Anthropic AI 智能体劳动力数据揭示初级岗位阶梯正在消失
Anthropic 表示，随着由员工指挥的 AI 智能体每人类工时累计达到六小时，其技术招聘中的初级员工占比已从 27% 降至 9%。Anthropic 的 AI 智能体劳动力规模仍在扩张，但其初级技术岗位阶梯正明显变窄。
这两个数字结合起来，比单独看任何一个都更重要。Anthropic 并非在报告一轮常规裁员或招聘冻结。它描述的是一家仍在增长的公司，正日益偏好那些能够指挥、评估和协调大批 Claude 智能体的资深人才。
因此，核心矛盾并非抽象意义上的人类与机器之争，而是经验判断力与传统上用来培养这种判断力的初级工作之间的矛盾。OpenAI 也在将智能体更深入地用于内部知识工作，但 Anthropic 揭示了这种转变如何能在整体就业下降之前就改变招聘格局。
随着智能体工作扩张，Anthropic 初级招聘下滑
Anthropic 的劳动力数据显示，即使公司仍在增加技术员工，获聘人员的构成也发生了显著变化。
Anthropic 于 2026 年 10 月 16 日发布了其内部就业研究。报告依据就业记录、智能体遥测数据、产出指标、员工调查、日历、内部通信和招聘决策。研究人员还访谈了 17 名员工。
核心数据涉及技术岗位。Anthropic 技术部门的初级员工占比，从 2025 年初的 21% 降至 2026 年的 14%。新聘技术员工中的初级人员占比下降更为明显，从 27% 降至 9%。
研究中的一张图表显示，在测量期末，初级技术岗位空缺占比降至 6%。空缺职位的下滑在 2025 年 12 月后尤为明显。2026 年 1 月，内部开始讨论对初级技术员工需求减弱的问题。
到 4 月，Anthropic 的工程和研究团队已降低了对较低职级技术岗位的重视程度。约三分之一的机器学习经理和五分之一的软件工程经理表示，由于 AI，他们减少了招聘。
这些变化并不意味着 Anthropic 停止招聘工程师。该公司表示，技术人员总数仍在绝对数量上持续增长。不过，销售、财务和招聘团队扩张得更快，使技术部门在员工总数中的占比从 61% 降至 56%。
这种区分避免了误导性的解读。就业占比下降并不等同于员工数量减少。证据表明，劳动力构成正在改变，最明显的收缩集中在初级岗位端。
按资历划分，非技术岗位的招聘看起来更为稳定。这一差异强化了该研究关于编程智能体与技术招聘之间关联的论点，尽管它并不能确立单一因果关系。
这一时间线与智能体工作的快速扩张相吻合。Anthropic 表示，自动化和交互式智能体的工时在 2026 年 3 月首次超过估算的人类工时。到 8 月，由员工指挥的智能体每一估算人类工时累计了六个活跃小时。
Anthropic 将智能体时间定义为推理和活跃工具使用，不包括超过 30 分钟的等待时间。人类时间并非直接观测所得。研究人员通过将员工人数乘以每周 40 小时工作制进行估算。
这种方法使六比一的数据不像乍看之下那么直观。智能体运行可以并行进行，而人类工作包括遥测数据无法捕捉的规划、讨论、阅读和决策。一个智能体小时在经济价值上并不等同于一个员工小时。
尽管如此，这一趋势方向很难被忽视。智能体正在执行测试、维护基础设施、翻译代码库、发现漏洞和生成软件。个人助手还会监控日历、分流消息并准备会议简报。
就业研究中最具影响力的发现，是这些趋势之间的重叠：在员工将最复杂任务交给 Claude 的岗位中，初级员工就业增长更慢。
这一关系并不能证明 Claude 导致了每一个缺失的初级岗位。Anthropic 快速扩张、改变了业务组合，并根据研究期间不断演变的需求进行招聘。然而，这一模式提供了可信的视角，说明智能体采用如何在边际上改变招聘。
因此，Anthropic 的 AI 智能体劳动力改变的不只是生产速度，也改变了管理者希望通过劳动力市场购买的人类能力。
