--- area: "society-thinking" category: career companies_orgs: - Anthropic date: '2025-12-06' draft: true guest: '' insight: '' layout: post.njk media_books: - 《AI 如何改变 Anthropic 的工作》 products_models: - Claude Code - Claude 3.5 project: [] series: '' source: https://www.youtube.com/watch?v=3o13Kw57kt4 speaker: Best Partners TV status: evergreen summary: Anthropic一份内部报告揭示，AI正以前所未有的速度提升工程师的生产力，使其能处理更复杂任务并拓展技能范围。然而，这种变革也伴随着核心技术能力退化、人际协作模式改变以及职业未来不确定性等深层矛盾。报告深入探讨了AI委托策略、信任建立、工作意义感转变及工程师角色从编码者向AI Agent管理者的演变，为AI时代的工作转型提供了前沿洞察。 tags: - ai-collaboration - future-of-work - productivity - skill - transformation title: AI如何重塑Anthropic工程师的工作：生产力激增与技能退化之辩 --- ### AI与工作：Anthropic的前沿洞察 有很多人一直在担心AI会影响我们的工作，但它究竟是如何影响的呢？2025年8月，头部AI公司**Anthropic**（一家领先的AI安全和研究公司）进行了一次向内审视的研究，调查了132名工程师和研究员，进行了53次深度访谈，还分析了20万条**Claude Code**（Anthropic内部使用的AI编程助手）的内部使用数据。最终，Anthropic发布了一份名为**《AI 如何改变 Anthropic 的工作》**的报告。这份报告就像一扇窗户，让我们能看到AI与工作融合的最前沿场景，里面既有生产力爆炸式增长的惊喜，也有技能萎缩、职业迷茫的隐忧。今天，我们就来拆解一下这份报告，看看AI时代的工作究竟在发生怎样的深层变革。 ### AI对Anthropic工程师工作的影响：量化数据 首先，一个明显的趋势是，大家正在用Claude Code处理更难的问题，而且需要的人工干预越来越少。具体来看，有三个关键变化： #### 任务复杂度的提升与人类干预的减少 第一，任务复杂度显著提升。研究团队用1-5分来评估任务复杂度，1分是基础编辑，5分是需要人类专家几周或者几月才能完成的专家级任务。这六个月里，平均任务复杂度从3.2分上升到了3.8分。 第二，Claude的自主操作能力增强。Claude连续调用外部工具的最大次数增加了116%，从六个月前的平均9.8次上升到现在的21.2次。这意味着它能在不需要人类干预的情况下，完成更长的工作流程。 第三，人类输入减少。平均每条对话的人类交互次数从6.2次减少到4.1次，下降了33%，说明完成同样的任务，现在需要的人类指导更少了。这些数据说明，AI正在承担更复杂的工作，自主性越来越强，这也是生产力提升的核心原因之一。 #### AI使用场景与任务分布的转变 其次是任务分布的变化。这六个月里，Claude Code的使用场景发生了显著转变。用它实现新功能的比例从14.3%飙升到36.9%；用它做代码设计或规划的比例从1.0%上升到9.9%。这种变化可能有两个原因：一是Claude的能力提升，现在能更好地处理这些复杂任务；二是团队的使用习惯变化，开始把更多核心工作委托给AI。 第三，调查中提到，8.6%的Claude Code任务都属于小麻烦修复，包括创建性能可视化工具、重构代码以提高可维护性以及创建终端快捷键等任务。这些任务虽然单个看起来不起眼，但是累积起来能带来显著的长期价值，不仅能提升工程师的日常工作效率，还能减少工作中的摩擦和挫折感，间接提升整体的生产力。 最后，不同团队的使用模式存在明显差异。