Anthropic：AI智能体工时已达人工6倍，初级技术岗招聘锐减

Anthropic 的就业如何改变

Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory

AI 如何重构了 Anthropic 的工作与就业？作为处于 AI 采用前沿的公司，Anthropic 可以成为 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。

关键发现

- Anthropic 一直在减少初级技术岗位的招聘比例。与此同时，AI 智能体的工作时间相对于员工的工时迅速扩大。到 8 月，交互式 AI 智能体的工时与员工工时之比达到 6:1。
- 随着 AI 智能体在公司内扩散，Anthropic 开始人均产出更多代码，每位销售代表促成更多交易，处理更多合同。追踪同一位员工随时间的变化，当他们采用新的 AI 工具后，产出上升了。
- 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，读完他们的 Claude 智能体的全部输出也需要花费半个工作周。作为回应，员工转向“元工作”：构建可视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的优先级转变上，他们越来越强调自主性和判断力，而非技术领域专长和实施能力。

引言

在日益强大的 AI 下，我们能预期工作与就业会发生什么转变？Anthropic 值得研究，因为它已将工作流程与 AI 深度融合。智能体穿梭于 Slack 聊天中，安排会议。它们自主修复 bug，并共同应对大型工程项目。智能体工时是人工工时的 6 倍。Anthropic 正在发生的变化，为工作与就业的可能未来提供了前瞻信号。

本报告利用 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。我们通过 17 次员工访谈来情境化这些量化数据。

我们发现，即使公司增长，初级技术岗位的相对招聘也已放缓。工程师和非技术员工的产出都大幅跃升，并且在他们采用编码智能体时急剧上升。招聘经理越来越强调应聘者的自主性和判断力，而不是特定的技术专长。在 AI 密集的组织中工作的一个显著特征是持续的压力：在可能的情况下，要精简自己在瓶颈位置上的作用。一位工程师将工作描述为面对“一支 Claude 大军，每个都在请求我的注意”。Anthropic 的员工仍然至关重要，但他们贡献的性质已经改变。

Anthropic 通过建立早期预警系统来跟踪面临颠覆风险的工作岗位，并对这些变化作出回应；随着工作岗位演变，公司优先考虑内部重新部署。这些行动位于 AI 发展和职场变革的前沿，展示了具体的组织承诺如何塑造 AI 对就业的影响。但它们也提出了关于这些承诺到底应该是什么的难题。

前沿的劳动力需求

Anthropic 迅速扩张。但按每美元收入计算，它的雇佣人数要少于上一代大型科技公司。在成立五年之际，Anthropic 每名员工的收入是 Meta 和 Google 处于各自高速增长峰值时的 2–4 倍。1

哪些工作岗位在消失？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中。那些最依赖 Claude 的团队发现，编写代码和查找 bug 越来越多地可以交给 Claude。新模型的能力加速了这种认知：“引起注意的是性能工程师的提升，它基本上在一夜之间改变了我们的招聘方向。”

到 4 月，工程和研究团队已不再强调招聘较低级别的技术岗位。在同月的调查中，大多数经理表示，由于 AI，他们正在招聘一套不同的技能。约三分之一的机器学习经理和五分之一的软件工程经理报告称，由于 AI，他们减少了招聘。

就业份额的变化引人注目。图 1 显示，自 2025 年初以来，Anthropic 技术部门的初级员工比例从 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，初级岗位的招聘信息下降尤为急剧。

