Anthropic 就業研究：初階招聘占比從 27% 降至 9%，人為何更忙？（2026）

2026 年 10 月 16 日，Anthropic 在官網發布了〈How employment is changing at Anthropic〉。這份 Anthropic 就業研究把公司的人事資料、代理使用紀錄、工作產出與 17 位員工訪談放在一起，問了一個比「AI 會不會寫程式」更切身的問題：當寫程式能交給代理，組織還會聘誰、培養誰，又由誰承擔最後的判斷？

先看研究觀察到的變化，再拆開數字的分母，最後討論招聘與工作設計。最值得留意的張力，是初階技術招聘占比下降的同時，人類監督與協調仍然吃緊。這不是一張可以拿來按比例刪減人力的換算表。

Anthropic 就業研究：公司持續擴張，初階入口卻變窄

作者 Nathan Wilmers、Regina Catipon、Maxim Massenkoff 與 Peter McCrory 使用的是公司內部紀錄。依報告，自 2025 年初以來，技術部門員工中的初階占比從 21% 降至 14%；新聘技術員工中的初階占比則從 27% 降至 9%。後者減少 18 個百分點，衡量的是招聘組成，不是被裁撤的人數。

這個分母差別很實際。假設某公司第一期新聘 100 位技術員工，其中 27 位初階；第二期聘 300 位，其中 27 位初階，占比就會降到 9%。這是說明比例的假設例子，並非 Anthropic 的實際人數。要判斷入口少了多少，還得知道兩期招聘總數。原文另指出，整體技術招聘的絕對數仍在成長，公司過去一年規模增至三倍；不能把它寫成全公司縮編。

但占比下降也不該被輕輕帶過。在企業擴張時，初階機會未能跟著同幅增加，本身就涉及成長果實如何分配。對求職者而言，「公司還在聘人」與「公司願意從頭帶新人」是兩個問題。

6：1 到底算了什麼？代理時間不能直接換成人頭

報告稱，到 2026 年 8 月，員工主導的互動式代理運行時間已約為人類工時的六倍。Figure 2 的註解比這個倍率更重要：代理端合計子代理，計入推論與主動工具使用，排除超過 30 分鐘的等待；人類端以員工人數乘上每週 40 小時估算。這是兩種不同口徑的時間比較。

例如六個代理平行各跑一小時，就能累加六小時；這不會自動交出六份合格成果。代理可能在測試、重試、探索錯路，也可能完成原本根本不值得請人做的工作。運行規模、合格產出與省下的人類時間，應分開量測。6：1 足以說明代理活動很密集，仍不足以推出人類生產力提高六倍。

這也解釋了為何「機器很忙」與「人在等、也被等」可以同時成立。工作可以平行展開，驗收卻可能集中到同一位工程師；若所有分支都請他決定，增加代理反而增加排隊。

產出增加的證據，比一張總量曲線更細，也仍有邊界

Anthropic 報告工程師人均提交次數在六個月間增至約五倍，法律、銷售等職能的產出指標也上升。不過，提交次數、程式碼行數、處理合約數與成交數，分別衡量不同工作；它們不能合併成同一個「生產力倍率」。營運快速成長也會帶來更多訂單與待辦。

研究進一步追蹤 192 位採用 coding agents 的工程師，與期間未採用的 74 位工程師比較，控制個人與月份差異。這比只問「你覺得有沒有變快」更有資訊，但採用工具並非隨機：正在啟動大型專案、需求突然增加的人，可能也更早使用代理。作者觀察到，採用全自主代理者在採用前已處於較快的產出成長軌跡。

原文還比較同一員工、同月、同目錄下的人寫與代理寫程式，並以後續刪除、修 bug、撤回等訊號檢查品質。這能排查某些容易留下痕跡的問題；長期維護成本、需求是否解對，以及未被發現的錯誤，仍需其他考卷。它支持「部分可觀察品質指標未見差異」，不能升格成程式碼已全面等質。

獨立證據也提醒我們保留場景。METR 在 2025 年的隨機對照研究讓 16 位資深開源開發者完成 246 件熟悉專案的工作，當時主要使用 Cursor Pro 與 Claude 3.5／3.7 Sonnet，允許 AI 的任務平均耗時反而增加 19%。這是早期工具與特定工作的結果，不能拿來否定 2026 年所有代理。

更不能只引用舊結果。METR 在 2026 年 2 月的更新認為後續資料出現加速跡象，卻因參與者與任務選擇偏誤、多代理並行的時間量測等問題，難以可靠估計加速幅度。兩份研究共同帶來的要求是：把任務、版本、交付條件和完整耗時寫清楚，再談提升多少。

真正稀缺的環節：閱讀、決策與讓組織保持同步

The deluge of Claude text needs organizing.