六个智能体小时并不等于替代六个人类
Anthropic 的六比一比例衡量的是机器活动，而非每名员工对应消失的六个完整岗位。
这种区别首先在于并行性。一名工程师可以同时启动多个智能体。这些智能体可以在工程师处理另一项任务时搜索代码仓库、编写测试、提出补丁或检查故障。
这会产生超出单个人能够按顺序完成的机器运行时长。但这并不意味着每一小时都会产出可用结果。智能体工作仍包括失败的方案、重复的分析、无关文本，以及等待审查的工作。
Anthropic 发现，交互式 Claude 会话约有 80% 的实际运行时间在等待人类输入。智能体的运行速度可能快于员工检查结果、消除歧义并授权下一步行动的速度。
人类注意力成为制约因素。员工将自己描述为 Claude 系统的管理者，而非每件产出物的直接生产者。在 4 月的一项调查中，20% 的人表示，他们的角色已从执行工作转向管理 Claude。
公司的内部流程也随之改变。面向智能体的书面常设指令，从 2025 年 7 月的数百条增加到一年后的 8,500 条。员工构建了仪表板、监控系统、审查循环，甚至智能体监督者。
Anthropic 将这类协调活动称为元工作，其占普通员工交互式会话的比例，从 2025 年秋季的 10% 升至 2026 年春季的 22%。元工作包括编写规范、审查智能体计划、监控流水线，以及为机器使用记录流程。
这些系统可以提升可量化的产出。Anthropic 报告称，每名工程师的代码提交量达到六个月前的五倍。律师处理了更多合同，销售代表完成了更多交易，财务团队处理了更多发票。
该研究还跟踪了 192 名采用编程智能体的工程师，并将其与同期未采用该工具的 74 名工程师进行比较。即便研究人员长期跟踪同一名员工，代码产出在采用后仍有所上升。
Anthropic 考察了多项代码质量代理指标，包括后续删除、修复漏洞时的删除、回滚、跳过测试和抑制 lint。它报告称，在这些指标下，人类编写和智能体编写的提交之间没有可测量的质量差异。
这些检查有用，但并不完整。保留 90 天的代码行数无法反映架构质量、安全风险、可维护性，或某项功能是否创造了商业价值。Anthropic 明确警告，更多代码不一定意味着更好的代码。
选择效应也使结果变得复杂。采用自主智能体的工程师原本就处于产出上升轨迹上。面临大型项目的员工可能更倾向于采用这些工具，使因果关系难以隔离。
同样的问题也适用于工程以外的领域。一名客户经理表示，自动化替代了约 20% 的既有任务。另一名员工报告称，在将日常沟通和记录更新自动化后，自己与客户的交流增加了 30%。
一名律师构建了自动化流程，用于筛选法律问题、审查公开文案并发现风险。一名招聘人员使用 Claude 进行人才寻源、申请跟踪，以及一项此前需要数周才能完成的分析。
这些案例表明，任务替代与任务扩张正在同时发生。AI 移除了部分执行工作，但员工会利用释放出的能力来服务更多客户、推进更多项目或做出更多决策。
OpenAI 也报告了从聊天界面转向智能体的类似变化。其知识工作数据显示，非开发人员越来越多地使用 Codex 进行研究、数据分析、文档处理和轻量级内部工具开发。
这一比较表明，Anthropic 并非唯一一家从偶发性辅助转向持续委派工作的公司。不过，两家公司都尚未提供一种标准化指标，将智能体运行时间等同于具有经济效用的人类劳动。
六比一比例最适合被解读为一种组织信号。Anthropic 现在能够产生远多于员工亲自完成的机器活动。由此产生的瓶颈是评估、上下文和可追责的判断。
这一瓶颈解释了为何资深员工的价值上升。他们能够决定智能体应该做什么、识别细微错误，并解决跨多个系统的冲突。初级员工过去通常通过如今正被自动化的执行工作获得这些能力。
Anthropic AI 智能体招聘重视判断而非执行