研究团队把8月份的对话记录按主要任务分类，并按团队拆分，发现了很多有意思的特点。从整体来看，所有团队最常用的任务都是构建新功能、调试和理解代码。但是具体到各个团队，差异很明显：预训练团队最常用来构建新功能，其中大部分是运行额外的实验；对齐与安全团队和后训练团队用Claude Code做前端开发的比例最高，主要是创建数据可视化；安全团队最常用来理解代码，尤其是分析代码库不同部分的安全影响；非技术员工则最常用来调试，比如解决网络问题或Git操作，同时也会用它做数据科学相关工作。 从报告的整体来看，AI正在从根本上改变Anthropic工程师的工作性质。他们能够完成的工作总量大幅提升，技能范围变得更加全栈，学习和迭代速度加快，还能着手处理以前被忽略的任务。但是与此同时，这种变化也带来了一系列的权衡：有人担心深层技术能力会退化，有人觉得难以有效监督Claude的输出，还有人发现和同事的协作变少了，甚至开始担忧自己未来会不会被AI取代。简单说，AI带来的不是单向的进步，而是一场充满矛盾和不确定性的深刻转型。 #### 生产力提升的惊人数据与具体表现 最引人关注的是使用比例和生产力提升数据。这组对比非常惊人：一年前，员工们在28%的日常工作中使用Claude，生产力提升大约20%；而现在，使用比例已经达到了59%，生产力提升平均高达50%。这意味着在短短一年内，无论是使用广度还是效率提升，都实现了超过两倍的增长。更极端的是，有14%的受访者表示，使用Claude让他们的生产力提升了100%以上，成为了公司内部的超级用户。 同时，Anthropic内部的工程团队在采用Claude Code后，工程师每天成功合并的代码提交数量也增加了67%，这也从另一方面印证了报告的生产力提升。但是生产力提升的具体表现是什么呢？并不是简单的做每件事都更快，而是呈现出一种时间略减、产出大增的模式。在几乎所有任务类别中，员工们报告说花费的总时间减少了，但是完成的工作量却大幅增加。比如调试代码这个类别，可能单个调试任务的时间变化不大，甚至有些时候会因为需要检查Claude的输出而花费更多的时间，但是总体来看，他们能处理的调试任务数量大幅上升，最终实现了产出的净增长。 这里有一个很有意思的细节：并不是所有人都觉得用Claude能节省时间。有些员工反而会花费更多时间在Claude辅助的任务上，主要有两个原因。一方面，他们需要花更多的时间去调试和清理Claude生成的代码；另一方面，因为代码不是自己写的，理解Claude的思路和逻辑需要额外的认知成本。还有一些情况是，员工会利用Claude去做一些以前会直接放弃的任务，或者进行更彻底的测试和探索。这些投入虽然增加了时间，但是也带来了更多价值。这说明，AI带来的时间变化是双向的，关键在于员工如何选择和管理任务。对于那些能快速验证结果的任务，用Claude往往能省时间；而那些需要深入调试或Claude缺乏上下文的任务，反而可能更耗时。 #### AI驱动的新增工作与并行探索能力 还有一个关键问题，调查结果显示，27%的Claude辅助工作在没有AI的情况下是不会被完成的。这些工作包括扩大项目的规模、制作一些锦上添花的工具、处理文档和测试这类有用但是繁琐的工作，还有一些手动做成本太高的探索性工作。工程师们提到，现在他们可以修复更多的小麻烦，以前因为优先级不高而被搁置，但是现在有了Claude的帮助，就能够轻松完成。 有一位研究员的分享很有启发性，他说大家往往把强大的AI模型看作是一辆更快的车，但是实际上，拥有这样的工具更像是有了一百万匹马，可以同时探索多种不同的解决方案。这种并行探索的能力，让工作变得更有创造性，也让工程师们敢于尝试以前不敢想的思路。这也解释了为什么27%的新增工作大多是探索性、扩展性的，因为AI降低了尝试的成本，让试错和拓展变得可行。 那么，到底有多少工作可以完全委托给Claude呢？虽然使用频率很高，但是超过一半的员工表示，他们只能把0-20%的工作完全委托给Claude。这里需要说明的是，完全委托的定义因人而异，有些人认为是完全不需要验证，有些人则认为是只需要轻度监督。