图 1：Anthropic 入门级技术招聘的下降。

与此同时，Anthropic 内部技术部门的整体就业份额已经下降，过去一年从 61% 降至 56%。随着公司扩张，技术招聘的绝对值继续增长，但销售、财务和招聘的密集招聘超越了它。这种转变部分是由于公司规模扩大带来的业务职能自然扩张。部分可能反映了编码工具日益允许非技术员工自己制作软件。例如，一位销售代表设计了一个针对自己工作定制的仪表板和流水线：“这种构建超出了我的本职范围，尤其是 UI，连接所有工具、MCP。但我大概花了三到四个小时就建成了，只是在上面迭代。”非技术员工（定义为在基线期没有代码提交、排除新员工）的编码类 AI 智能体会话从 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一个关于自动编码使其扩散到其他领域专家的故事。在技术部门内部，过去 30 天没有代码提交的员工比例，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的比例变薄：例如，工程师与产品经理的比例约为 17:1，自 2025 年以来有所上升。经理的提交数量也翻了一番。技术团队中的监督和协调角色越来越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，使得 Anthropic 在快速扩张的同时，文员岗位仍然很少。一位财务经理构建了一个采购请求审核代理，并向同事解释：“它只是试图找到那些需要大量时间的环节，以便他们能专注于其他事情。”即使是与人际互动紧密相关的文员工作也增长缓慢。一位行政助理构建了一个用于日程安排和邮件分类的个人助理代理，他解释说：“我认为我们已经超越了 Claude 辅助削减真正入门级行政角色的阶段”，并转而专注于更高层次的“参谋长”任务。

这些变化已经涉及重新分配：在公司工作至少一年的员工，在 2026 年每个月跨部门流动的可能性比 2025 年高出 50%。整个团队也被重新分配，因为他们将工作交给了智能体。考虑一个产品设计团队，他们编写诸如 Claude.ai 上的问候语：“夜猫子你好；”“咖啡和 Claude 时间？”2026 年春天，该团队开发了一个上下文图，有效地引导智能体编写引人入胜的产品内容。其经理解释说，这“扩展了团队”，但也提出了一个问题：人类作者还剩什么？然后团队转向智能体提示，开始为 Claude 编写模型评估和提示。“曾经用语言驱动人类行为的作家，现在用语言驱动 Claude 的行为。”

AI 是否正在推动 Anthropic 的生产率增长？

这些转变是否可归因于 AI？在 Anthropic，人类是不断增长的 AI 智能体队伍之上的薄薄一层。根据智能体会话遥测数据，2026 年 3 月，自主和交互式智能体工作时间的总和首次超过了人类工作时间。部分原因是智能体群在进行工业规模的软件工程，填补大量常规测试和检查，维护不断增长的基础设施代码，并开展协同行动来翻译大型代码库。但即使缩小到单个员工部署的智能体，如图 2 所示，到 8 月，智能体的工作时间是其人类操作者的 6 倍。

图 2：智能体工时超过人类工时。注：我们限制于员工指导的交互式会话，并合并子智能体。工作时间概念是智能体运行时间，包括推理和主动工具使用，但排除任何超过 30 分钟的等待。人类工作小时数按人数计算，假设每周 40 小时。

Anthropic 是一家软件生产商，流经这些智能体的绝大多数词元被用于生产软件代码。仪表板监控着遍布公司的智能体群。私人助理智能体也在监控员工的日历和消息，安排日程，从收到的消息中生成待办事项列表，并自动向员工简报即将到来的会议人员和目的。词元触及越来越多的日常工作。

图 3：各职能的生产率繁荣。注：LOESS 平滑器拟合在基础指数化输出数据上。

所有这些词元意味着什么？图 3 绘制了一组具有可衡量产出的工作职能随时间的输出。与之前调查 Anthropic 工程师和描述模型训练和研究自动化的报告一致，每位工程师的代码提交量上升最快，达到 6 个月前的 5 倍。数据科学家也在更多地查询 Anthropic 不断增长的数据，请 Claude 智能体获取实时指标并将其提供给仪表板和决策者。但图 3 显示，即使非技术员工也随着编码智能体的扩散而产出上升：律师处理更多合同；应付账款处理更多发票；销售人员促成更多交易。

但这一切都是因为使用 Claude 吗？同一时期，公司经历了爆炸性的业务增长。当你销售一个强大的模型时，更容易成交。为了评估 AI 的独立影响，我们将采用智能体编码工具的员工与尚未采用这些工具的员工的产出进行比较。这使我们能够比较在同一月份在公司工作的员工，他们因此面临相似的业务环境，但使用不同的工具。但请注意，工具采用并非随机：例如，如果即将启动某个大型新项目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 名工程师在采用编码智能体前后的情况，并将他们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。更多代码不一定意味着更好的代码或业务影响。为了测试 AI 代码垃圾，我们研究了 Anthropic 的代码提交。我们比较同一员工、同一月份、同一代码目录中，由编码智能体编写的代码与由该员工直接编写的代码。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还原的代码行比率没有差异。

