Anthropic AI 预期调查揭示员工与公众之间存在52个百分点的差距

Anthropic 发布了一项显示明显分歧的调查：其91%的员工预计，到2030年，AI将做出诺贝尔奖级别的发现，而美国成年人中这一比例仅为39%。这项 Anthropic AI 预期调查并不只是表明员工更乐观。它揭示了在日常使用先进AI后，人们对未来的判断会产生多么大的差异。

这种分歧远不止于科学研究。Anthropic 员工预计，AI将承担更多工作、更快普及至企业，并带来更大的生产率提升。然而，两组受访者都将更高程度的职场自动化与更高失业率联系起来。

这也形成了核心矛盾。最接近前沿模型的人预见到非凡进展，但他们的经验并不能代表更广泛的经济环境。这项调查捕捉的是业内人士基于信息作出的预期，而非经独立测量得出的预测。

Anthropic 的调查究竟发现了什么

最大的分歧在于未来进步的速度，而不是AI已经能够做什么。

Anthropic 于2026年10月16日发布了其AI 预期调查。研究人员 Szymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek 和 Peter McCrory 撰写了这份报告。

Morning Consult 于8月11日至8月23日期间在线调查了10,980名美国成年人。调查结果经过加权，以代表全国成年人口。

Anthropic 另于8月9日至8月12日期间对1,334名员工进行了调查。这一内部样本未经加权，涵盖公司各部门员工。

受访者评估了八项活动，范围从撰写常规电子邮件到做出诺贝尔奖级别的科学发现。他们被问及AI何时能以与熟练专业人士同等的水平完成各项活动。

两组受访者对AI当前能力的看法大致一致。两组样本中约四分之一认为，AI已经能够设计、开展并发表科学研究。

但随后双方预期出现明显分化。十名 Anthropic 员工中有九名预计，到2027年AI将具备这种研究能力；公众中这一比例为38%。

最显著的差异涉及诺贝尔奖级别的科学发现。到2030年，91%的员工预计AI将做出此类发现。只有39%的美国成年人给出了相同回答。

一项后续调查于9月17日至9月24日期间对7,613名美国成年人展开。在该样本中，44%的受访者预计到2030年会出现诺贝尔奖级别的发现。

这一提升并未消除差距。但它表明，公众预期的具体估计值在一定程度上取决于抽样和时间。

“诺贝尔奖级别的发现”这一表述同样需要谨慎解读。该问题衡量的是受访者是否预计AI会做出具有该等重要性的发现。它并未界定其中会涉及多少人类指导、实验工作或机构验证。

一项科学成果可以源自AI系统，同时仍需要人类团队予以验证。发表、复现和获得认可仍将是独立阶段。

历史参照已不再是假设。2024年诺贝尔化学奖表彰了 Demis Hassabis 和 John Jumper，他们利用 AlphaFold2 进行蛋白质结构预测。

不过，AlphaFold 的成功并不能回答这项调查的问题。该奖项表彰的是开发AI系统的人类研究人员，而不是将功劳归于自主完成发现的系统本身。

这一差异很重要，因为受访者对“AI做出一项发现”的理解可能不同。有些人可能设想模型独立形成并检验一项理论。另一些人则可能将人类科学家借助AI工具取得的发现计算在内。