但是核心原因是一致的：工程师们会和Claude进行积极的、迭代式的协作，尤其是在复杂任务或高风险领域。代码质量标准极高，必须对Claude的输出进行严格验证。这说明，在Anthropic，AI更像是一个需要紧密配合的搭档，而不是一个可以甩手掌柜式托付任务的下属。大家对完全委托的标准非常高。 ### 工程师的真实感受与体验：定性访谈 看完了量化的调查数据，我们再深入到定性访谈的内容，听听工程师们的真实感受和体验。这部分能让我们看到数据背后更鲜活的故事和更深刻的矛盾。 #### AI委托的策略与信任的建立 首先是大家如何决定把什么任务交给Claude，也就是AI委托的策略。通过访谈发现，工程师们已经形成了一套相对成熟的判断标准。他们更愿意委托的任务通常具备这几个特点：一是自己不熟悉但复杂度低的任务；二是容易验证的任务；三是定义清晰、相对独立的任务；四是代码质量要求不高的任务；五是重复或枯燥的任务；六是AI干起来可能比自己更快的任务。值得一提的是，这些委托策略和外部研究机构**METR**（一家外部研究机构）的发现不谋而合。METR发现，在开发者对代码库非常熟悉、或者代码库庞大复杂的情况下，AI反而可能降低生产力；而这些情况恰好是Anthropic的工程师们选择不委托给Claude的场景。这说明，能否正确选择适合的任务，是AI能否提升生产力的关键因素，未来的相关研究也需要重点关注这一点。 同时，工程师们对Claude的信任也是一个循序渐进的过程。很多人一开始只用Claude处理简单问题，后来逐渐开始委托更复杂的工作。有一位工程师用谷歌地图做了个很贴切的比喻：一开始只在不认识路的时候用，后来熟悉的路线也会用，甚至日常通勤都会依赖，相信它能考虑到所有选项。因此，对Claude的使用也是从简单的辅助到深度的协作，信任是逐步建立的。 #### 人类专业判断的不可或缺性 不过，在是否用Claude处理自己专业领域内的任务上，大家的态度分成了两派。有些人只在边缘领域使用，节省时间；有些人则更愿意在熟悉的领域使用，因为他们能更好地验证输出。有一位安全工程师分享了一个很重要的经验：Claude有时候会提出聪明但是危险的解决方案，就像一个非常有天赋、但是缺乏经验的初级工程师会做的那样。这种问题只有具备丰富经验和判断力的人才能发现。这也提醒我们，在高风险领域，人类的专业判断依然不可或缺。 还有些工程师则两者兼顾：要么不管什么任务都让Claude先尝试，要么根据自己的专业程度调整方式。如果是自己精通的领域，就更主动地指导Claude；如果是不熟悉的领域，就让Claude扮演专家角色，提供选项和思考方向。 那么，大家会把哪些任务牢牢抓在自己手里呢？答案很一致：需要高层战略思考、涉及组织上下文或品味的设计决策。有一位工程师说道，自己通常会保留高层思考和设计，把新功能开发、调试等能委托的都委托出去。这也和调查数据相呼应，设计和规划任务的生产力提升是最低的。不过，这个边界并不是固定的，随着模型能力的提升，大家会不断重新协商。报告里的数据也证明了这一点，现在用Claude做代码设计和规划的比例比六个月前大幅上升了。 ### 技能转变：全栈化与退化之辩 接下来，我们聊聊技能转变这个核心矛盾点：AI到底是让工程师变得更强大，还是让他们的核心技能逐渐退化？ #### 积极影响：技能全栈化与学习加速 先说说积极的一面。AI让工程师的技能范围变得更全栈，能够涉足以前不敢触碰的领域。很多员工表示，他们现在能完成以前超出自己专业范围的工作。后端工程师能搭建**UI**（User Interface: 用户界面），研究员能自己创建数据可视化。这种能力拓展带来了很实际的好处：反馈循环更紧密，学习速度更快。以前可能需要几周时间、多次开会才能完成的流程，现在通过和同事的实时反馈，几个小时就能搞定。 更重要的是，AI降低了工作的启动门槛，让工程师们更敢于尝试，也更容易克服拖延。有一位资深工程师说，这些工具让初级工程师变得更高效，也更敢于承担以前不敢接手的项目。还有人表示，用Claude大大降低了开始解决问题的心理阻力，所以他们愿意去处理更多额外的任务。 #### 消极影响：深层技能萎缩与监督悖论 但硬币的另一面，是对技能退化的担忧。