Anthropic 研究：公众与前沿实验室的 AI 预期差距

Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek, Peter McCrory

主要发现

1. 美国成年人预计未来几年AI能力将快速提升；Anthropic员工预计进展会更快；39%的美国成年人和91%的员工预计到2030年AI将能够做出诺贝尔奖级别的发现。
2. Anthropic员工预计，在AI擅长的任务上，AI带来的生产力提升要大得多。在工作中使用AI的美国成年人中，26%表示一项任务使用AI后耗时缩短至四分之一或更少，而Anthropic员工中这一比例为59%。
3. 当涉及自己的工作时，超过半数的Anthropic员工预计到2030年AI将能够完成他们当前至少80%的工作，而美国劳动者中这一比例仅为5%。
4. 在美国劳动者和Anthropic员工中，那些预计AI将承担自己更多工作的人都预期失业率会更高。尽管对AI未来能力的看法存在差异，但两组人对于AI可能如何改变自己的工作与更广泛失业之间的关联认知非常相似。
   

引言

未来几年AI将如何重塑经济？AI能力正在快速提升，而未来AI模型可能能够构建自己的后继者（递归自我改进），这可能进一步加快进展速度。这种情况何时可能实现、程度如何尚不清楚。预测差异巨大，争论激烈。

关于AI未来对经济影响的分歧，核心根源是什么？主要源于对AI能力提升速度的看法不同？还是反映了对AI能力以多快速度、以何种形式转化为现实应用的看法分歧？哪些关于AI未来路径的观点与快速经济增长相一致？

本报告呈现了关于这些问题的新的调查证据。2026年8月，我们调查了两组人群：一个具有全国代表性的美国成年人样本和Anthropic员工。¹ 问题涵盖AI的能力、其使用范围、节省的时间、自主程度，以及被替代的劳动者在其他职业找到工作的难度等。² Anthropic员工每天都在构建和使用前沿AI。因此，第二项调查展示了最接近这项技术的人如何预判其未来，包括能力和更广泛的经济影响。

我们报告以下主要发现。第一，两组人对AI今天能做什么大体一致，但对未来进展的速度存在分歧。Anthropic员工预计能力提升更快，AI将被更广泛地使用且人类参与更少，任务上节省的时间也大得多。例如，91%的员工预计到2030年AI将能够做出诺贝尔奖级别的发现，而美国成年人中这一比例为39%。

第二，在人们自己的工作方面存在显著差异。平均而言，员工预计到2030年AI将能够完成他们当前75%的工作，而美国劳动者总体这一比例为28%。

第三，两组人似乎以相似的方式思考劳动力市场：那些预计未来AI将承担自己更多工作的人预测失业率会更高。而且，在预期AI自动化自己工作的相同水平上，两组人预测的失业率大致相同。

人们期望AI做什么

能力

我们首先调查了人们对AI能力的预期。我们询问了AI何时能像熟练专业人士一样完成八项任务，从撰写日常邮件到做出诺贝尔奖级别的科学发现。美国成年人和Anthropic员工对AI目前能做什么的看法基本一致，尤其是在更复杂的任务上。两组对任务难度的排序几乎相同（图1，A组）。

两组对未来AI发展路径的看法存在分歧。例如，大约四分之一的美国成年人和Anthropic员工认为，AI如今就能设计、开展并发表科学研究。但到明年，每10名员工中就有9人预期AI能做到这一点，而普通公众中这一比例仅为38%。到2030年，39%的美国成年人预期AI能做出诺贝尔奖级别的发现（C组），而员工中这一比例为91%。或许最显著的差异在于，根据任务不同，19%至40%的美国成年人表示AI永远无法完成某项任务，而员工中这一比例最高仅为2%。

这些观点差异部分反映了AI使用频率的不同。在经常在工作中使用AI的人（约占受访者的五分之一）中，56%预期到2030年AI至少能完成八项指定任务中的七项。这远高于所有美国成年人的比例（41%）和从未使用过AI工具的人的比例（28%），但仍远低于员工的观点（96%）。

采用及其障碍

AI对经济的影响不仅仅取决于原始能力。人们和企业需要实际使用AI，这需要时间和试验。在AI能够完成的工作任务中，美国成年人预期到2030年将有42%由AI完成。Anthropic员工预期未来几年扩散速度明显更快，AI将用于所有可应用任务中的65%。

