Anthropic 研究：AI 如何改变其雇佣结构与工作方式

Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory

在 Anthropic，AI 如何重构了工作与就业？作为处于 AI 应用前沿的公司，Anthropic 可能是 AI 将如何改变整个经济中的工作组织、招聘和劳动力需求的一个领先指标。

主要发现

• Anthropic 招聘的初级技术岗位占比一直在缩小。这一现象发生的同时，AI 智能体相对于员工的工作时长迅速扩大。到 8 月，交互式 AI 智能体的工作时长以 6 比 1 超过员工。
• 随着 AI 智能体在公司内扩散，Anthropic 开始实现人均产出更多代码、每位销售代表完成更多销售、处理更多合同。对同一员工进行长期追踪，随着他们采用新的 AI 工具，产出随之上升。
• 这种加速使人类注意力成为智能体产出的瓶颈。即使在非技术员工中，阅读其 Claude 智能体的全部输出也会占用他们半个工作周。作为应对，员工转向“元工作”，即构建可见性工具和监控智能体流水线。
• 工作组织的变化反映在招聘经理不断变化的优先事项上，他们越来越强调自主性和判断力，而非技术领域专业知识和执行能力。

引言

在日益强大的 AI 之下，我们可以预期工作与就业发生怎样的转变？Anthropic 值得研究，因为它已围绕 AI 彻底重塑了自身的工作流程。智能体在 Slack 聊天中穿梭并安排会议。它们自主修复漏洞，并集体攻克庞大的工程项目。智能体的工作时长以 6 比 1 超过人类。Anthropic 当下正在发生的变化，为未来工作与就业的可能图景提供了超前信号。

本报告基于 Anthropic 全面的内部数据，涵盖就业、AI 使用、产出指标、员工调查、内部沟通模式、员工日历数据和招聘决策记录。报告结合 17 次员工访谈，为这些定量数据提供背景。

我们发现，即使公司不断壮大，初级技术岗位的相对招聘已经放缓。工程师和非技术员工的生产力都大幅跃升，且在他们采用编码智能体时跃升尤为明显。招聘经理越来越强调应聘者的自主性和判断力，而非具体的技术专长。在 AI 密集型组织中工作的一个决定性特征，是持续面临精简自身、摆脱这一瓶颈位置的压力。一位工程师将工作描述为面对“一支 Claude 大军，每一个都在要求我的关注”。Anthropic 的员工依然保持批判性。但他们贡献的性质已经改变。

Anthropic 对这些变化的应对是建立了一套早期预警系统，以追踪面临被颠覆风险的岗位，并且随着岗位演变，公司将内部调配置于优先位置。这些在 AI 发展和职场变革双重前沿采取的举措，表明具体的组织承诺如何塑造 AI 对就业的影响。但它们也提出了难题：这些承诺究竟应该是什么。

前沿的劳动力需求

Anthropic 扩张迅速。但相比上一代大型科技公司，它每美元收入对应的招聘人数更少。在成立五年之际，Anthropic 的人均收入是 Meta 和 Google 各自快速增长巅峰时期的 2 至 4 倍。¹

缺少了哪些岗位？在 Anthropic 内部，关于初级技术员工需求下降的讨论于 2026 年 1 月出现在核心技术职能部门。那些在自己工作中最依赖 Claude 的团队发现，编写代码和查找漏洞可以越来越多地交给 Claude 处理。新推出的更强模型加速了这一认知：“让人惊讶的是性能工程师的提升尤为明显，这几乎在一夜之间改变了我们招聘的目标。”

到 4 月，工程和研究团队已不再重视低职级技术岗位的招聘。同月进行的调查中，大多数管理者表示由于 AI 而转向招聘另一套技能。约三分之一的机器学习管理者和五分之一的软件工程管理者报告称，因 AI 而减少了招聘。

就业份额的变化令人瞩目。图 1 显示，自 2025 年初以来，Anthropic 技术部门中初级员工的比例从 21% 降至 14%。初级技术岗位的招聘比例下降得更快，从 27% 降至 9%。自 2025 年 12 月以来，面向初级人员的职位发布尤其急剧减少。