很多工程师提到，随着委托给AI的任务增多，自己的深层技能可能会萎缩，尤其是那些在手动解决问题过程中附带获得的学习会消失。有一位员工解释说，如果你自己去调试一个难题，可能会花时间阅读很多和直接解决问题无关的文档和代码，但是在这个过程中，你会建立起对整个系统的理解。而现在，Claude能直接带你找到问题答案，这种系统性的学习就少了很多。还有人说，以前会自己探索各种配置，了解工具的全部功能，但现在依赖AI告诉自己怎么用，导致缺乏深入的专业知识。和同事交流时，以前能随口回忆起来的内容，现在需要先问AI。 更关键的是，这种技能退化可能会形成一个恶性循环，因为有效监督Claude的输出，恰恰需要那些可能因为过度依赖AI而退化的编码技能。这就是所谓的监督悖论。有一位员工说得很实在，他更担心的是监督问题，因为这主要会影响到他安全使用AI完成任务的能力，而不是独立完成任务的能力。为了应对这个问题，有些工程师会刻意进行无AI练习，即使知道Claude能完美解决某个问题，也会自己动手做，保持技能的敏锐度。 #### 软件工程的抽象化与技能退化观点的分歧 这就引出了一个更深层次的问题：在AI时代，我们还需要那些手把手的编码技能吗？有一种观点认为，软件工程正在经历一次向更高抽象层次的转变，这和行业历史上的变革是一致的。早期的程序员需要直接和机器交互，手动管理内存、用汇编语言编程。后来，更高层次、更易读的编程语言出现，自动处理了那些复杂的底层操作。现在，随着**vibe coding**（一种新兴的编程范式，强调通过自然语言与AI协作生成代码）的兴起，英语可能正在成为一种新的编程语言。Anthropic的一位员工就建议，未来的工程师应该学会让AI写代码，自己则重点学习更高层次的概念和模式。 有些员工也认同这种转变，他们觉得这让自己能跳出具体的代码，更关注最终产品和用户需求。有人用计算机科学中的**链表**（Linked List: 一种线性数据结构，由一系列节点组成，每个节点包含数据和指向下一个节点的指针）举例：以前大家都要学习如何实现链表，这是基础结构；但是现在更高层次的编程语言已经自动处理了，虽然了解底层原理很重要，但是实际工作中不需要再手动实现。不过，也有人指出，抽象是有代价的。随着向更高层次语言的转变，大多数工程师已经失去了对内存管理的深入理解。现在AI带来的抽象，可能也会让大家失去对其他核心技能的掌握。 对于技能退化的担忧，大家的态度也分成了几派。有些人并不太担心，认为AI能够帮助自己更快地探索和测试想法，在某些领域加速学习。有些人则比较务实，认为软件工程师的技能肯定在退化，但是如果将来需要，这些技能还能捡回来。还有人表示，自己失去的只是一些不太重要的技能，而那些关键的代码编写能力依然很强。最有意思的是一位工程师的观点，他直接挑战了技能退化的前提，认为这种说法假设编码会回到Claude 3.5之前的状态，但是这显然不会了。 ### 编码工艺与工作意义感的重塑 除了技能，AI也在改变大家对编码工艺的理解和工作的意义感。工程师们在这一点上分歧很大。有些工程师感到了真切的失落，认为一个时代结束了。他已经编程25年了，在这项技能上的胜任感是职业满足感的核心部分。还有人担心自己无法适应新的工作性质，认为自己一整天都在给Claude写提示词，并不是很有趣，也没有成就感。 但是也有人接受了这种权衡，认为自己确实会怀念写代码的某些时候，比如重构代码时进入的那种心流状态，但总体来说，现在的生产力提升太大了，愿意放弃这些。还有人觉得和Claude协作更有趣，因为对AI的反馈可以更挑剔，而和人类协作时会有所顾虑。更有一些人发现，自己真正喜欢的不是写代码这个过程，而是代码带来的结果。说到底，大家对AI辅助工作的接受程度，取决于他们在软件工程中最看重的是什么：究竟是过程本身的乐趣，还是最终产出的价值。 ### AI对人际协作与导师模式的冲击 报告中还显示，AI不仅改变了人和工作的关系，也改变了人和人的关系。一个非常突出的现象是，Claude已经成为很多人寻求答案的第一选择，而以前这些问题会问同事。有一位员工说，自己现在问的问题比以前多得多，但80%-90%都问了Claude。