图 4 还展示了工程师首次采用完全自主智能体后的情况。那些采用者与未采用者相比，已经处于陡峭上升的轨迹上。这表明转向全自主智能体的员工已经在提高产出。

图 4：从交错采用 AI 中估计的个体内生产率增长。注：系数比较编码智能体采用者和未采用者，采用个人和日历月双向固定效应。处理时点基于个人首次出现至少 5 次智能体会话的月份。条形是聚类在个人上的标准误的 95% 置信区间。质量面板将员工直接编写的代码与其编码智能体编写的代码进行比较。质量代理是：90 天内因任何原因删除的行占比；因修复 bug 而删除的行占比；整个提交是否被显式还原；添加 lint 抑制注释；添加待修复注释；标记测试为跳过、重试或允许失败。

这些模式是否会超越编码，进入更广泛的知识工作转型？Anthropic 的销售代表从去年 9 月开始稳定地采用 AI 智能体。图 4 显示，销售代表在采用智能体后，与更多客户成交。这种模式的部分原因可能是拥有更多销售机会的代表选择自动化。但它也可能反映了日志记录和常规沟通的自动化。一位客户主管解释说，Claude 自动化处理了电子邮件起草和客户管理软件集成，取代了他们先前约 20% 的工作任务。另一位指出，类似的自动化释放了他们专注于面对面时间，让他们能与比之前多 30% 的客户交谈：“任何时候你做任何事情第二次，你就会想，好吧，我怎样才能用 Claude 让我不用做第三次？”

在销售之外，一位 Anthropic 律师构建了一系列 Claude 自动化来扫描风险和机会，分类法律问题，并对面向公众的文案进行法律审查的初筛。一位招聘专员使用 Claude 帮助寻找候选人、跟踪申请并进行一项“可能需要几周”的分析，这让他得以重新设计过时的面试问题，并与更多申请者会面。

所有这些都表明，随着 AI 能力的提高，它影响了 Anthropic 各类工作。描述性地，我们发现在使用 Claude 处理最复杂任务的工作中，初级就业增长放缓（图 5）。

图 5：按 Claude 使用复杂度划分的初级就业增长。注：在岗位层面绘图。增长比较 2026 年 1 月人数与 2026 年 7 月人数。AI 复杂度基于智能体日志的自动编码器（在就业下降之前，2025 年 10 月至 12 月）并作百分位转换。点按岗位 1 月就业人数缩放；回归线按加权点拟合。

瓶颈与流程：AI 密集型工作中的新任务和旧任务

大量采用 AI 不仅重塑了就业和生产率。它还不断推动工作流程的变化，产生新任务并改变员工对工作场所的看法。一位员工将这种压力描述为“Anthropic 永恒的压力：尽可能快地行动，为所有事情使用 Claude”，另一位员工说“我们期望一周内完成的事情，在其他地方需要三个月”。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 44% 的员工同意；到 2025 年 11 月为 58%（2026 年 4 月，75% 回答是，但问题因去掉“尽可能”而减弱）。截至 8 月，Anthropic 员工预计到 2030 年 AI 将能够完成他们 75% 的工作，而其他美国人中这一比例仅为 28%。

这种不断提高的生产率期望被内部模型发布的节奏所戏剧化。一旦新模型可用，Anthropic 员工就开始在交互式编码智能体会话中处理更难的问题。我们用一个自动化的 Claude 评分器来评估去标识会话的任务要求，基于深度、范围及涉及的系统数量。旧模型任务中超过第 90 百分位难度的份额在模型发布后急剧上升约 30%（从所有任务的 10% 到 13%），并在发布后的数周内保持高位。交给智能体的任务中较容易的一端变化不大。