因此，这项 Anthropic AI 预期调查揭示了真实的预期差距，但并未定义其中的每一条边界。其结果最好被视为有关信念的证据，而不是经过验证的科学成就时间表。

AI 预期差距源于日常接触

Anthropic 员工似乎是在一个AI已深度嵌入日常工作的环境中推演未来。

AI使用情况将公众分为预测显著不同的群体。约五分之一的受访成年人表示，他们经常在工作中使用AI。

在这些经常使用者中，56%预计到2030年AI将掌握八项受调查活动中的至少七项。全体美国成年人中的对应比例为41%。

从未使用过AI工具的人中，只有28%预计AI会达到这一能力水平。Anthropic 员工中的这一比例则高达96%。

这种递进关系表明，直接接触会改变预期。经常使用AI的人预见到的进展多于非使用者，但他们的信心仍低于 Anthropic 员工。

经验并不能证明预见能力。高频用户可能观察到偶尔使用者未曾接触过的能力，也可能根据异常有利的任务和环境作出过度概括。

Anthropic 是一个极端案例。其员工开发前沿模型，能够提前使用内部系统，并在围绕这些系统设计的流程中工作。

该公司的相关就业研究称，截至8月，交互式AI代理的工作时长已达到员工工作时长的六倍。AI代理是一种能够在有限监督下完成多步骤工作的系统。

Anthropic 还称，随着代理使用规模扩大，人均代码产出增加、每位销售代表成交更多订单、处理更多法律合同。这些发现来自该公司自身的职场数据。

这种环境与医院、建筑公司、学区或区域零售商截然不同。大多数组织缺乏同等水平的模型、技术支持、工作流程和激励机制。

采用AI还不仅取决于系统在技术上是否能够完成一项任务。企业必须将其与数据整合、明确责任、监控错误，并满足客户和监管机构的要求。

受访成年人认识到了这些障碍。他们最常选择的障碍是，客户更愿意与真人打交道。

隐私和安全紧随其后，其次是可靠性不足以及法律或监管限制。受访者最多可选择三项障碍。

经常在工作中使用AI的人将隐私和安全列为首位。这一回答挑战了“熟悉AI只会带来毫无保留的乐观情绪”这一观点。

人们可能会更认可AI的能力，同时也会更清楚地意识到部署风险。直接经验既揭示了速度，也揭示了摩擦。

不过，Anthropic 员工仍预计AI将得到更广泛的采用。他们预计，到2030年，AI将被用于其能够完成任务中的65%。

美国成年人预计，企业将把AI用于42%的技术上适用任务。这23个百分点的差距涉及扩散速度，而非模型的原始能力。

这一差异的经济重要性可能超过诺贝尔奖问题。一项历史性发现会吸引关注，但广泛采用将重塑数百万项普通工作流程。

因此，AI预期差距并不只是业内人士与外部人士之间的分歧。它反映的是对于技术能力多快会变得可接受、可靠且常规化的不同判断。

Anthropic AI 预期调查将就业置于核心位置

最接近先进模型的员工预计，AI将大幅自动化他们自己的工作，而不只是推动遥远科学领域的进展。

平均而言，Anthropic 员工预计，到2030年，AI将完成其当前工作时长的75%。受雇美国受访者给出的平均估计为28%。

超过半数的 Anthropic 员工预计，AI将处理至少80%的工作。美国劳动者中只有5%持有这一预期。

即便科技从业者的预期也远低于内部预测。从事计算机、工程和科学职业的受访者预计，AI将完成其33%的工作时长。

这些职业中的常规AI用户估计为40%。这高于公众平均值，但仍比 Anthropic 员工低35个百分点。

这种对比给雇主带来了一个棘手问题。如果 Anthropic 员工的方向性判断是正确的，许多组织可能低估了知识型工作会以多快速度发生变化。

如果公众更接近现实，前沿实验室的预期可能反映的是一种无法在整个经济体中复制的特殊工作环境。

AI职场自动化也有两种不同含义。一个系统可以完全取代某项任务，也可以完成大部分工作，再由人类审核结果。

Anthropic 员工普遍预计，到2030年，AI将独立工作，或生成供人类检查的输出。相反，十分之四的美国成年人预计，人类将保留大部分工作。

这一差异同时影响生产率和就业。人工审核可以在不移除劳动者的情况下提高产出，但也可能减少所需人数。

调查发现了一项重要共识。预计AI将承担更多自身工作的人，也预测失业率会更高。

