最近，Anthropic 发布了一份很有意思的内部研究报告。他们把镜头对准了自己，调查了 132 名工程师和研究人员，做了 53 场深度访谈，还分析了 20 万条内部 Claude Code 使用记录。目的很简单：看看 AI 到底是怎么改变他们自己的工作的。
这份报告的价值在于，Anthropic 的员工算是 AI 工具的最早期使用者。他们每天都在用最前沿的模型，积累了大量实战经验。某种程度上，他们今天经历的，可能就是我们明天要面对的。
生产力确实提升了，而且提升得很夸张
先说最直接的数据。一年前，Anthropic 员工在 28%的工作中使用 Claude，自我评估生产力提升了 20%。现在呢？使用比例涨到了 59%，生产力提升达到了 50%。这是一年之内翻了两倍多。
更有意思的是产出量的变化。在几乎所有任务类型上，员工花的时间略微减少，但产出量却大幅增加。这说明什么？AI 带来的生产力提升，主要体现在能做更多事情，而不只是把原来的事情做得更快。（PS：所以，人依然很累，注定是打工牛马）
还有一个数据值得关注：27%的 Claude 辅助工作，是以前根本不会去做的事情。比如搭建一个交互式数据仪表盘，比如重构一段结构混乱但能跑的代码，比如写一些本来会被无限期搁置的文档和测试。
这些被称为「papercut fixes」的小改进，以前因为投入产出比不划算，大家都懒得动。现在有了 AI，修复这些小问题的成本变低了，于是那些长期困扰开发者的小麻烦终于有人管了。
想想我们自己的工作，是不是也有很多类似的「papercut」？那些明知道该做但一直拖着的小事，那些能让工作流程更顺畅但懒得花时间搞的优化。当工具足够趁手的时候，很多以前不值得做的事情，突然就变得值得做了。
每个人都在变得更加全能
报告里有个说法很形象：everyone is becoming more full-stack。
什么意思呢？以前做后端的工程师，遇到前端的活儿会躲着走。现在不用了。一个后端工程师用 Claude 搭了一个复杂的用户界面，设计师看完都惊了：这真是你做的？工程师很诚实地回答：不是我，是 Claude 做的，我只是提需求。
研究人员也是一样。做对齐和安全研究的团队，现在经常用 Claude 来做数据可视化。安全团队则用它来分析不熟悉的代码库。每个团队都在用 AI 来补足自己不擅长的领域。
这种能力边界的扩展带来了一个很实际的好处：反馈循环变快了。以前要做一个东西，可能需要约会议、跨团队协调、等别人排期，整个流程下来几周都算快的。现在呢？几个小时的工作会议，大家坐在一起，边聊边让 AI 生成，实时看效果、实时调整。
对普通人来说，这意味着学习新技能的门槛正在降低。以前想学前端开发，得从 HTML、CSS、JavaScript 一路学上来。现在你可以先用 AI 快速搭出一个能跑的东西，在这个过程中逐渐理解原理。先有成果，再补知识，这个顺序变了。
但有些技能可能正在退化
好消息说完了，说说让人担忧的部分。
很多受访者提到了一个矛盾的现象：能做的事情变多了，但某些底层技能可能在退化。
一位工程师说得很直白：以前遇到一个难搞的 bug，你得自己一行一行读代码，翻文档，查资料。这个过程虽然痛苦，但你在不知不觉中建立起了对整个系统的理解。现在呢？Claude 直接把你带到问题所在，中间那些「无用功」都省掉了。问题是，那些看似无用的探索，其实是学习的一部分。
另一位工程师担心的是更根本的问题：当生产输出变得如此容易和快速，你就越来越难静下心来真正学点什么了。
还有人提到了一个悖论：有效使用 Claude 需要监督能力，而监督能力恰恰来自于那些可能因为过度依赖 AI 而退化的技能。换句话说，你得先会写代码，才能判断 AI 写的代码好不好。但如果你总是让 AI 写，你判断的能力从哪来？
有些工程师开始刻意练习：偶尔遇到一个明知道 Claude 能搞定的问题，也强迫自己手动解决，保持手感。
这对我们的启发是什么？工具可以帮你提速，但学习的过程没法外包。省下来的时间如果不用来思考和理解，省下的其实是自己的成长。Martin Fowler 在最近的访谈里也说过类似的话：vibe coding 适合做原型，但任何需要长期维护的东西，你必须理解它是怎么工作的。
什么时候该用 AI，什么时候该自己来？
受访者们总结出了一些判断标准。