中文：大量湧來的 Claude 文字，需要有人整理。

Anthropic，How employment is changing at Anthropic

這句話把報告的核心拉回人。作者把輸出 tokens 換算成字數，再以每 token 0.75 個英文單字、每分鐘讀 250 字估計閱讀負擔；即使非技術職，也可能需要半週以上才能讀完代理輸出。這是閱讀量推算，不是量到員工真的花了半週逐字閱讀，更不是適用繁體中文的閱讀速度。

報告依抽樣對話摘要分類，將打造代理規格、監控與工作方法等「meta-work」估為互動式對話的 10% 到 22%；這是對話占比，不是工時占比。行事曆則顯示，全體員工的會議時間中位數較一年前增加 20%，技術個人貢獻者也增加 16%。這些都是內部觀察，成長與職能組成變化同樣可能影響結果。

原文中的實際調整包括建立監控面板、讓代理分流請求，以及把專業判斷寫成可查找的規則。產品文案團隊在部分工作交給代理後，轉向提示設計與模型評估；招募人員用工具整理流程後，把時間移到面試與問題設計。變化不只在「同一件事做快一點」，也在工作的對象從成品轉向產出成品的系統。

但代理能讀到的世界，與組織真正知道的世界未必相同。會議改了方向卻未留紀錄，代理可能繼續根據舊文件工作；某人的職責變了，舊文件上的名字仍可能把請求導回他身上。因此「讓資訊可被代理找到」需要負責人、有效日期與替代規則，不能只靠累積更多文件。

想把這個問題看得更具體，可接著讀 為什麼 AI 代理比想像中更難管理；這次的新研究則把管理負擔與實際招聘結構放在同一張組織圖上。

外部招聘研究提供相近訊號，仍不能代替因果識別

Hyunjin Kim 與 Rembrand Koning 的 AI-Native Firms 工作論文比較同產業、同批次的新創，發現 AI-native 企業團隊較小、初階與管理人員占比較低。它區分內部用 AI 與把 AI 能力直接做進產品，並提醒：單家公司用人較少，若同時促成更多企業成立，整個市場的勞動需求仍可能增加。

這份外部研究讓 Anthropic 的觀察有了可比較的背景。它研究的是其他新創樣本，不能當成 Anthropic 內部數字的獨立驗證。新創本來就可能選擇不同人才、地點與商業模式；相關走勢值得追蹤，AI 在其中造成多少改變則需要更嚴格的設計。Anthropic 既是研究對象，也是工具供應商，這個利益位置要求讀者追查指標與反例，並不直接證明資料是假的。

Anthropic 對招聘面試評語的分析，也把變化指向自主性、判斷力與創意使用 AI 工具的經驗；非技術職則更重視客戶與使命導向。這是招聘主管評語重心的改變，不是所有職業已採用同一套標準。讀者可把它當成準備作品與面試敘事的線索，仍要回到具體職務的要求。

原文的訴求：分享收益、預警與轉調；新人仍留下一道缺口

研究最後提出的方向，是讓員工分享採用 AI 的收益、監測職務變化，並優先把現有人力轉到有需求的工作。它也承認，保護現有員工的安排，照顧不到從未被聘進來的人。這是全文最值得留下的區分：內部轉調政策與初階職涯入口，需要不同的答案。

They do not do this for free.

中文：他們不是無償完成這些改變。

Anthropic，原文討論員工分享 AI 採用收益的段落

當員工要把專長寫成機器能使用的規則，又要接受工作持續變動，回報就不只是多一個工具帳號。薪酬、成長機會、轉調選項與安排決策的參與權，都是值得放上桌的問題。廣泛持股是原文提出的一種安排，其是否適合其他組織，仍取決於企業與員工的實際條件。

AlphaLab 的判讀：我同意的變化，與我存疑的推論

一、我同意：判斷與驗收的價值會在流程中變得更顯眼

當草稿或程式碼更容易取得，做出一份產物與決定它可否交付，就成了兩種成本。能把需求說清楚、識別錯誤並對結果負責的人，可能協調更多產出。這並不表示領域知識不重要；恰好相反，想看出似是而非的答案，往往需要知道事情本來應該怎麼運作。招聘評語少談某項能力，也不等於那項能力已不再必要。

二、我存疑：今天要求的判斷力，明天要在哪裡養成？

若企業把容易教、容易檢查的入門任務優先自動化，又只聘能獨立判斷的人，就需要回答培養路徑。新人可以先獨立寫驗收條件、解釋代理的一次失敗、修復一個邊界案例，再逐步承擔更大的責任。這是我們建議的工作設計，並非報告已驗證有效的訓練方案。

判斷力不是在履歷上加上「熟悉 AI」就會出現。作品集可以保留三樣東西：起初要解決的問題、代理犯過的一個錯，以及你如何證明最後結果合格。如何練習提出值得解的問題與 AI 工程師學習路線可補上這條能力路徑。

三、讓另一個代理審核，可以分流，責任仍要有出口

第一層審核可以自動化，但如果作者與審核者共用同一份錯誤背景，兩者一致仍可能一起判錯。較有用的設計是先列硬性條件，再要求證據：數字能否重算、修改是否符合需求、外部動作是否獲准。當不同結果互相矛盾，要清楚指定誰有權停止與改方向。

四、未來應對帳的是機會與交付，不只是 tokens

接下來若要檢驗這個故事，可同時追蹤初階招聘的絕對人數與占比、新人晉升與留任、每份合格交付的人類審查時間，以及錯誤回流後的修補成本。若 tokens 暴增但審查積壓，新系統可能只是把瓶頸往後推；若交付增加且新人能穩定進階，才更接近可持續的組織能力。

Anthropic 就業研究之後，你今天可以做的一次對照

選一件你熟悉、可復原的小工作，先寫下交付條件，再允許代理執行。記錄你寫需求、等結果、檢查與修補各花多久；不要把審查藏進「其他工作」。若你帶團隊，再加問一次：這個流程裡，有沒有一段能讓新人在可控範圍內練習判斷？

這份 Anthropic 就業研究最有價值的提醒，是把效率和人才入口放在一起看。讓更多工作自動完成之後，仍要設計人如何學會判斷，以及誰能有機會學。這比從一張下降曲線外推「明年歸零」，更值得拿去安排下一次招聘與工作分配。