与此同时，Anthropic 内部技术部门的整体就业份额在过去一年中从 61% 降至 56%。随着公司扩张，技术招聘的绝对数量持续增长，但销售、财务和招聘方面的大量招聘已超过其增速。这一转变部分源于公司规模扩大时业务职能的自然扩张。部分可能反映出编码工具日益让非技术员工也能自己开发软件。例如，一位销售代表设计了一个为其工作量身定制的仪表盘和流程管道：“这样的构建原本超出了我的能力范围，尤其是 UI、连接所有工具、MCP 这些。但我大概用了三四个小时就做出来了，就是不断迭代。”面向非技术员工（定义为基线时没有代码提交记录的人，不含新员工）的以编码为重点的 AI 代理会话从 2025 年 8 月的每月 2 次跃升至 2026 年 5 月的 90 次。

然而，这种招聘构成的变化不仅仅是自动化编码使其扩散到其他领域专家的故事。在技术部门内部，不积极编码的员工（定义为在过去 30 天内没有代码提交记录的人）比例在截至 2026 年 4 月的一年中下降了近一半。部分原因是非工程师比例缩小：例如，工程师与产品经理的比例约为 17 比 1，且自 2025 年以来有所上升。管理者的提交次数也翻了一番。技术团队内的监督和协调角色越来越多地涉及构建和交付代码。

非技术招聘没有加速的一个领域是通常随公司规模扩大的行政职能。代理助手、自动化审核和工单服务外包的结合，使 Anthropic 在快速扩张的同时保持了精简的文书工作。一位财务经理构建了一个采购申请审核代理，并向同事解释：“它只是试图找出那些耗费大量时间的事情，这样他们就能专注于其他事情。”

即使是与人际互动紧密相关的文书工作，增长也很缓慢。一位行政助理为日程安排和邮件分类构建了一个个人助理智能体，他解释道：“我认为我们已经越过了 Claude 增强并取代真正入门级行政类角色的阶段”，转而将工作重心放在更高阶的“幕僚长”任务上。

这些变化已经涉及重新分配：在 2026 年，在公司工作至少一年的员工每月跨部门流动的可能性比 2025 年高出 50%。整个团队也随着将工作移交给智能体而被重新分配。以某个产品设计团队为例，他们曾撰写诸如 Claude.ai 上的问候语之类的内容：“你好，夜猫子；”“咖啡和 Claude 时间？”2026 年春季，该团队开发了一个上下文图谱，有效地引导智能体撰写引人入胜的产品内容。其经理解释说，这“让团队得以扩展”，但也引发了人类写作者还剩下什么工作的问题。随后该团队转向智能体提示工程，开始为 Claude 编写模型评估和提示词。“曾经用语言驱动人类行为的写作者，如今正用它来驱动 Claude 的行为。”

AI 是否正在推动 Anthropic 的生产力提升？

这些转变可归因于 AI 吗？在 Anthropic，人类只是不断壮大的 AI 智能体大军之上薄薄的一层。根据智能体会话遥测数据，2026 年 3 月，自主智能体和交互式智能体的工作时长总和首次超过了人类工作时长。部分原因是成群的智能体在进行工业规模的软件工程，填补无数常规测试和检查，对不断增长的基础设施代码进行维护，并推动协同行动来翻译庞大的代码库。但即便只看单个员工部署的智能体，如图 2 所示，到 8 月时，这些智能体的工作时长已是其人类操作者的 6 倍。

Anthropic 是一家软件生产商，流经这些智能体的绝大部分 token 都用于生产软件代码。仪表盘监控着遍布全公司运行的智能体集群。但个人助理智能体也会监控员工的日历和消息，安排日程，发送从收到的消息中累积的待办事项列表，并自动向员工简报即将召开的会议涉及的人员和目的。Token 正触及越来越多类型的日常工作。