为了解可能阻碍工作中采用AI的因素，我们让美国成年人从九项障碍中最多选择三项，他们认为这些将是最大的障碍。普通公众预期，人们的偏好和规则，而非技术限制，可能才是阻碍采用的原因（图2）。“客户更愿意与人打交道”是最常被选择的障碍，其次是“数据隐私和安全担忧”、“AI不够可靠”以及“法律、法规或责任”。

值得注意的是，经常在工作中使用AI的美国成年人将数据隐私和安全担忧排在首位（42%认为它是前三大障碍之一，而其余人群为37%），并认为客户偏好与人打交道的重要性略低（37%对42%）。

自主 AI 将发展到何种程度

AI 对劳动力市场的影响，部分取决于 AI 是自主完成复杂任务，还是与人类协作完成。前者往往会取代人类劳动者。反之，当 AI 补充人类能力时，劳动者的生产率会提高。为了了解 Anthropic 员工和普通公众对 2030 年自动化与增强的预期，我们询问了到 2030 年 AI 和人类将如何在从起草邮件到法律合同等各种任务上协同工作。在 Anthropic，绝大多数员工表示，到 2030 年，AI 将要么独自完成任务，要么由一名员工评估其工作成果（图 3）。相比之下，40% 的美国成年人反而预计，大部分工作将由人类自己完成，或仅借助一些 AI 帮助。

节省时间

AI 能在多大程度上提高产出，不仅取决于它能完成哪些任务以及使用范围有多广，还取决于它完成任务的速度快多少、质量好多少。一项仅足以取代劳动者的技术——Acemoglu 和 Restrepo（2019）称之为“平庸”技术——会在 GDP 没有多少增长的情况下取代工作。相比之下，一项能以极小部分成本或极短时间完成任务的技术，则能显著提高 GDP。

为了衡量人们对 AI 带来生产率提升的看法，我们询问普通公众和 Anthropic 员工：对于一项非常适合 AI 完成的任务，使用 AI 需要多长时间，与不使用 AI 相比如何。一项任务若用一半时间完成，就相当于每小时产出翻倍。³

Anthropic 员工报告的预期节省要大得多，85% 的人表示只需一半时间或更少。在工作中使用 AI 的美国成年人中，典型答案是只需一半时间，29% 的人表示任务耗时相同或更长，而员工中只有 5% 这么说。在美国成年人中，工作中使用 AI 的人有 26% 表示任务只需四分之一时间或更少，工作中不使用 AI 的人有 21% 这么说。对于员工，这一比例为 59%（图 4）。

员工可能是在描述他们在工作中的实际体验。正如Anthropic 的就业正在如何变化中进一步讨论的那样，Anthropic 员工在采用智能体工具后，在某些维度上提高了生产率：工程师在采用编码智能体后的一个月内新增代码行数增至三倍，销售代表在采用 AI 智能体后与客户达成了更多交易。法律和招聘等其他业务职能的人均产出也有所上升。

自身工作与岗位

AI 将能完成其自身工作的多少

也许并不意外的是，我们发现公众与 Anthropic 员工在 AI 对自身工作的影响上存在巨大认知差距（图 5）。平均而言，Anthropic 员工表示，到 2030 年 AI 将能完成他们当前工作时间的 75%。美国劳动者（报告有工作的受访者）平均认为这一比例为 28%，且仅有二十分之一的人表示，到 2030 年 AI 能完成其 80% 或更多的工作时间。

在美国劳动者中，预期因职业而异：体力劳动、生产和运输工人预计 AI 能完成 25% 的工作时间，而计算机、工程和科学职业的劳动者则为 33%。对于后者，经常使用 AI 的人仅预期 40%，这一看法更接近美国劳动者平均水平，而非 Anthropic 员工的平均水平（75%）。

自身工作暴露与失业预测

人们预计 AI 能完成自己多少工作，在很大程度上解释了他们对劳动力市场的预期。我们告知受访者当前失业率约为 4.2%，并要求他们预测 2030 年的失业率。图 6 按受访者预计到 2030 年 AI 能完成其自身工作时间的比例分组，并显示各组的平均失业率预测。