Anthropic 的 AI 智能体劳动力更青睐能够界定问题并审查结果的人，同时降低了对狭义执行能力的需求。
Anthropic 分析了自 2024 年以来创建的数千份招聘评分卡。到 2026 年，技术岗位中提及候选人 AI 工具经验的次数增长了三倍，非技术岗位中则增长了四倍。
技术面试也更加重视自主性和判断力。针对领域专长的讨论在评估评论中的占比下降。管理者越来越希望候选人能够跨领域开展工作，并能有效应对并不完美的模型。
这种变化反映了智能体表现的不稳定性。一个模型可以解决困难的编程问题，却可能遗漏明显的约束条件。因此，Anthropic 的管理者重视能够判断何时应信任产出的人。
这种新兴角色类似管理者，即使没有直接下属。个人贡献者将任务分配给智能体、维护上下文、审查工作，并在系统作出涉及安全或组织政策的决策时进行干预。
Anthropic 的日历数据支持这一解读。员工的会议时间中位数比一年前增加了 20%。技术个人贡献者的会议时间增加了 16%。
这些数据挑战了自动化会消除协调工作的简单观点。智能体加快了执行速度，但更快的产出也带来了更多决策和依赖关系。员工必须协调团队、解决系统性问题，并确定哪些工作应当发布。
该公司还发现，智能体出现在近一半活跃的公开 Slack 频道中。它们通常在专门的人机线程中运行，而不是取代人与人之间的对话。
人类讨论的结构仍大体相似，而围绕其展开的智能体通信不断累积。这种模式类似于增加了组织能力，但也为员工创造了更多需要处理的信息。
在这种环境中，上下文成为基础设施。私下作出的决策可能使智能体基于过时的假设开展工作。Anthropic 的员工正越来越多地记录工作，以便自动化系统能够找到当前目标、职责和约束条件。
这有利于真正了解组织的人，而不仅仅是能完成眼前任务的人。资深员工掌握着有关早期决策、失效模式、客户预期和隐性依赖的默会知识。
传统上，初级技术岗位为接触这些知识提供了路径。新工程师通过修复小型 bug、编写测试、维护系统和观摩评审来学习。而这些恰恰是编程智能体日益承担的工作。
因此，一家公司可能在提升短期产出的同时，削弱未来的人才培养管道。它从经验丰富的操作人员那里获得即时价值，却减少了让初学者成长为资深操作人员的机会。
这正是 Anthropic 初级招聘背后的核心逆转。AI 智能体之所以有价值，是因为它们承接了常规工作；然而，常规工作过去正是培养更高层次判断力的实践训练。
取消这些工作，并不会自动消除对专业能力的需求。它可能抬高专业能力的溢价，同时减少培养这种能力的机制。
Anthropic 部分通过内部流动来应对这一问题。2026 年，在公司工作至少一年的员工每月调换部门的可能性，比 2025 年高出 50%。
一个产品设计团队说明了这一做法。在构建出让智能体能够撰写产品文案的上下文系统后，该团队转向模型评估和提示词开发。
这种重新部署保护了现有员工，同时围绕 Claude 创造了新的工作。它并未解决从未被聘用的候选人获得机会的问题。
Anthropic 承认这一局限。其报告指出，对现有员工的保护无法惠及那些一开始就被排除在公司之外的人。
该公司还在建立一套早期预警系统，以监测受到 AI 驱动变化影响的岗位。它计划将岗位层面的需求和产出与智能体能力进行比较，随后识别可能的内部调动机会。
对于采用类似系统的公司而言，文档化变得更加重要。工程知识库可以在项目之间保留技术上下文，但已记录的知识无法替代有监督的实践。
劳动力问题并不只是教毕业生如何写出更好的提示词。未来的初级岗位必须让员工在智能体承担更多执行工作的同时培养判断力。这需要有意识的岗位设计、导师指导、参与评审的机会，以及随时间扩大的责任范围。
缺少这些结构，雇主可能会争夺有限的资深操作人员资源。每家公司都可以单独降低培训成本，却依赖其他组织培养日后自己要招募的资深人才。
Anthropic 的数据仍无法证明什么