所有这些 token 加起来意味着什么？图 3 绘制了一系列具有可衡量产出的职能随时间变化的产出。与先前调查 Anthropic 工程师以及描述模型训练与研究自动化的报告一致，每位工程师的代码提交量增长最快，达到 6 个月前的 5 倍速度。数据科学家也更多地查询 Anthropic 日益增长的海量数据，让 Claude 智能体将实时指标送到仪表盘和决策者手中。但图 3 显示，随着编码智能体的扩散，即使是非技术员工也看到产出上升：律师处理了更多合同；应付账款部门处理了更多发票；销售人员达成了更多交易。

但这一切都是因为使用了 Claude 吗？在同一时期，公司经历了爆炸式的业务增长。当你销售一个强大的模型时，达成交易更容易。为了评估 AI 的独立效应，我们比较了采用智能体编码工具的员工与尚未采用这些工具的员工之间的产出。这让我们能够比较在同一个月内在公司工作、因而处于相似业务环境、但使用不同工具应对的员工。但请注意，工具采用并非随机：例如，如果正处于推动某个重大新项目边缘的员工决定为此配备工具，这会使我们的估计产生偏差。

我们跟踪了 192 名工程师随时间推移采用编码智能体的过程，并与在研究期间未采用智能体的 74 名工程师进行比较。图 4 显示，在采用后的几个月里，工程师添加的代码量急剧上升。更多代码并不一定意味着更好的代码或业务影响。为了检验 AI 代码垃圾，我们研究了在 Anthropic 所做的代码提交。我们比较同一员工、同一月份、同一编码目录下，由编码智能体而非人类员工直接编写的代码提交。代码质量有许多维度，AI 错误可能比人类错误更难识别。但我们发现，随后被删除或回退的代码行比例没有差异。

图 4 还考察了工程师采用其第一个完全自主智能体之后发生的情况。与未采用者相比，采用者本已处于陡峭的上升轨迹。这表明，转向完全自主智能体的员工本就已经在提升自己的产出。

这些模式是否超越了编程，延伸到更广泛的知识工作变革？Anthropic 的销售代表从去年九月开始逐步采用 AI 智能体。图 4 显示，销售代表采用智能体后，他们与更多客户达成交易。这一模式的部分原因可能是拥有更多销售机会的代表选择了自动化。但它也可能反映了日志记录和日常沟通的自动化。一位客户主管解释说，Claude 自动化处理了邮件起草和客户管理软件集成，取代了其先前约 20% 的工作任务。另一位指出，类似的自动化让他们腾出时间专注于面对面交流，使他们能够接触的客户比之前多了 30%：“每当你第二次做某件事时，你就会想，好吧，我怎样才能用 Claude 让它不必再做第三次？”

在销售之外，一位 Anthropic 律师构建了一系列 Claude 自动化，用于扫描风险与机会、分诊法律问题，并对面向公众的文案进行法律审查的初步审阅。一位招聘人员使用 Claude 协助候选人寻源、跟踪申请，以及一项原本需要“大概几周”的分析，从而腾出时间重新设计过时的面试问题，并会见更多申请人。

所有这些都表明，随着 AI 能力的提升，它影响着 Anthropic 内部广泛的工作岗位。从描述性角度看，我们发现，在使用 Claude 处理最复杂任务的工作中，初级岗位就业正在放缓（图 5）。

瓶颈与流程：AI 密集型工作场所中的新任务与旧任务

AI 的高采用率重塑的不仅是就业和生产力。它还推动工作流程持续变化，产生新任务，并改变员工对工作场所的看法。一位员工将其描述为“Anthropic 内部永不停歇的压力，要求尽可能快地推进，并且一切都要用 Claude”，另一位则表示“我们期望一周完成的事情，在其他地方要花三个月。”一项内部员工调查询问 Anthropic 的工作流程是否让受访者尽可能高效：2024 年底有 44% 的员工同意；到 2025 年 11 月为 58%（2026 年 4 月，75% 的人回答是，但该问题因删去“尽可能”而被削弱）。截至八月，Anthropic 的员工预计，到 2030 年 AI 将能够完成他们 75% 的工作，而其他美国人的这一比例为 28%。