预计 AI 能完成自己不到一半工作的美国劳动者，预测失业率为 7% 至 8%。超过一半后，预测值随 AI 暴露工作比例的增加而上升。那些预计 AI 能完成自己 80% 或更多工作的人，平均预期 2030 年失业率为 12.2%，高于大金融危机期间的峰值。在美国劳动者中，受影响工作比例每增加十个百分点，预测失业率就上升 0.4 个百分点。对 AI 的普遍乐观情绪并不能解释这一点。在自身工作暴露固定的情况下，劳动者预期 AI 能掌握的八项任务的比例与预测无关。

尽管他们自己报告的暴露程度要高得多，但 Anthropic 员工中也出现了相同的梯度，其预测与普通人群的预测密切吻合。因此，这两个群体似乎并不持有关于 AI 将如何同时影响自身工作和更广泛劳动力市场的不同理论。他们对 AI 能力有不同的体验，进而有不同的预期。

招聘与再就业

尽管 Anthropic 员工预计 AI 能够完成他们的大部分工作，但他们也预计 Anthropic 会继续招聘。95% 的 Anthropic 员工预计未来 12 个月员工人数将增长，员工预期中位数为增长 66%，27% 的人预计至少翻倍。这些是员工在内部调查中的个人预期，不代表 Anthropic 的计划或其对其员工人数的看法。即便如此，它们表明，至少在一家前沿 AI 实验室，自动化任务和裁减工作岗位是不同的预测。

然而，对于因 AI 而失业的工人能多快找到新工作，Anthropic 员工比美国成年人略为悲观。我们询问，一个在 2030 年因 AI 自动化而失去工作、并且需要转换职业的人，需要多长时间才能找到新工作。⁴ Anthropic 员工的预期中位数为，因 AI 而失业的工人需要 12 个月才能在新职业中找到职位。相比之下，美国成年人的回答中位数在 7-12 个月之间。

对 AI 及其经济影响的预期

将调查回答映射到模型隐含的经济情景

在《变革性 AI 的经济情景》中，我们引入了一个结构化框架，用于评估 AI 能力和扩散的不同未来路径可能如何转化为经济结果的差异。该模型使我们能够将每位受访者在五个维度——能力、扩散、自动化、生产率和劳动力转型摩擦——上的回答转化为模型隐含的经济结果。⁵ 在我们的美国成年人样本和 Anthropic 员工样本中，我们识别出所有回答了与关键模型输入相关全部问题的受访者（3,259 名美国成年人和 1,093 名员工）。然后，我们评估每位受访者的回答所隐含的经济情景，下文重点关注对 2030 年 GDP 增长的影响。

根据该模型，美国成年人回答的中位数隐含 2030 年 GDP 增长 5.4%。员工回答的中位数隐含 GDP 增长到 2030 年加速至 17.1%。每个群体内部都存在显著差异，因此分布广泛重叠（图 7）。附录中的图 A1 显示了每种信念对这一差距的贡献程度。

来自在线情景探索器测验的回答

图 7 还显示了基于该经济模型的交互式情景探索器的网站访客所提供的输入所隐含的经济情景，该探索器于 2026 年 9 月 9 日发布在 www.anthropic.com/institute/econ-scenarios。

该交互式探索器询问的是我们在 2026 年 8 月向美国成年人和 Anthropic 员工提出的问题的简短版本。23,075 名访客在发布后的前 48 小时内完成了调查，他们来自全球 140 多个国家。这些访客选择来到 Anthropic 网站上的一个页面并参加测验，因此他们可能比普通公众更关注 AI。事实上，他们的回答使他们介于美国成年人和 Anthropic 员工之间：访客回答的中位数隐含 12.5% 的增长。

实验室内部

员工对 AI 能力更为乐观的一个原因，可能是他们对开发过程有更深入的了解。Anthropic Institute 最近发布了一份关于递归自我改进（RSI）进展的报告，RSI 是指 AI 系统日益提升自身能力的过程（Favaro 和 Clark，2026）。

为了了解员工自己是否预期这种情况会发生，我们询问了 Anthropic 员工：如今构建一个 2026 年初的前沿模型，有多大比例的工作由 AI 完成，以及他们预期未来这一比例会是多少（图 8）。⁶在接受调查的 Anthropic 员工中，如今的中位数答案是 51%，到 2027 年底为 80%，到 2030 年底为 95%。