预计AI将完成其不足一半工作的美国劳动者，预测2030年失业率将在7%至8%之间。预计至少80%工作自动化的人则预测失业率为12.2%。

预期工作暴露程度每增加十个百分点，预测失业率就相应增加0.4个百分点。Anthropic 员工也呈现出类似关系。

因此，两组人似乎并未采用完全不同的劳动力市场理论。他们主要是在AI最终能够完成多少工作上存在分歧。

这一细节使该调查区别于简单的乐观与悲观叙事。Anthropic 员工预计能力会更强，但他们也将这些能力与更大的劳动力市场压力联系起来。

其公司内部预测又增添了一层复杂性。95%的受访者预计，Anthropic 的员工人数将在未来12个月增长。

受访者预期的员工人数增长中位数为66%，其中27%预计员工规模至少翻倍。Anthropic 强调，这些是个人预期，而非官方招聘计划。

在一家正在扩张的公司中，自动化和就业可以同步增长。更高生产率能够降低成本、创造需求，并使劳动者转向新的职责。

但在成熟行业中，这一结果更不确定。快速成长的AI开发商可以一边增加员工，一边自动化任务，因为其市场正在迅速扩大。

律师事务所、保险公司或后台服务提供商可能面临不同的情况。如果需求保持稳定，员工人均产出提高将带来更强的缩减招聘压力。

过往职场研究提供了一个更审慎的参照。一项NBER 现场研究考察了5,179名使用生成式AI助手的客户支持代理。

研究人员发现，平均生产率有所提升，经验较少的员工获益更大。结果表明，AI能够传播有效实践，而无需取代整个职业。

这一模式不同于 Anthropic 的内部劳动力变化。该公司称，随着代理使用扩大，初级技术岗位在招聘中的占比有所下降。

一种情境表明，AI可以帮助新入行者缩小经验差距。另一种情境则表明，雇主在实施密集型任务中可能需要更少的初级员工。

两种情况都可能成立。AI可能提高已受雇人员的生产率，同时减少对新入职初级员工的需求。

这种可能性使得职业生涯早期的发展路径成为核心关切。如果企业取消了积累经验的起点岗位，就无法无限期地培养出有经验的员工。

内部知识很有价值，但并不中立

Anthropic 员工掌握的信息格外相关，但这项调查仍是一项受样本选择、激励因素和共同经验影响的内部民调。

前沿实验室的员工能够看到公众不易观察到的模型行为。他们使用内部工具，也了解研究推进的速度。

正因如此，他们的预测值得关注。若将其简单视为普通的企业乐观情绪，可能会舍弃潜在的有用信息。

不过，身处其中也会带来自身的偏见。人们选择到 Anthropic 工作，部分原因正是他们相信先进 AI 很重要。

员工也共享职业人脉、内部叙事，以及日常使用 AI 成功的案例。这些因素可能使他们的观点关联性高于受访人数所暗示的程度。

这项员工调查未经加权处理。它收集了全公司 1,334 名员工的反馈，但报告并未将他们视为一般 AI 研究人员的代表性样本。

公众样本也有另一项局限。Morning Consult 招募的是自愿加入的线上面板受访者，因此未涵盖无法上网的成年人。

按人口统计特征加权可以改善对全国人口的代表性，但无法完全修正加入线上面板者与未加入者之间的差异。

针对未来的问题，公众样本分别询问了 2027 年和 2030 年的情况；Anthropic 员工则全部被问及 2030 年。

除非另有说明，作者报告的是 2030 年的回答。读者仍应记得，部分公众估计仅来自完整样本中的一部分。

调查中最具雄心的经济数字需要额外谨慎看待。研究人员将关于能力、采用、自主性、生产率和劳动者转型的回答纳入一个经济模型。

公众回答的中位数得出了 2030 年 GDP 增长 5.4% 的情景。员工回答的中位数则得出了 17.1% 的增长。

这些是模型推导出的情景，而非直接的经济预测。这一练习通过 Anthropic 经济学家设定的假设，将一系列信念转化为结果。

后续公众样本隐含的增长率为 5.6%，表明公众结果具有一定稳定性。规模大得多的员工情景，仍对模型输入之间的相互作用十分敏感。

Anthropic 员工还估计，AI 已经完成了构建 2026 年初前沿模型所需工作的中位数 51%。他们预计，到 2027 年末这一比例将达到 80%，到 2030 年达到 95%。

