代理工时已达人类的 6 倍，初级技术招聘份额从 27% 跌到 9%

公司一年内规模增长约三倍，但每美元收入的用人比上一代大厂更低：成立五年时，Anthropic 的人均收入是 Meta 与 Google 各自高速增长峰值期的 2–4 倍。

变化从 2026 年 1 月的核心技术团队开始。最依赖 Claude 的团队发现，写代码和查 bug 可以越来越多地交给模型；一位工程师说，某个新模型“一夜之间改变了我们在找什么样的人”。到 4 月，工程与研究团队降低了对低职级技术岗的招聘权重；同月调查中，约三分之一的 ML 经理与五分之一的 SWE 经理表示因 AI 招得更少。

技术部门占全员的比例从 61% 降到 56%，而销售、财务、招聘的扩张更快。一部分是业务自然扩张，另一部分可能是非技术员工开始自己造工具：一位销售代表用三四个小时搭出定制的仪表盘和管道——“这种搭建本来不是我能力范围内的事，尤其是 UI、各种工具和 MCP 的连接。”非技术员工的编程型代理会话，从 2025 年 8 月的每月 2 次升到 2026 年 5 月的 90 次。

初级岗位的招聘帖下降更陡，拐点在 2025 年 12 月。报告对此只做描述性陈述，没有给出因果归因：初级员工的份额在 2025 年初至 2026 年间从 21% 降到 14%，而初级技术招聘的份额从 27% 降到 9%——后者跌得更快，说明缺口集中在入口。

技术团队内部，“不写代码的人”占比在截至 2026 年 4 月的一年里减少近一半：工程师与产品经理的比例约为 17:1 且仍在上升，经理提交的代码数量翻倍。行政职能没有随规模扩张——代理助手、自动审核与工单外包让公司保持“轻文员”，连需要当面配合的行政岗也增长缓慢。一位财务经理搭了采购申请审核代理，理由很直接：“它只是把耗时间的活找出来，好让大家去做别的事。”

变化已经带来再分配：在职满一年的员工，2026 年每月跨部门流动的概率比 2025 年高 50%。一个产品设计团队把“你好，夜猫子”这类产品文案交给代理后，整队转向写 prompt 与 eval。用报告里的话说：写作者换了驱动对象。

报告的方法也值得记住：它把内部人事记录、代理会话遥测、产出指标、员工调查、日历数据与招聘评分卡拼在一起，再用 17 场访谈解释数字背后的意思。这解释了为什么它既能给出精确到月份的比例，又能引用工程师的原话。

报告没有给出的东西同样重要：没有给出“多少岗位会消失”的预测，没有把 Anthropic 的数字外推到全经济，也没有评估代理产出的商业价值——它只看了代码被删除、回滚、跳测试这些可观测的代理指标。

2026 年 3 月，自主代理与交互代理的工时总和首次超过人类工时；到 8 月，仅员工指挥的交互式代理就工作到人类的 6 倍。规模最大的用途是软件：代理车队跑例行测试、维护庞大的基础设施代码、推动大规模代码库翻译。

产出随之上升。每位工程师的代码提交速度是半年前的 5 倍；数据科学家更频繁地让代理把实时指标送进看板；律师处理更多合同，应付账款过更多发票，销售成交更多。

但同期业务在爆发，“卖一个强模型更容易成交”，所以增长不能直接归因于 AI。报告用同人同月对比来控制：跟踪 192 位工程师采用编程代理前后的变化，与 74 位未采用者比较。采用后，新增代码量急剧上升。

为了检验“AI 代码垃圾”，报告比较同一人、同一月、同一目录下由代理写与由人写的提交：在 90 天内被删除、被 bug 修复删除、整次回滚、加 lint 抑制、标“待修”、跳过测试等指标上，两者没有差异。

限制写得很直白：更多代码不等于更好的代码或商业影响；工具采用不是随机的——正准备启动大项目的人更可能先“装备起来”，这会高估效果；而采用者在采用之前，就已经处在更陡的上升通道上。

销售侧的证据同向。代理接管邮件起草与 CRM 集成，一位客户经理说这替掉了约 20% 的旧任务，让他能多接触 30% 的客户。招聘人员用 Claude 做候选人搜寻与申请追踪，把原本“大概要两周”的分析压缩掉，腾出时间去重写面试题、见更多候选人。

描述性结论也一致：越是用 Claude 处理复杂任务的岗位，初级就业增长越慢。报告用自动编码器给 2025 年 10–12 月的代理日志打复杂度分，再按 2026 年 1 月到 7 月的岗位人数增长做对比，散点按岗位人数加权——复杂度越高，初级人数越是零增长或负增长。

交互式多轮会话里，约 80% 的墙钟时间不是在工作，而是在等人输入。用一位工程师的话说，人在“给代理制造瓶颈”。

把每次会话的输出 token 换算成字数，再按人类阅读速度折算：非技术组的交互会话产出的内容，读完要花掉超过半个工作周；技术职能更高，且在过去六个月里继续跃升。文字洪水需要被组织起来。

需求端还在加码。新模型一上线，员工立刻把更难的问题交给它：以自动评分衡量任务难度，高于旧模型 90 分位的任务占比从 10% 升到 13%（约 +30%），并在发布后数周维持高位；简单任务那一端几乎没有变化。