螺旋上升的智能体生产率转化为出现在人们屏幕和注意力中的输出。一位工程师将其比作照看孩子：

它们就像，我要打开果汁盒，这是紧急情况。它表达出来的担忧程度，与那个割破手指流血的孩子的完全相同。[……] 当你在照看孩子时，每个孩子都以同等的要求来寻求你的注意，各个 [Claude] 也是这样。

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中，27% 描述了 Claude 工具带来的生产率提升，20% 描述他们的角色从实际做事转变为管理 Claude。

在这种模型驱动的加速中，人类注意力是一个恒定的瓶颈。在交互式多轮会话中，智能体会话的绝大多数时间并不是在工作，而是在等待。我们通过从每个交互会话的总时长中减去每个智能体的活跃工作时间来跟踪空闲时间。Claude 会话约有 80% 的时间是空闲等待人类输入。正如一位工程师所说，人们正在“给智能体造成瓶颈”。

究竟需要多少时间才能读完 Claude 在交互式会话中的全部输出？对于每个交互式会话，我们将会话的智能体输出词元转换为字数，假设平均阅读速度。图 6 显示，技术职能的编码智能体输出量在过去 6 个月内大幅跃升。但即使是非技术团队，交互式 Claude 会话输出的内容也足以占去半个工作周。Claude 文本的泛滥需要整理。

图 6：把读 Claude 当作全职工作。注：小时数通过将输出词元转换为字数，假设每词元 0.75 个词，每分钟读 250 个词。

应对这种泛滥的一个解决方案是日益自动化。但这需要另一种工作。给智能体的书面常驻指令从 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参谋长来分类智能体请求。另一位为他们的 Claude 团队写了绩效评估：“嘿，我们来谈谈我们的沟通风格中什么行得通、什么行不通。”招聘人员构建了集成仪表板，智能体在其中揭示问题并启动行动。一位律师将注意力从审查法律问题转向“为法律建议做搜索引擎优化，你需要编写能让 [客户的] 智能体发现的框架。”

图 7 显示，这种元工作占普通员工交互式 Claude 会话的比例从 2025 年秋季的 10% 跃升至 2026 年春季的 22%。这一增长主要源于智能体管理：编写多智能体运行的规格，让一个智能体去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特定的代码或写作中抽离出来，转向为了智能体有效完成任务所需的工具。

图 7：成为 Claude 的管理者。注：元工作估计基于自动编码器，对 2,000 条一行聊天摘要的样本进行评估，根据是否关注构建 Claude 技能、为其他智能体编写计划和审查、为智能体流水线构建仪表板和监控、记录工作方式，与工作本身形成对比。

尽管智能体可靠性有所提高，并且有这些用于监督的大量工具投资，但人的信任和问责仍然至关重要。一位员工解释说，越来越多地追查 bug 会“揭示出一些组织性、系统性或技术债务问题，这些问题实际上需要一定程度的人的召集、决策和治理来解决。”在一个又一个访谈中，员工描述面对面的协调是不可或缺的。根据日历数据，普通员工花在会议上的时间比一年前多 20%。部分原因反映了公司的增长，以及向会议密集型非技术角色的转变。但即使在技术个人贡献者角色中，会议时间在过去一年中也增加了 16%。大局战略问题涉及广泛的杠杆化职位，通常需要与其他人辩论和接触。从管理智能体中抽身出来，通常就是跳进一场会议。

总的来说，技术性和非技术性角色都看到其工作中实施的部分被自动化（写代码、识别 bug、记录进度、起草电子邮件）。工程师描述自己成为智能体的领导和管理者；非技术员工描述自己承担越来越多的战略部分工作：“那 20% 的战略部分变成了 90% 的工作。”但对许多非技术角色来说，核心实施工作也是人际性的：一通销售电话、一次面试、围绕复杂问题的跨职能对齐。所有这些仍然是人的工作。

再看看 Slack 频道，它既是 Anthropic 沟通的前台，也是后台渠道。智能体渗透到 Slack 中，最终出现在近一半的活跃公开频道中。图 8 聚焦一个大部门的沟通网络，基于该部门成员互动的所有公开 Slack 频道。它按是否参与某个 Slack 线程来连接人类和智能体参与者。该图显示了智能体的显著崛起，橙色点绽放并主导网络。