适合交给 AI 的任务通常有这些特点：容易验证结果是否正确；边界清晰、相对独立；对代码质量要求不高；重复性强或者很无聊；用 prompt 描述比自己动手更快。
不适合交给 AI 的任务则相反：需要高层次的战略思考；涉及组织背景和人际关系的决策；需要品味和审美判断的设计工作；以及那些描述起来比自己做还麻烦的任务。
很多人提到了一个信任渐进的过程。刚开始只敢把简单任务交给 AI，随着积累了经验，逐渐愿意让它处理更复杂的事情。有人把这个过程比作使用 Google Maps：一开始只在陌生路线上用，后来在熟悉但不确定的路线上也用，最后连每天的通勤路线都交给导航了。
不过即使信任度提高了，大多数人也只愿意完全委托 0 到 20%的工作给 AI。这里的关键词是「完全委托」，意思是交出去之后完全不用检查。对于高风险的工作，大家还是会仔细审查每一处改动。
用受访者的话说：把 AI 当成一个能力很强但不太靠谱的实习生。它提交的代码，你不能直接合并进主分支，得先仔细看看。
Claude 正在处理越来越复杂的任务
从使用数据来看，六个月前，Claude Code 平均需要每 10 个动作就让人类介入一次。现在呢？可以连续完成 21 个动作才需要人类输入。人类介入的频率下降了 33%。
与此同时，任务复杂度也在上升。六个月前的典型任务是「解决 Python 模块导入错误」，现在的典型任务变成了「实现和优化缓存系统」。
任务类型的分布也变了。实现新功能的占比从 14%涨到了 37%，代码设计和规划的占比从 1%涨到了 10%。这两类任务相对复杂，以前人们不太敢交给 AI，现在越来越敢了。
这个趋势如果持续下去，意味着 AI 能接管的工作边界还会继续扩展。今天需要人类做的判断，明天可能就变成 AI 的常规操作了。
人际协作的方式正在改变
这可能是报告里最微妙的部分。
以前遇到问题，第一反应是问同事。现在呢？第一反应是问 Claude。有人说，他现在问的问题比以前多多了，但 80%到 90%都是问 Claude，只有剩下那些 Claude 搞不定的才会去找同事。
这种变化带来了一些好处。比如不用担心打扰别人，不用等别人有空，不用欠人情。
但也有人觉得失落。有位资深工程师说：让我难过的是，初级员工不像以前那样经常来问我问题了。虽然他们的问题确实得到了更有效的解答，学得也更快，但那种人与人之间的连接少了。
还有人直接说：我喜欢和人一起工作，现在「需要」他们的地方变少了，这让我有点伤感。
传统的师徒关系也受到了冲击。以前新人有问题找老人问，这是传承经验的重要方式。现在 Claude 可以提供很多指导，老人的角色变得没那么不可或缺了。
当然也有人觉得团队协作没什么变化。该开的会还是在开，该讨论的方向还是在讨论。变化的只是执行层面的工作方式，而不是协作的本质。
这提醒我们，技术变革从来不只是效率问题，它会重塑人与人之间的关系。当我们不再「需要」彼此的时候，我们还会选择彼此吗？
关于职业前景，大家心里都没底
谈到未来，受访者的心态很复杂。
有人说：短期内我很乐观，但长期来看，我觉得 AI 最终会做所有事情，让我和很多人变得无关紧要。
还有人说：感觉我每天来上班，就是在努力让自己失业。
大多数人的态度是「很难说」。没人知道几年后自己的工作会变成什么样。
有意思的是，大家对于未来的设想差异很大。有人觉得软件工程会像以前从低级语言到高级语言的转变一样，只是抽象层又提高了一级。有人觉得自己会变成 AI 的管理者，同时管着好几个 Claude 实例。还有人觉得，重点会转向更多的人际沟通和战略决策，让 AI 去处理具体实现。
但不管怎么设想，有一点是共识：保持适应能力比押注某个具体方向更重要。用一位团队负责人的话说：没人知道会发生什么，重要的是保持足够的灵活性。
写在最后
Anthropic 在报告最后也承认，他们的情况比较特殊。他们的员工可以第一时间用到最先进的工具，工作环境相对稳定，而且他们自己就是在推动 AI 变革的人。这些发现未必能直接推广到其他行业。
但正因为他们是最早的使用者，他们今天经历的，很可能预示着更广泛的社会转型。
报告提出的几个问题值得每个人思考：
当生产变得容易，我们怎么保持学习？
当不再「需要」同事，我们怎么维系协作？
当职业边界变得模糊，我们怎么规划未来？
没有标准答案。但至少，我们可以开始想这些问题了。
粤ICP备14082021号
免费POC，
零成本试错