结果就是注意力被切碎。一位工程师把这种体验比作带小孩：每个代理都以同等的紧急程度提出要求。2026 年 4 月的开放题里，27% 的人提到效率提升，20% 的人说自己的角色从“做事”变成了“管理 Claude”。

期望也在被拉高：员工认为到 2030 年 AI 能完成自己 75% 的工作，而其他美国人的同一预期是 28%。对“工作流程是否让你尽可能高效”的认同率，从 2024 年末的 44% 升到 2025 年 11 月的 58%；2026 年 4 月为 75%，但那一次问题删掉了“尽可能”。

一位工程师搭了“代理幕僚长”来分诊请求；另一位给自己的 Claude 团队写了绩效评估；招聘团队做了能自动暴露问题并触发动作的仪表盘；一位律师把注意力从审法律问题转向“给法律建议做 SEO”——写框架，让客户的代理能找到它。

这类元工作占平均员工交互会话的比例，从 2025 年秋的 10% 升到 2026 年春的 22%，其中大部分是代理管理：为多代理运行写规格、让一个代理审另一个的输出、监控管道。人的介入，从某段代码或某篇文稿，上移到让代理能做好这件事的工具。

但信任与问责仍留在人这边。追 bug 常常牵出组织、系统或技术债问题，需要人类召集、决策与治理；中位数员工的会议时间比一年前多 20%，即便技术个人贡献者也多了 16%。从代理那边脱身的休息，往往就是去开个会。

把技术岗与非技术岗放在一起看，共同的位移是“实现”被抽走：写代码、找 bug、记录进展、起草邮件。工程师说自己在变成代理的领导与管理者；非技术员工说自己在做更多战略部分——“那 20% 原本是战略的工作，现在变成了 90% 的活”。但很多非技术岗的核心实现本身就是人际的：一通销售电话、一场面试、就复杂问题做跨部门对齐——这些仍然是人做的。

通信结构同样在变。代理扩散到 Slack 后，出现在近一半的活跃公开频道里；把一个大部门的公开频道画成网络图，橙色（代理）点会迅速长出并占据画面。

代价是可见性压力。如果决定发生在没有记录的会议里，代理就缺上下文；一位员工因为名字还留在一份几个月前的周边文档上，持续收到要 T 恤和马克杯的请求。在 AI 密集的组织里，私下工作变得“不可见、令人困惑、且不被鼓励”。一位研究者把这种默认公开视为整合 AI 的关键：“多数组织不是这样运转的，这是个大转变，因为领导者必须公开为反馈辩护。”要让 AI 拿到上下文，人的工作与决策就必须可观测。

不过通信的底层结构变化不大：代理更多出现在专门的 Claude–人 交互频道里，而不是挤进原有的人类频道；人类线程的回复数量基本不变。代理是叠加，不是替代；它们更像“一个人的团队”，而不是连接许多人的枢纽。

报告用自动编码处理了 2024 年以来数千名入职者的面试评分卡。2024 年，技术岗约 5%、非技术岗约 7% 的评估提到候选人使用 AI 工具的记录；到 2026 年，技术岗三倍、非技术岗四倍。

更深的位移在维度上：技术候选人评价中增幅最大的是自主性与判断力，领域专长的比重下降。一位经理说：“我预期模型会持续参差不齐，所以我要团队能跨领域替换。”非技术岗位则更多强调客户与使命导向，执行技能的讨论减少。

换句话说，被 AI 接管的“执行”在评分卡上贬值，“判断”升值。这也解释了报告开头的那句判断：在 AI 密集的组织里工作，一个决定性特征是不断把自己从这个瓶颈位置上“优化掉”的压力。

招聘者因此面临一个难点：判断力很难在面试里被验证。报告只记录了评分卡措辞的变化，没有给出如何测量自主性的方法；它引用的一位经理用“可跨领域替换”来替代窄领域深度，这实际上是把赌注押在学习速度而不是现有技能上。

报告明确说，Anthropic 既不像“一人公司加代理蜂群”，也不像“AI 当 CEO、人类只递移液管”。它一年内规模增长约三倍，战略与团队决策仍由书面 Slack 辩论和面对面会议推动，代理参与很少。个人贡献者要管一队代理，需要知道的东西和相互依赖，已经更像管理者。

历史类比是报告提出问题的框架：铁路带来了管理型公司，蒸汽机带来了工厂，个人电脑带来了创业公司；能推理、会用工具的 LLM 会带来什么组织？报告没有给答案，只给了一个观察：人仍然在决定，代理在执行与提议。

三项做法值得注意。广泛的股票所有权让员工对转型成功有真实利益；一套按岗位监测需求与产出的早期预警系统，用来标记受冲击的岗位；以及优先内部再配置，而不是每出现一个新任务就回到外部劳动力市场——报告指出，AI 越快，靠外部招聘补位就越是瓶颈。

代价同样真实。优先安置在职者，可能让企业更不愿冒险招新人，在竞争激烈的市场里成本很高。但优先再配置也迫使公司去找 AI 能创造新任务的地方，而不是把 AI 塞进“勉强比人便宜”的替代里。

边界必须说清：这些做法都不直接解决初级招聘放缓，在职者保护也不惠及一开始就没被雇用的人。企业行动无法替代政府在再培训与收入支持上的前瞻政策。

这四条限制不是读者的猜测，而是报告自己写下的：它一边展示前沿公司如何重组工作，一边提醒读者，这里的数据、条件与制度前提都不可直接外推。