图 8：智能体进入沟通网络。注：蓝点是员工；橙点是智能体线程。连线是同一线程中人类或智能体之间的互动。

智能体不成比例地出现在专门用于 Claude 与人类互动的频道中，而不是在现有以人类为主的频道中大量发言。人类沟通的基本结构和密度变化不大。智能体并没有取代人类互动，而是增加了互动：在这个部门，人类线程维持了相同数量的人类回应，同时还叠加了智能体回应。智能体成为单个员工的团队，而不是同时与许多员工有高连通性的节点。

当人类在日益壮大的 AI 智能体队伍中工作时，他们面临压力，要将人类工作转移到智能体可见的渠道。如果一个决定是在面对面会议中做出的，而没有出现笔记或报告，智能体就缺少关键上下文来更新其目标和假设。一位员工解释说，他们名字在一份几个月前的关于 Claude 周边产品的文件上，这意味着智能体在他们职责早已改变后，仍持续带来关于 T 恤和马克杯的请求。在 AI 密集的工作场所，无日志会议和直接消息中的私人工作是不可见的、令人困惑的，也不受欢迎。一位研究员将这种默认开放描述为 Anthropic 全面整合 AI 的关键：“大多数组织不是这样运作的，我认为这是一个巨大的转变，因为领导者必须公开捍卫反馈。”为 AI 提供上下文的需要要求人类工作和决策具有可观察性。

在这样的工作场所谁会成功？

Anthropic 工作内容的变化也表现在招聘经理在招聘决策中优先考虑的技能的变化。我们使用一个自动编码器处理自 2024 年以来 Anthropic 招聘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对 AI 工具的创造性使用。2024 年，招聘经理在约 5% 的技术岗位评估和 7% 的非技术岗位评估中提到候选人在 AI 工具方面的记录。到 2026 年，这些比率在技术岗位上翻了两倍，在非技术岗位上翻了四倍。招聘经理越来越关注候选人是否有效使用 AI。

评估中更深层的变化也可见。在技术候选人的面试中，增长最大的是对候选人自主性和判断力的评论。领域专长讨论在整体评估中所占份额缩小。正如一位经理所解释的，“我预计模型会继续呈锯齿状发展，所以对我的团队来说，我希望他们在不同领域之间具有可替换性。”同样，对于非技术候选人，客户和使命导向得到更多强调，而执行技能的讨论则下降。招聘经理越来越根据应聘者的判断力和投入度来评估，而不是根据被 AI 工具自动化的领域特定技能和执行能力。

雇主能做什么

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，工作组织可能会像以往几次技术变革浪潮一样发生转变。铁路给了我们管理型公司，蒸汽动力催生了工厂，个人电脑带来了初创企业。使用工具、推理的 LLM 需要什么新的组织，我们在其中将扮演什么角色？一种可能性是单人初创企业，一个人类创始人掌舵智能体群，收获数十亿美元收入。另一种是由 AI 天才 CEO 建立的公司，雇佣人类仅仅是为了操作移液管和在国会作证。

Anthropic 看起来不像这两种中的任何一种。它过去一年规模增长为过去的三倍。它不再是一家小型初创企业。它也没有将执行控制权交给模型。写在 Slack 上的辩论和面对面会议指导着从公司战略到团队决策的一切，AI 智能体几乎没有参与。保持人类工作在公司中可见，确保自主智能体能从新鲜上下文中推理。领导智能体团队的个人贡献者，就其所需的知识和工作的相互依赖性而言，看起来更像管理者。在开放的条件下工作和决策在 AI 密集的组织中至关重要。

随着员工越来越将他们的工作视为管理 Claude 团队，他们花费更多时间构建在自己独特领域中有效做到这一点的工具。这种试验意味着员工在持续自动化自己的工作。在某些角色中，他们越来越远离最初建立其技能的对象层工作。当智能体在流程中冲刺时，人类的注意力和判断力是系统所对抗的瓶颈。从销售到法律，人类员工被期望做更多、做不同的事情。角色扩展，包括构建产品、管理智能体，以及处理即使最强 LLM 也力所不及的战略和人际工作。