这些不断攀升的生产力预期，因内部模型发布的节奏而更加戏剧化。一旦新模型可用，Anthropic 员工便开始在交互式编程智能体会话中处理更难的问题。我们通过一个自动化的 Claude 评分器来衡量这一点，它根据深度、范围和涉及的系统数量，对去标识化会话的任务需求进行评分。难度超过旧模型第 90 百分位的任务占比急剧上升约 30%（从所有任务的 10% 升至 13%），并在模型发布后的数周内保持高位。交给智能体的简单任务则变化不大。

不断攀升的智能体生产力转化为投放到人类屏幕和注意力上的产出。一位工程师将此比作照看孩子：

他们就像在说，我需要人帮我打开果汁盒，而且打开果汁盒是件紧急的事。说这话时带着的关切程度，和那个割破手指正在流血的人一模一样。[……] 当你照看孩子时，每个孩子都带着自己的诉求来找你，要求你给予同等的关注，各种[Claude]也是如此。

在2026年4月的调查中，一个关于AI如何影响日常工作的开放式问题里，27%的人描述了Claude工具带来的生产力提升，20%的人描述了自己的角色从实际做事转变为管理Claude。

在这种由模型驱动的加速中，人类的注意力始终是瓶颈。在交互式、多轮会话中，智能体会话时间的绝大部分根本不是花在工作上，而是花在等待上。我们通过从每个交互式会话的总挂钟时间中减去每个智能体的实际工作时间来追踪空闲时间。Claude会话中约有80%的时间是在空闲等待人类输入。正如一位工程师所说，人们在“给智能体制造瓶颈”。

究竟需要多少时间才能读完Claude在交互式会话中的所有输出？对于每个交互式会话，我们将该会话的智能体输出token转换为字数，假设按人类平均阅读速度计算。图6显示，技术职能的编码智能体输出量在过去6个月里大幅跃升。但即便对于非技术团队，交互式Claude会话输出的内容也足以占据半个工作周以上。Claude文本的洪流需要加以组织。

应对这一洪流的一个办法是提高自动化程度。但这需要另一种工作。为智能体编写的常设指令从2025年7月的几百条增长到一年后的8,500条。一位工程师设立了一个智能体幕僚长来分诊智能体的请求。另一位为自己的Claude团队写了一份绩效评估：“嘿，我们来谈谈我们的沟通方式哪些行得通、哪些行不通。”招聘人员搭建了集成仪表盘，让智能体发现问题并发起行动。一位律师将自己的注意力从审查法律问题转向做“法律建议的SEO，你需要编写框架，让[客户]的智能体能够发现。”

图7显示，这类元工作从2025年秋季占普通员工交互式Claude会话的10%跃升至2026年春季的22%。这一增长很大程度上具体归因于智能体管理：为多智能体运行编写规格、让一个智能体循环审查另一个智能体的输出，以及监控流水线。在各职能中，人类的参与越来越从某段具体的代码或文字中抽离出来，转向让智能体有效完成任务的必要工具。

尽管智能体的可靠性有所提升，并且在监督它们的工具上投入了大量资源，但人类的信任与问责仍然至关重要。一名员工解释说，追查漏洞越来越多地“会揭示出那些组织性、系统性或技术债务方面的问题，而这些问题实际上需要一定量的人类召集、决策和治理才能解决。”在一次又一次的访谈中，员工们都将面对面协调描述为不可或缺。根据日历数据，员工花在会议上的时间中位数比一年前多了20%。这在一定程度上反映了公司的增长，以及向会议密集型的非技术岗位的转变。但即便是在技术类个人贡献者岗位的员工中，会议时间在过去一年也增加了16%。宏观层面的战略问题涉及广泛的杠杆性职位，通常需要与他人辩论和互动。从管理智能体中抽身休息一下，通常看起来就像是跳进一场会议。

总体而言，技术类和非技术类岗位都出现了工作中执行部分被自动化的情况（编写代码、识别漏洞、记录进展、起草邮件）。工程师们描述自己正在成为智能体的领导者和管理者；非技术类员工则描述自己越来越多地承担工作中的战略性部分：“那20%的战略性工作变成了工作的90%。”但对许多非技术类岗位来说，核心执行工作也是人际性的：一次销售电话、一场面试、围绕复杂问题的跨职能对齐。所有这些仍然需要由人来完成。

