家評審，可能決定一個有用假設能否成為經驗證的發現。

模型可能解決一個困難的推理問題，卻未必改變科學。反過來，一個狹窄的系統亦可能徹底改變某個領域，而不似一名通用的自主科學家。

AlphaFold 展示了這個分別。它解決了長期存在的蛋白質結構預測難題，並成為廣泛使用的研究工具。

它的重要性源於演算法、訓練數據、人類工程、評估，以及科學家採用等因素的結合。該 AI 系統並非在這個機構架構以外運作。

因此，91% 的回應可能代表數種不同預期。部分員工或許預期自主研究代理，另一些則預期由 AI 賦能的團隊能產生獎項級成果。

這些情境對工作與政策帶來不同後果。自主發現系統會引發有關監督、歸屬及控制的問題。

一個極為有效的研究助理，則會更強調存取權、培訓，以及科學家如何組織其工作。它可能增加對實驗及詮釋專業知識的需求。

調查以一個令人印象深刻的基準概括這些可能性。這令結果容易傳達，但作為規劃工具則不夠精確。

機構應聚焦於可觀察的中間能力，包括系統能否提出可檢驗的假設、設計有效實驗、察覺自身錯誤，以及重現結果。

它們亦應追蹤獨立實驗室能否驗證 AI 輔助的發現。模型開發商公布的結果，其份量低於在其他地方獲重現的結果。

科學進展與職場自動化不應被視為相同趨勢。模型可能在受限的研究任務上表現出色，同時在日常商業環境中仍不可靠。

反過來亦有可能。AI 可以自動化大量辦公室工作，卻未必產生一項值得全球認可的單一科學成就。

Anthropic 的 AI 預期調查透過更廣泛的快速能力增長願景，把這些結果連結起來。證據仍須分別驗證每一條路徑。

三個訊號將顯示哪個預測更接近現實

獨立能力測試、AI 實驗室以外的職場採用，以及入門職位招聘，將決定內部觀點能否普遍適用。

第一個訊號是獨立驗證的科學產出。一項可信測試，會涉及 AI 系統產生可由外部專家重現的新穎結果。

模型開發商的公布仍會是有用線索，但不足以判定系統能否可靠地進行發現級工作。

重現亦會釐清人類研究人員的角色。最有力的證據會說明誰提出問題、設計測試、詮釋結果，以及修正錯誤。

這很重要，因為諾貝爾級的標題把漫長研究鏈壓縮成單一結果。更佳的報道應把 AI 貢獻與機構驗證分開。

第二個訊號是在一般機構中量度的採用情況。企業必須證明，代理系統能在真正的安全、可靠性及合規限制下帶來持續收益。

短暫示範並不足夠。證據應在數月期間追蹤產出質素、錯誤率、監督時間及總營運成本。

最具參考價值的案例，將來自缺乏 Anthropic 技術密集度的行業。醫療行政、金融營運、教育、物流及專業服務值得密切關注。

跨公司研究亦會揭示 AI 是否改變協作工作。一項大型職場實驗發現，電郵時間有所減少，但會議並沒有出現相應變化。

這個模式顯示，個別任務可以在機構重新設計協調方式前先改變。廣泛的經濟影響需要兩個階段同時出現。

第三個訊號是入門職位招聘。Anthropic 的相關職場研究指出，初級技術職位在其招聘中所佔比例已變小。

若相同轉變在各僱主間出現，AI 職場自動化將在造成大規模失業之前先影響職業結構。較少起步職位會收窄通往進階工作的途徑。

留意職位空缺、招聘比例、晉升率，以及僱主對重判斷能力的需求。這些指標可在全國就業數字作出反應前揭示結構變化。

若初級招聘下跌，同時總產出持續上升，將會加強 Anthropic 的內部預測。若招聘保持穩定，則會削弱前沿實驗室經驗可預測更廣泛經濟的說法。

對知識工作者而言，實際的應對方法不是接受任何一個調查群體的確切時間表，而是監察工作中哪些部分會成為可驗證的 AI 任務。

隨着代理系統處理更長的工作分派，記錄決策、來源及項目背景將變得更重要。可搜尋的 AI 知識庫 可協助工作者保留審閱這些產出所需的資訊。

預期差距將由證據而非爭論縮小。若獨立結果重現他們的職場及科學經驗，Anthropic 員工的可信度將會提高。

若採用因信任、整合或可靠性而停滯，公眾預測將顯得更有力。若先進系統仍需要密集的專家監督，這項預測亦會獲得支持。

目前，調查最清楚的教訓是：接觸程度改變信念的速度，比共識形成更快。Anthropic 員工看到能力迅速增長，因為他們在一個異常 AI 密集的機構內工作。

美國成年人看到更多阻力，因為他們身處的機構中，客戶、法律、安全及既有流程仍然重要。兩種觀點都捕捉到這場可能轉型的一部分。

未來一年的問題很具體：來自獨立科學及一般職場的證據，會否開始接近 Anthropic 的內部環境，還是仍遠遠落後？