Anthropic 2026 年 10 月發布的內部工作研究,並列兩個值得追問的變化:junior 技術職新聘占比一年多來從 27% 降到 9%,員工指派的互動式 Agent 到 8 月則記錄了相當於人類操作者六倍的 runtime。前者關係到誰還有機會進入技術團隊,後者提醒我們,Agent 做得更多不代表人類工作就等比例變少;人也要分流、檢查並決定下一步。
這份報告的價值,是讓我們看到一家高度使用自家 AI 的公司如何改變招聘、任務與監督方式。它不是外部審計,也不能證明 Claude 導致了聘用比例變化,更不能直接預測其他企業或整體勞動市場。讀數字時,必須先看分母,再看它真正量到什麼。
先變的是聘用組成,不是技術人力消失
Anthropic 的技術部門裡,junior-level 員工占比從 2025 年初的 21% 降到報告觀察期間的 14%;在技術職新聘者中,junior 的占比更從 27% 降到 9%。這兩組分母不同:前者是技術部門現有人員,後者是新聘技術職。它們都描述組成比例,不能解讀成 junior 人數減少了相同比例。
報告也指出,同期 Anthropic 持續擴張,技術職的絕對聘用仍增加;技術部門占全公司員工的比例則從 61% 降到 56%,因為銷售、財務與招募等職能成長更快。公司擴張時的職能組合改變,和 AI 自動化可能有關,但兩者不能混為一個原因。管理者回報部分核心工程與研究團隊開始減少較低職級的聘用,約三分之一 ML 主管與五分之一軟體工程主管表示因 AI 而少聘;這是主管調查與公司招聘紀錄的觀察,不是對外部雇主的抽樣。
這個訊號和 Anthropic 以實際使用資料衡量勞動市場曝光度的研究回答不同問題。那篇看美國職業任務與勞動市場資料;這份新報告則走進單一公司的內部,觀察職缺、員工、Agent 使用與工作內容如何同時變動。
六倍 runtime 是 Agent 工時,不是六倍產能
Anthropic 根據 Agent session telemetry 計算,2026 年 3 月所有自主與互動式 Agent 的總工作時數首次超過人類工時;若只看員工指派的互動式 sessions,8 月 Agent runtime 約為操作者人類工時的六倍。這個「工作時數」包含推論與實際工具操作,排除超過 30 分鐘的等待,並把子 Agent 一併計入;人類基準則以員工人數乘上每週 40 小時估算。因此它衡量的是執行時間規模,不是等量的人類工時,也不是六倍產出或價值。
人類注意力反而成了另一個限制。報告估計,在多輪互動式 sessions 中,約 80% 的 session wall-clock 時間是在等待人類輸入;這表示 Agent runtime 擴張的同時,許多任務仍停在交接點。研究再將輸出 tokens 轉成單字數,以每 token 0.75 個英文單字、每分鐘閱讀 250 個英文單字的假設估算:即使非技術職能,要把互動式 Agent 的所有輸出讀完,也可能超過半個工作週。這是閱讀量換算,不代表員工實際逐字讀完,也不等於每段輸出都需要同等審查。
這種變化也出現在工作本身。Anthropic 將撰寫多 Agent 規格、讓一個 Agent 檢查另一個、監控工作流程等任務稱為「meta-work」。報告估計,這類工作占平均每位員工互動式 sessions 的比例,從 2025 年秋季約 10% 升至 2026 年春季的 22%。這個比例來自自動分類約 2,000 則一行 session 摘要,分類結果是工作內容的近似值,不是對員工工時的直接計時。四月的開放式員工問卷中,27% 的回覆提到 Claude 帶來生產力提升,20% 提到職務從親自執行轉向管理 Claude;這反映員工描述的經驗,也不是全公司的客觀產能統計。
產出增加的證據,仍受採用選擇影響
Anthropic 以 192 位採用 coding agents 的工程師,對照研究期間未採用的 74 位工程師,追蹤個人程式碼新增量。作者使用個人與月份固定效果比較採用前後,並指出採用後新增程式碼上升。不過,採用不是隨機分派:即將推動大型專案的人可能更有動機先用工具;全自動 Agent 的早期採用者在採用前也已呈現較快的產出上升。因此,這項分析比單純比較使用者和非使用者更細緻,仍不能單獨證明工具造成全部變化。