这就形成了一种过滤机制：Claude处理常规、重复性的咨询，而同事们则专注于解决那些超出AI能力范围的、更复杂、更需要上下文或战略意义的问题。有人形象地说，这让自己对团队的依赖减少了80%，但剩下的20%至关重要，自己还是会去找他们。 除此之外，大家还会像和同事交流一样，和Claude碰撞想法，把它当作一个即时可用的协作伙伴。不过，并不是所有人的协作模式都发生了变化，大约一半的员工表示，团队协作模式没有太大改变。有一位工程师说，他仍然会和同事开会、分享上下文、共同决定方向。他认为在不久的将来，协作依然会很多，只是不再是传统的专注工作，而是会和很多个Claude交流。但另一些人的体验则完全不同，有人认为自己现在和Claude一起工作的时间比和任何同事都多。 对于这种变化，大家的态度也各不相同。有些人喜欢这种减少社交摩擦的方式，不用再担心占用同事的时间，感觉很好。有些人则不太适应，更喜欢和人当面工作，也非常重视这种交流。还有人感到失落，现在需要同事的地方变少了，有点难过。 更值得关注的是，这种变化对传统的导师模式产生了冲击。因为Claude可以为初级员工提供很多指导，所以他们向资深工程师请教的次数减少了。有一位资深工程师分享了自己的感受：看到初级员工不常来问我问题，有点难过，但不得不承认，他们的问题得到了更有效的解答，学习速度也更快了。不过，这种由AI进行的知识传递，虽然效率更高，但是也失去了人与人之间交流中附带的经验分享、思维引导等隐性价值，而这些价值往往对初级员工的长期成长至关重要。 ### 软件工程师的未来：AI Agent管理者与职业不确定性 那么，在AI持续迭代的背景下，软件工程师的未来究竟会走向何方？很多工程师都表示，自己的角色正在从写代码的人转变为**AI Agent**（人工智能代理: 能够感知环境、进行决策并执行行动的智能系统）的管理者。有些人甚至经常同时运行多个Claude实例。有一位员工估计，自己的工作已经70%以上转变为代码的审查者或者修订者，而不是全新代码的编写者。还有人认为，未来的角色会包括对1个、5个甚至100个Claude的工作负责。这种角色转变，意味着工程师的核心能力要求正在从编码能力转向管理、监督、指导AI的能力。 但在长期来看，职业不确定性是普遍存在的。工程师们都认为，当前的变化是整个行业转型的前兆，但是对于几年后的职业面貌，大多数人都表示很难说。有些人陷入了短期乐观和长期担忧的矛盾：短期内很乐观，但是从长期来看，认为AI最终会做所有事情，让自己和很多人变得无关紧要。还有人表达得更直接：感觉自己每天来上班，都是在让自己失业。 当然，也有一部分工程师持更乐观的态度。有人为初级开发者感到担心，但是同时也欣赏他们对新技术的渴望。他认为，虽然存在经验不足的工程师可能会发布有问题代码的风险，但是随着AI防护机制的完善、内置教育资源的增多，以及大家从错误中自然学习，这个行业会逐渐适应。 当被问到如何规划未来角色、有没有适应策略时，大家的答案也是各不相同。有些人计划进一步专业化，培养有意义地审查AI工作的技能，需要更长时间和更多专业知识，这会是未来的核心竞争力。有些人则认为未来会更注重人际和战略工作，人们会花更多时间达成共识，让AI专注于执行。还有人把Claude当作职业发展的工具，用它来获取工作和领导技能的反馈，认为自己学习东西的速度，或者在不完全学习的情况下有效工作的能力，已经被完全改变了，成长上限被彻底打破。不过，总体来看，大多数人都承认存在深刻的不确定性。一位团队负责人的观点很有代表性，他说，没人知道会发生什么，重要的是保持极强的适应能力。这种对未来的迷茫，并不是因为大家缺乏规划，而是因为AI发展的速度太快，行业转型的方向太不确定，以至于很难制定长期的、明确的职业规划。 ### 总结与展望 总的来看，Anthropic的这份报告揭示，AI确实正在重塑我们的工作，但是它最终会把工作变成什么样，很大程度上取决于我们如何应对这种变化：是被动接受技能退化和职业替代，还是主动利用AI拓展自己的能力边界，找到新的价值定位？应该说，Anthropic的探索才刚刚开始，而我们每个人的探索，也才刚刚开始。大家在实际工作中有没有感受到AI带来的变化呢？欢迎在评论区留言。