这些数字是员工估计，而非经审计的测量结果。Anthropic 明确表示，它们不构成公司的预测。

分母的界定并不容易。“构建一个模型所需的工作”可能包括编程、实验、数据工作、评估、基础设施、管理以及研究判断。

一名员工可能将 AI 辅助产出计为 AI 完成的工作。另一名员工则可能将其视为人类借助更好工具完成的工作。

这项调查并未消除这种模糊性。相反，它显示 Anthropic 员工认为 AI 已经对模型开发作出了重要贡献。

即使这些估计最终偏高，这种信念仍会带来战略后果。团队将围绕其对系统下一步能力的预期，设计工作流程、招聘计划和研究项目。

信念可能会在一定程度上自我强化。预期自动化迅速发展的组织会更大力投资智能体，从而获得让更快自动化显得合理的经验。

这并不意味着这种信念就是错误的。它意味着 Anthropic 员工对 AI 的预测，既反映了观察，也反映了机构承诺。

因此，读者应避免得出两个简单结论。第一个是，员工掌握一份秘密而精确的未来地图。

第二个是，他们的观点只是在营销。证据支持一种更有用的解读：员工提供的是知情但高度筛选过的信号。

诺贝尔级科学是一个基准，而非预测捷径

与诺贝尔奖的比较体现了雄心，但科学发现依赖调查未衡量的验证体系。

AI 已经通过蛋白质预测、分子设计、文献综述、编程、模拟和实验规划影响科学研究。这些应用使调查中的科学问题显得合乎情理。

然而，达到诺贝尔奖级别的成果，不只是提出一个新颖答案。研究人员必须证明结果正确、重要、可复现，并且与现有科学记录相衔接。

物理实验往往仍不可或缺。模型可以提出一种分子、机制或定理，但该提议可能无法经受实验室或同行评审的检验。

科学机构对功劳的归属也缓慢且并不均衡。由人类与 AI 团队作出的发现，可能会引发多年关于贡献归属的讨论。

调查询问的是能力，不论企业是否会部署它。这将关注点限定在 AI 能做什么的预期上，却排除了许多现实世界的约束。

获取专有数据、实验室设备、算力和专家评审者的能力，可能决定一项有价值的假设能否成为经验证的发现。

一个模型可能解决复杂的推理问题，却没有改变科学。反过来，一个狭义系统也可能改变一个领域，而并不像一位通用自主科学家。

AlphaFold 展示了这一区别。它解决了长期存在的蛋白质结构预测难题，并成为被广泛使用的研究工具。

它的重要性来自算法、训练数据、人类工程、评估以及科学家采用的结合。该 AI 系统并未脱离这一机构结构而独立运作。

因此，91% 的回答可能代表几种不同的预期。一些员工可能期待自主研究智能体，另一些员工则可能预计 AI 赋能的团队会产出获奖级成果。

这些情景对就业和政策带来的后果不同。自主发现系统会引发有关监督、归属和控制的问题。

高效的研究助手则会更强调获取渠道、培训，以及科学家如何组织工作。它可能增加对实验与解释专业能力的需求。

调查将这些可能性归入一个令人印象深刻的基准之下。这使结果易于传播，却降低了其作为规划工具的精确性。

组织应聚焦于可观察的中间能力。其中包括系统是否能提出可检验的假设、设计有效实验、发现自身错误以及复现结果。

它们还应跟踪独立实验室能否验证 AI 辅助发现。由模型开发商宣布的结果，其分量不及在其他地方被复现的结果。

科学进步与工作场所自动化不应被视为相同趋势。模型可能在受限的研究任务上表现出色，却在日常商业环境中仍不可靠。

反过来也同样可能。AI 可以自动化大量办公室工作，却无法产出一项值得全球认可的标志性科学成就。

Anthropic 的 AI 预期调查通过更广泛的快速能力增长愿景，将这些结果联系在一起。证据仍需分别验证每一条路径。

三个信号将显示哪种预测更接近现实

独立能力测试、AI 实验室之外的工作场所采用情况，以及入门级招聘，将决定内部人士的观点能否普遍成立。

第一个信号是经独立验证的科学产出。一项可信的测试应涉及 AI 系统产出一项新颖结果，并由外部专家复现。

模型开发商的公告仍会是有用线索，但无法解决系统能否可靠地完成发现级工作这一问题。

复现也将澄清人类研究人员的角色。最有力的证据应说明谁提出了问题、设计了测试、解读了结果并纠正了错误。

这很重要，因为诺贝尔级标题将一条漫长的研究链压缩成一个结果。更好的报道应区分 AI 的贡献与机构验证。

第二个信号是普通组织中经测量的采用情况。企业必须证明，智能体能在真实的安全、可靠性和合规约束下带来持续收益。

短暂演示并不足够。证据应跨越数月跟踪产出质量、错误率、监督时间和总运营成本。

最具参考价值的案例将来自技术集中度不如 Anthropic 的行业。医疗行政、金融运营、教育、物流和专业服务值得密切关注。

跨公司研究还将揭示 AI 是否改变协作工作。一项大型工作场所实验发现，电子邮件处理时间有所减少，但会议并未出现相应变化。

这一模式表明，在组织重新设计协调方式之前，个体任务就可能已经发生变化。广泛的经济影响需要两个阶段同时实现。

第三个信号是入门级招聘。Anthropic 的相关工作场所研究显示，初级技术职位在其招聘中所占比例已经下降。

如果同样的转变出现在各类雇主中，AI 工作场所自动化将先于大规模失业影响职业结构。起步岗位减少，会收窄通往高级工作的路径。

关注职位发布、招聘占比、晋升率以及雇主对重判断能力的需求。这些指标能在全国就业数据作出反应前揭示结构性变化。

如果初级招聘下降，同时总产出仍持续增长，将强化 Anthropic 内部人士的预测。若招聘保持稳定，则会削弱前沿实验室经验能够预测更广泛经济的主张。

对于知识工作者而言，实际应对方式并不是接受任一调查群体给出的确切时间表，而是监测工作中的哪些部分正成为可验证的 AI 任务。

随着智能体承担更长周期的任务，记录决策、来源和项目背景将变得更重要。可检索的 AI 知识库可以帮助工作者保留审查这些输出所需的信息。

预期差距将通过证据而非争论缩小。如果独立结果复现 Anthropic 员工的工作场所和科学经验，他们将获得更高可信度。

如果采用因信任、整合或可靠性问题而停滞，公众预测将显得更有说服力。如果先进系统仍需要密集的专家监督，这一预测也会得到支持。

目前，这项调查最明确的启示是：接触会比共识更快地改变信念。Anthropic 员工之所以看到能力快速增长，是因为他们身处一个 AI 密度异常高的组织。

美国成年人看到更多摩擦，是因为他们生活在客户、法律、安全和既有流程仍然重要的机构之中。两种视角都捕捉到了可能转型的一部分。

未来一年的问题很具体：独立科学和普通工作场所的证据，是否会开始像 Anthropic 的内部环境一样，还是仍将远远落后于它？