品質也只檢查了部分可觀察代理指標。研究比較同一員工、同一月份、同一程式目錄中由 Agent 與人直接撰寫的程式碼,沒有發現後續刪除或 revert 等指標的差異。這不等於程式碼品質全面相同:可讀性、維護成本、隱藏錯誤、架構決策與長期商業影響都不會由這些代理指標完整捕捉。報告本身也明確提醒,新增更多程式碼不等於更好的程式碼或更大的商業價值。
跨職能的輸出指標也要同樣小心:報告記錄律師處理更多合約、應付帳款處理更多發票、業務代表成交更多客戶;這些數字與 Agent 擴散同期上升,但公司營收成長、案量變化和員工挑選何時採用工具都可能影響結果。它們是 Anthropic 內部可量測工作的產出訊號,不是獨立驗證的因果效果。
工作沒有只被刪除,也被重新分配
17 場員工訪談補上數字看不到的職務轉換。一個產品設計團隊先建立內容脈絡,讓 Agent 能協助產生產品文字;團隊接著轉向撰寫 Agent prompts 與模型評測。這是報告中的單一團隊案例,不能代表所有寫作者的去向,但清楚呈現同一群人的工作可能從直接產出文字,轉為設計與檢查模型行為。另一個研究團隊的案例也呈現類似分工,可讀 Claude-shaped science:Agent 算得快,人仍要選對問題。
報告也記錄,2026 年在 Anthropic 任職至少一年的員工,每月跨部門轉調的可能性比 2025 年高 50%;整個團隊也曾把原有工作交給 Agent 後重新配置。這些公司內部紀錄說明工作重新分配正在發生,卻沒有證明 AI 是每次轉調的唯一原因,更不能回答新進員工是否有同等的轉換機會。對 junior 而言,聘用占比下降可能比在職者轉調更值得追蹤:公司可以重新安排現有員工,卻不一定因此保留新人學習基本工作、累積判斷力的入口。
Anthropic 也分析數千份招聘面試評分卡。提到候選人 AI 工具使用經驗的評語,在技術職評估中由 2024 年約 5% 增至 2026 年的三倍,在非技術職由約 7% 增至四倍;技術職面試中,對自主性與判斷力的評語增加,領域專業討論占比下降。這些是面試官評語的文字分析,不等於候選人能力的標準化測驗;它顯示的是公司如何描述理想人才,不能直接得出 AI 技能已普遍取代專業知識。
企業該追蹤工作流,不只追蹤 Agent 時數
這份報告對導入團隊最實用的提醒,是把工作拆到能看見任務移動的程度。除了 Agent 呼叫、runtime 和產出量,也應記錄人工等待與審查時間、例外處理、返工、品質、員工轉調,以及 junior 職缺與新聘占比。如此才分得清楚,Agent 是省下了某段工作、擴大了可處理的需求,還是把執行轉成了監督與協調。
同時,企業要為被自動化的任務設計新的學習路徑:若 junior 不再負責部分基礎實作,哪些任務能讓他們在可審查的範圍內累積領域知識與判斷?在職員工可以內部轉調,不代表新人自然會找到入口。這也是為什麼 Agentic Coding 研究中的人機分工與領域專業值得搭配閱讀:AI 承接執行後,人仍要決定問題、檢查結果並對成果負責。
本文不把 Anthropic 當成一般公司的縮影。它是 AI 產品開發者,也是把 Claude 深度整合進內部流程的公司;其規模、資料可見度、工具成熟度與商業成長都不尋常。這份第一手資料讓工作重組變得可觀察,卻仍需其他企業、職類與時間跨度的研究,才能回答這些變化是否會擴散、如何影響薪資與就業,以及誰能分享生產力收益。
延伸閱讀與來源
- Anthropic:How employment is changing at Anthropic(Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory,2026-10-16):報告全文與研究方法。
- Anthropic 官方報告 PDF:含圖表、指標定義與限制說明。
- AI 勞動市場曝光度:理論能力與實際使用的差距:理解職業層級的使用曝光指標及其限制。
- Agentic Coding:人類決定做什麼,Agent 承接怎麼做:補充 Anthropic 工程工作中的人機分工與領域專業。
- Claude-shaped science:Agent 算得快,人仍要選對問題:對照 Agent 改變研究工作流程後,專家判斷仍負責的部分。