再想想那些既构成 Anthropic 沟通的“头版”又构成其“后渠道”的 Slack 频道。智能体在 Slack 中扩散，最终出现在近一半的活跃公开频道中。图8聚焦于一个大型部门的沟通网络，依据该部门成员互动过的所有公开 Slack 频道绘制。它根据是否参与过某个 Slack 线程，将人类和智能体参与者连接起来。该图显示了智能体的显著崛起，橙色圆点不断涌现并主导了整个网络。

智能体不成比例地出现在 Claude 与人类互动的专用频道中，而不是在既有的人类频道中大量发消息。人类沟通的底层结构和密度几乎没有变化。智能体并未取代人类互动，而是对其加以补充：该部门的人类线程维持了相同数量的人类回复，同时还叠加了智能体回复。智能体成为单个员工的团队，而不是同时与许多员工高度连接的节点。

随着人类在日益庞大的 AI 智能体队伍中工作，他们面临着将人类工作转移到智能体可见渠道的压力。如果一项决策是在面对面会议中做出的，且没有出现任何笔记或汇报，智能体就会缺失更新其目标和假设所需的关键上下文。一名员工解释说，自己的名字出现在一份关于 Claude 周边商品的数月之久的文档上，导致智能体不断带来 T 恤和马克杯的请求，而那时他们的职责早已改变。在未记录的会议和私信中的私人工作，在 AI 密集的工作场所中是不可见的、令人困惑的，也是不被鼓励的。一位研究人员将这种默认的开放性描述为 Anthropic 彻底整合 AI 的关键：“大多数组织并不是那样运作的，我认为这是一个巨大的转变，因为领导者必须在公开场合为反馈辩护。”为 AI 提供上下文的需求要求人类工作和决策具有可观测性。

在这样的工作场所中，谁将蓬勃发展？Anthropic 工作内容的变化也体现为招聘经理在招聘决策中优先考虑的技能的转变。我们使用自动编码器处理了自 2024 年以来在 Anthropic 聘用的数千名员工的招聘经理面试评分卡。这些评论是面试官评估候选人表现的定性反应。最明显的变化是更加重视候选人是否展示了创造性地使用 AI 工具。2024 年，招聘经理在技术岗位约 5% 的评估中、非技术岗位 7% 的评估中提到了候选人在 AI 工具方面的过往记录。到 2026 年，这些比例在技术岗位增加了两倍，在非技术岗位增加了三倍。招聘经理越来越关注候选人是否能有效使用 AI。

评估中更深层的变化也可见一斑。在技术候选人的面试中，增幅最大的是对申请人自主性和判断力的评论。对领域专业知识的讨论在整体评估中的占比下降。正如一位经理解释的那样：“我预计模型会继续参差不齐，所以对我的团队来说，我希望他们能跨领域通用。”同样，对于非技术候选人，客户和使命导向有所增加，而对执行技能的讨论则下降了。招聘经理越来越多地根据申请人的判断力和投入程度来评估他们，而不是根据被 AI 工具自动化的领域特定技能和执行能力。

雇主可以做什么

Anthropic 对 AI 的深度采用使其成为一个有用的案例。随着 AI 的扩散和改进，工作的组织方式可能会像以往的技术变革浪潮中那样发生转变。铁路带来了管理型公司，蒸汽动力催生了工厂，个人电脑造就了初创企业。使用工具、具备推理能力的 LLM 将需要什么样的新组织，我们在其中又将扮演什么角色？一种可能是单人初创企业，每位人类创始人指挥一群智能体，赚取数十亿美元的收入。另一种是由 AI 天才 CEO 建立的公司，只雇用人类智能体来操作移液管和在国会作证。