该报告将智能体采用与初级招聘减少联系起来，但无法将 AI 的影响与 Anthropic 独特的增长、员工结构和激励因素区分开来。
Anthropic 是一个极端案例。它开发前沿模型，雇用经过技术能力筛选的员工，并让他们提前使用其他地方无法获得的 Claude 系统。
员工也有直接动机使用公司自家的产品。内部预期、工具和管理实践都鼓励快速自动化。许多传统企业并不具备这些条件。
在报告涵盖的一年中，Anthropic 的规模扩大了三倍。即使没有技术取代员工，快速扩张也可能改变各部门占比。初创公司形成更大规模的商业运营后，销售和财务部门往往会扩张。
招聘构成还取决于留任和晋升。如果初级员工留下并晋升至更高职级，他们的占比即使没有裁员也可能下降。已公布的数据并未充分区分晋升、离职和招聘减少的影响。
这项研究在描述 Anthropic 本身时证据最强。其更广泛的经济含义仍具有启示性。研究人员无法随机指定整个部门采用智能体，或继续保留原有工作流程。
即便生产率指标也需要谨慎解读。代码提交、查询、合同、发票和交易都反映活动量，但它们在质量和经济价值上各不相同。业务增长也可能独立于 AI 而提高产出。
Anthropic 试图通过比较同月的采用者与非采用者来应对这一问题。然而，员工会自行选择是否以及何时采用。正在筹备雄心勃勃项目的员工，既可能采用智能体，也可能因无关原因提高产出。
该公司的 AI 智能体也运行于专门为它们构建的系统之中。Anthropic 的员工创建了结构化上下文、监控工具、已记录的决策和评审流程。大多数组织的数据较为碎片化，工作也更难观察。
全国层面的证据则更为克制。一项使用人口普查局数据的 2026 年研究发现，AI 的采用集中于大型和知识密集型企业。根据这项企业采用研究，在采用者中，57% 仅在三个或更少的职能中使用 AI。
这种差距至关重要。Anthropic 描述的是一个围绕智能体重新设计的组织，而许多企业仍将 AI 用于写作、文档分析和搜索。不能假定它们对招聘的影响相同。
不过，外部证据对于年轻员工指向了相同的大致方向。使用薪资数据的斯坦福研究人员没有发现广泛的 AI 就业崩溃，但识别出不断扩大的职业早期差距。
到 2026 年 6 月，高度暴露职业中 22 至 25 岁员工的就业水平，比低暴露职业所预期的水平低约 19%。这种调整主要表现为招聘减少，而非离职增加。
这项职业早期发现并不能证明生成式 AI 造成了全部差距。经济状况、行业招聘周期和职业差异仍可能是影响因素。
关于 AI 原生初创企业的研究提供了另一种比较。哈佛商学院的一项分析发现，与类似的非 AI 企业相比，这些公司雇用的人更少，组织结构也更扁平。
在该研究的 Y Combinator 样本中，AI 原生初创企业规模小约 25%；在更广泛的风险投资支持样本中，则小约 12%。它们雇用的入门级员工也更少。
这项初创企业证据支持 Anthropic 所指向的方向，但它描述的是一组选定的年轻公司。它并未证明成熟雇主也会以同样方式重组。
也有可信证据表明，AI 可以帮助职业早期员工扩展能力。一项随机现场实验向 12 所德国职业学校的 673 名信息技术专业毕业年级学徒提供了 AI 使用权限。
AI 让学徒在超出其正式培训范围的任务上，表现提升了 26 至 31 个百分点。实验没有发现任务理解程度立即下降，尽管 AI 素养更强的员工获益更多。
这项学徒实验使任何“AI 必然降低初级员工价值”的说法变得更复杂。在适当条件下，它可以扩大他们能够完成的工作范围。
尚未解决的问题是组织选择。雇主可以利用智能体取消初级岗位空缺，也可以利用它们扩大初级岗位的职责范围。技术允许两条路径。
Anthropic 当前的数据反映的是一家在强烈快速推进压力下的前沿实验室。它应被视作早期案例研究，而非普遍的就业规律。