对 AI 在 AI 开发中所完成工作比例的估计，在团队内部的差异远大于团队之间的差异。尽管如此，最接近模型构建工作的研究团队员工给出的 AI 当前占比略高：平均为 60%，而其他所有调查受访者为 53%。这与信息发挥了一定作用相符，不过研究人员——由于其工作性质——也可能比其他员工在自己的工作中更多地使用 AI。

与招聘预测一样，这些回答是员工在 2026 年 8 月面向 Anthropic 员工开展的一项内部调查中的个人观点。

结论

美国成年人与 Anthropic 员工对当今 AI 能做什么的看法大体一致。然而，他们在 AI 将以多快速度进步、将被多广泛地使用，以及以节省时间衡量的生产力提升将有多大这些问题上存在分歧。透过 Economic Scenarios for Transformative AI 中的模型视角来看，美国成年人的中位回答所暗示的情景是，美国经济将以超过其典型速度两倍以上的速度增长。而在处于 AI 开发与使用前沿的 Anthropic 员工中，对 AI 进步、采用以及知识工作自动化的预期，则暗示着一种具有变革性且史无前例的经济变化：到 2030 年，GDP 规模大约每四年半翻一番。

那些预期 AI 在未来几年会承担自己更多工作的人，也预期失业率会更高。这一点在美国公众和 Anthropic 员工中都成立；平均而言，Anthropic 员工预期自己工作的自动化速度更快，进而预期失业率更高。我们发现，这种预期上的分歧与 Anthropic 员工和公众之间在未来几年自己有多少工作将被自动化这一问题上的看法差异密切相关。

两个群体对 AI 的日常体验差异很大。大多数 Anthropic 员工已经在与承担其大部分工作的 AI 协同工作，而这样做的美国劳动者却很少。那些已经这样做的人，其预期更接近 Anthropic 员工的预期，这表明随着 AI 使用的普及，公众预期可能会发生转变。它们会转变多少，将取决于 AI 在其他地方承担的工作是否会和在一家前沿实验室中一样多。

建议引用

@techreport{sacher2026expectations,
	author = {Sacher, Szymon and Cotter, Tess and Jones, Charles I. and Korinek, Anton and McCrory, Peter},
	title = {The {AI} Expectations Gap: Public and Frontier Lab Views on {AI}'s Impact on Work},
	institution = {The Anthropic Institute},
	type = {Technical Report},
	year = {2026},
	month = oct,
	url = {https://www.anthropic.com/research/ai-expectations-gap}
}

致谢

Scott Booth、Meredith Callan、Yena Cho、Adam Farina、Ben Fowler、Ryan Heller、Aisling Keenan、Eva Lyubich、Maxim Massenkoff、Matt Mohn（Morning Consult）、Matt Monday（Morning Consult）、Kerry Persen、Sarah Pollack、Santi Ruiz、Monika Tuchowska、Heather Whitney、Nathan Wilmers、Kim Withee、Charles Yang、Jack Clark、Dario Amodei

参考文献

Acemoglu, D. and P. Restrepo (2019). "Automation and New Tasks: How Technology Displaces and Reinstates Labor." Journal of Economic Perspectives 33(2), 3–30.

Favaro, M. and J. Clark (2026). “When AI Builds Itself.” The Anthropic Institute. https://www.anthropic.com/institute/recursive-self-improvement.

Korinek, A., C. I. Jones, S. Sacher, T. Cotter and P. McCrory (2026). "Economic Scenarios for Transformative AI." The Anthropic Institute Working Paper No. 2026-02.

Massenkoff, M., E. Lyubich, S. Sacher, Z. Hitzig, S. Zhang, R. Heller and P. McCrory (2026). “Anthropic Economic Index report: Cadences.” The Anthropic Institute. https://www.anthropic.com/research/economic-index-june-2026-report.

Wilmers, N., R. Catipon, M. Massenkoff and P. McCrory (2026). “How Employment is Changing at Anthropic.” The Anthropic Institute. https://www.anthropic.com/research/employment-at-anthropic.

附录

见此处。