Anthropic 与这两种情况都不相同。它在过去一年里规模扩大了两倍。它不再是一家小型初创公司。它也没有将高管控制权让渡给其模型。书面的 Slack 辩论和面对面的会议主导着从公司战略到团队决策的一切，而 AI 智能体的参与很少。让人类的工作在整个公司内保持可见，确保自主智能体能够基于最新的上下文进行推理。协调智能体团队的个体贡献者，就其所需的知识和工作中相互依赖的关系而言，看起来更像管理者。在 AI 密集型组织中，公开工作和决策至关重要。

随着员工越来越多地将自己的工作视为管理 Claude 团队，他们花更多时间构建在自己独特领域中有效完成这一工作所需的工具。这种实验意味着员工不断将自己的任务自动化掉。在某些角色中，他们越来越远离最初培养其技能的对象级工作。当智能体快速完成工作流时，人类的注意力和判断力成为系统所对抗的瓶颈。从销售到法务，人类员工被期望完成更多且不同的任务。角色范围扩大，包括构建产品、管理智能体，以及处理仍超出最佳 LLM 范围的战略性和人际性工作。

工作和组织内容的这些变化，伴随着初级技术岗位在员工人数、招聘和职位发布中所占比例的下降。招聘经理越来越关注申请人的自主性和判断力，而非执行力和狭窄的专业知识。总体而言，Anthropic 的收入增长相对于其员工增长的速度，甚至超过了上一代科技公司早期快速的生产力增长。

将这些模式推演到整个经济中，表明 AI 的扩散可能带来工人被取代的风险。先前的研究还发现，AI 原生初创公司和AI 采用者的组织结构更扁平，雇用的入门级员工更少。我们能从 Anthropic 学到什么，以应对 AI 剧变，同时服务于周围工作的人类？

在此我们想谨慎行事。Anthropic 的雇佣实践中有许多部分无法在整个经济中复制。

但有三项特征尤为突出。第一，广泛的股权让员工对公司的成功抱有强烈的利益关切。当然，对于一家估值大幅增长的公司来说，这是一种容易采取的立场。对许多公司而言，共享所有权可能并不充分，或者并不合意。但很难想象有一种支持工人的 AI 应用方式，其中工人却不在成功落地中持有财务利益。如果像受访者所说，个人贡献者被期望“管理智能体”、“做出 VP 级别的决策”并“成为自己的业务线”，那么将他们的利益与组织对齐就至关重要。二战后于 1950 年代形成的工会与管理层和解，正是建立在这样一种交易之上：美国汽车工人联合会和美国钢铁工人联合会等工会允许管理层在工作重组（甚至工作强化）上拥有特权，以换取与生产率增长挂钩的加薪和丰厚的一揽子福利。无论受 AI 影响的员工与其雇主之间达成何种新协议，一种分享应用收益的机制都是必不可少的。在 Anthropic，工人们将自己的专业知识编码给机器，看着自己的工作惯例不断被搅动和打乱，并且目睹自己工作的很大一部分变成了快速阅读 AI 协作者的输出。他们做这些并非无偿。

第二，Anthropic 正在建立一个持续运行的早期预警系统，以监测面临 AI 驱动转型的岗位。一系列关于需求和生产率的分岗位指标会对照 AI 能力和使用情况进行解读。这些汇总指标有助于标记工作正在发生转移的地方。早期预警系统使公司能够开始将受影响的员工重新分配到技能匹配、可能风险不那么紧迫的岗位上。随着整个经济中的公司转向加速的工作重组节奏，指导内部员工重新分配的有效系统将变得越来越有价值。随着 AI 进步加快，转向外部劳动力市场来满足 AI 进步所要求的每一项新任务，将成为一个更强的瓶颈。在这份报告中，我们发现了部门之间流动性的增加、工作内容的变化，以及员工在旧任务被自动化后转向新任务。构建能够在内部灵活重新分配工人的系统，对 AI 密集型组织至关重要。

这种对内部工人重新分配的承诺带来了重要的权衡。一个运转良好的劳动力市场应当将工人转移到他们生产率最高的岗位，无论那是他们当前的雇主还是另一家雇主。对重新分配现有员工的承诺，可能会让雇主对冒险招聘新员工犹豫不决。在正常经济条件下，尤其是在竞争激烈的条件下，此类承诺可能代价高昂。