这项研究也来自其产品正处于分析核心的公司。Anthropic 披露了局限性并详细说明了若干方法，但仍有必要进行独立复现。
若能对 Anthropic、OpenAI、Google、Meta 和传统软件公司进行标准化比较，将更具参考价值。研究人员需要一致衡量智能体活动、产出质量、招聘、晋升和员工留任。
在此之前，声称智能体每替代一名员工就替代六人的说法超出了证据范围。Anthropic 衡量的是每个估算员工工时对应六小时的活跃智能体运行时间，而不是六个等效的全职岗位。
三个信号将揭示初级阶梯是否持续缩窄
下一项检验是，Anthropic 的招聘转变是否持续、是否蔓延至竞争对手，以及是否能为智能体密集型经济培养足够多的资深员工。
第一个信号是 Anthropic 自身技术岗位空缺和招聘的构成。最具揭示性的数字将是职位发布、新员工、晋升和内部调动中初级员工所占的比例。
如果在智能体活动增长的同时，初级技术岗位空缺仍维持在约 6%，劳动力重构就会显得具有结构性。初级职位发布的回升则表明，当前下降反映的可能是暂时调整或异常挑剔的招聘周期。
晋升同样值得关注。Anthropic 可以通过招聘经验丰富的候选人，在一段时间内维持以专家为主的组织。但除非经验较少的员工仍能在公司内部晋升，否则它无法证明这是一种可持续的人才模式。
第二个信号是其他前沿实验室作出可比披露。OpenAI、Google 和 Meta 都在内部使用 AI，但其公开指标尚未标准化。
OpenAI 曾描述 Codex 在工程和知识工作职能中的使用迅速增加。Anthropic 则单独报告称，Claude 在人类监督下主导了部分研究与开发工作。
一份独立报道指出，Anthropic 在 8 月运营了约 30,000 个研究和工程智能体。这一规模使跨公司报告愈发重要。
如果竞争对手披露初级技术招聘出现类似下降，Anthropic 将显得像一个领先指标。如果它们的初级招聘保持稳定，公司战略将比智能体能力本身更能解释这一现象。
第三个信号是，更广泛的劳动力市场是否会将自动化密集型职业与增强密集型职业区分开来。斯坦福的薪资研究已表明，在 AI 替代任务的领域，结果更弱。
未来数据应追踪这种差距是否会扩展至 22 至 25 岁员工之外。若差距在更年长群体中扩大，将支持更广泛替代的叙事。若资深员工就业稳定而初级招聘疲软，则将指向人才培养管道危机。
雇主还应披露什么正在取代传统的入门级工作。学徒制、内部轮岗、模拟生产环境和有监督的智能体管理，都可能提供通往专业能力的替代路径。
如果缺少这些路径，公司将面临一种延迟出现的约束。它们可能自动化那些培养初学者的小型任务，随后发现有经验的判断力已经变得稀缺且昂贵。
员工也应根据同样的信号作出应对，但不应因此假定技术基本功已不再重要。智能体可以生成代码，但人仍要为架构、安全、产品决策以及跨越组织边界的故障负责。
关键技能不只是操作 AI 界面，而是将领域知识与验证、上下文管理和清晰决策结合起来。随着机器产出变得充裕，这些能力会更有价值。
团队可以通过让决策过程和源材料保持可检索，来支持这一转变。一个维护良好的个人知识系统能帮助员工将智能体输出与既有推理进行核验，而非在缺乏上下文时直接接受看似流畅的答案。
Anthropic 的 AI 智能体劳动力提供了对这种环境异常细致的预览。它展现出更高的产出、更广泛的岗位角色，以及智能体在公司内部并行开展工作。同时，它也显示出技术职业传统起点的职位空缺正在减少。
未来几个月，应结合观察招聘结构、竞争对手披露信息以及初级职业阶段的就业数据。没有任何单一指标能够断定，AI 智能体究竟会创造更好的工作，还是会消除职业发展的入口。
实际问题如今已经很明确：企业能否足够迅速地重新设计初级岗位工作，以保留从新手成长为专家的路径？采用智能体的雇主应通过招聘、培训和晋升数据公布答案。