工作组织与内容的变化，与初级技术角色在总人数、招聘和发布岗位中占比下降同时出现。招聘经理越来越关注应聘者的自主性和判断力，而不是执行力与狭窄专长。总体而言，Anthropic 收入增长相对于就业增长的速度，已超过上一代科技公司早期快速的生产率增长。

将这些模式向前推断并扩展到整个经济，表明 AI 扩散可能带来工人被替代的风险。先前的研究也发现，AI 原生初创企业和 AI 采用者更扁平，雇佣更少的入门级员工。我们能从 Anthropic 学到什么，来以服务于 AI 周围的人类的方式管理 AI 剧变？

在这里我们要谨慎行事。Anthropic 的就业实践中有许多部分无法在整体经济中复制。

但有三点很突出。首先，广泛的股票所有权使员工对公司的成功有强烈利益。当然，对于估值大幅增长的公司来说，这是一种容易的姿态。对许多公司来说，共同所有权可能还不够，或者不受欢迎。但很难想象一个亲工人的 AI 采用版本，其中工人不持有成功应用带来的财务份额。如果如受访者所说，个人贡献者被期望“管理智能体”、“做 VP 级决策”、“成为自己的业务线”，那么将他们的利益与组织对齐至关重要。20 世纪 50 年代形成的二战后劳资协议正是基于这种交换：像汽车工人联合会和钢铁工人联合会这样的工会允许管理层获得工作重组（甚至强化）的特权，以换取与生产率提高挂钩的薪资增长和丰富的福利。无论受 AI 影响的员工与雇主之间的新协议是什么，一种分享采用利益的机制是必不可少的。在 Anthropic，工人为机器整理他们的专业知识，看到自己的工作常规不断被搅动和颠覆，并且看到自己工作的一大部分变成快速阅读 AI 合作者的输出。他们不是免费做这些的。

其次，Anthropic 正在建立持续的早期预警系统，以监控面临 AI 驱动变革的工作岗位。一系列岗位级别的需求与生产率指标与 AI 能力和使用情况进行对照解读。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度较高、可能不那么直接面临风险的岗位。随着整个经济的公司重新定向到加速的工作重组步伐，指导内部员工重新分配的有效系统将变得越来越有价值。转向外部劳动力市场以满足 AI 进步所要求的每一项新任务，AI 进步越快，这就会成为越强的瓶颈。在本报告中，我们发现部门间流动性增加、工作内容变化，以及员工随着旧任务自动化而转向新任务。建立能够在内部灵活重新分配员工的系统，对 AI 密集的组织至关重要。

这种对内部工人重新分配的承诺带来了重要的权衡。运转良好的劳动力市场应将工人转移到他们最具生产力的职位，无论那是在当前雇主还是其他雇主那里。对重新分配现有员工的承诺可能使雇主对冒险招聘新员工犹豫不决。在正常经济条件下，特别是在竞争激烈的条件下，这种承诺可能代价高昂。

但优先考虑重新分配，迫使采用 AI 的公司考虑 AI 可以为新产品和新市场创造新任务的方式，而不是将 AI 应用导向替代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，即 AI 或其他技术勉强胜过人类工人：雇主用机器替代人类，给被替代的工人带来可观的社会成本——收入损失，而生产率收益极小。

从我们在 Anthropic 看到的情况来看，在密集使用 AI 的同时，仍然存在新颖的和持续需要人的任务。对未来这些任务集合的不确定性，应建议保持一支灵活的劳动力队伍。正如一位 Anthropic 高管所说：“一支焦虑不安的劳动力队伍，不是一支发挥最佳水平的劳动力队伍。”

这些行动都不能阻止强大的 AI 扰乱工作。而且这些行动都没有直接解决本报告记录的初级招聘放缓。对在职员工的就业保护不会惠及那些从一开始就没被招聘的人。雇主方面的行动必须与关于再培训和收入支持的有远见的政府政策相辅相成。这样的政策应以对 AI 可能带来的工作场所转型规模的清晰认识为指导。