但优先考虑重新分配，会迫使采用 AI 的公司思考 AI 如何为新产品的和新市场创造新任务，而不是将 AI 应用导入替代人类工人以节省劳动力成本。这可以帮助雇主抵制“平庸”或“低效”自动化的诱惑——在这种自动化中，AI 或其他技术只是勉强胜过人类工人：雇主替换了人类工人，给被取代的工人造成了收入损失这一巨大社会成本，却只带来极小的生产率收益。

从我们在 Anthropic 看到的情况来看，新颖且长期属于人类的任务，与 AI 的密集使用并存。未来这些任务集合的不确定性，应当促使我们保留一支灵活的劳动力队伍。正如一位 Anthropic 高管所言：“一支焦虑不安的劳动力队伍，不是一支能发挥最佳水平的劳动力队伍。”

这些行动都无法阻止强大的 AI 冲击就业。事实上，它们也都没有直接解决本报告所记录的初级岗位招聘放缓问题。对在职者的就业保护不会惠及那些从一开始就未被录用的人。雇主的私人行动必须与政府在再培训和收入支持方面的有远见政策相辅相成。此类政策应以对 AI 可能带来的职场变革规模的清晰认识为指导。

建议引用格式

@techreport{wilmers2026employment,

author = {Nathan Wilmers and Regina Catipon and Maxim Massenkoff and Peter McCrory},

title = {How employment is changing at Anthropic},

institution = {The Anthropic Institute},

type = {Technical Report},

year = {2026},

month = oct,

url = {https://www.anthropic.com/research/employment-at-anthropic}

}

致谢

我们感谢那些抽出时间接受采访、谈论其工作如何变化的 Anthropic 员工。对于非常有帮助的评论和协助，我们感谢 Kate Astbury、Shehzad Bashir、Zoe Blumenfeld、Scott Booth、Henry Brill、Yena Cho、Henry de Valence、Adam Farina、Johannes Hermle、Zoe Hitzig、、Hasnain Lakhani、Eva Lyubich、Kerry Persen、Kristina Pham、Sarah Pollack、Hannah Pritchett、Georg Rilinger、Santi Ruiz、Szymon Sacher、Florian Scholz、Meg Tong、Monika Tuchowska、Helen Wang、Kim Withee、Charles Yang 和 Jack Clark。

参考文献

Acemoglu, Daron, and Pascual Restrepo. 2019. “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives 33 (2): 3–30. https://doi.org/10.1257/jep.33.2.3

Beraja, Martin, and Nathan Zorzi. 2025. “Inefficient Automation.” Review of Economic Studies 92 (1): 69–96. https://academic.oup.com/restud/article-abstract/92/1/69/7612958

Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026. “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools.” NBER Working Paper 35275. https://doi.org/10.3386/w35275

Ewens, Michael, and Xavier Giroud. 2025. “Corporate Hierarchy.” NBER Working Paper 34162. https://doi.org/10.3386/w34162

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

Hitzig, Zoe, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, and Peter McCrory. 2026. “Agentic Coding and Persistent Returns to Expertise.” Anthropic, June 16. https://www.anthropic.com/research/claude-code-expertise

Hosseini Maasoum, Seyed Mahdi, and Guy Lichtinger. 2025. “Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data.” SSRN Working Paper 5425555. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555

Huang, Saffron, Bryan Seethor, Esin Durmus, Kunal Handa, Miles McCain, Michael Stern, and Deep Ganguli. 2025. “How AI Is Transforming Work at Anthropic.” Anthropic, December 2. https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

Kim, Hyunjin, and Rembrand Koning. 2026. “AI-Native Firms.” Harvard Business School Working Paper 26-090. https://www.hbs.edu/ris/Publication%20Files/26-090_96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdf

Roodman, David, and Maxim Massenkoff. 2026. “An Evidence Review of Subsidized Job Training.” The Anthropic Institute Working Paper 2026-01. https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs