Anthropic 如何重塑工作方式

Anthropic 对其内部工程师和研究人员进行了一项研究，以了解 AI 工具（特别是 Claude 和 Claude Code）如何重塑软件开发。研究发现，AI 正在通过大幅提升产出量并拓宽个人技术能力，彻底改变工作的性质，尽管这带来了关于技术专长和职业指导的新矛盾。

生产力提升与产出量增长

AI 的整合显著提高了使用频率和自我报告的生产力。

• 使用频率提升： 员工报告在 59% 的工作中使用了 Claude，较一年前的 28% 显著上升。
• 生产力提升： 员工平均报告生产力提升了 50%，较去年增长了 2-3 倍。这一数据得到了每名工程师每天合并的拉取请求（pull requests）数量增长 67% 的佐证。
• 产出与时间的关系： 生产力的提升主要源于几乎所有任务类别中产出量的大幅增加，而非任务耗时的简单减少。
• 新增工作内容： 约 27% 的 Claude 协助工作是原本不会开展的任务，例如扩展项目、创建交互式数据仪表板，以及修复“纸板切口”（minor quality-of-life improvements，即微小但能提升体验的改进）。

AI 委派策略

工程师正在发展出对哪些任务应委派给 AI 的特定直觉。大多数员工表示，他们只能“完全委派”0-20% 的工作，表明 AI 更像需要主动监督的合作者，而非完全放手的工具。

委派标准

用户倾向于将满足以下标准的任务委派给 AI：

• 低复杂度/低上下文依赖： 用户不熟悉但整体复杂度较低的任务（例如基础的 Linux 或 Git 操作）。
• 易于验证： 验证输出所需的努力远小于创建输出所需的努力。
• 定义清晰： 项目中可解耦的子组件。
• 低风险： 无需高质量的“一次性”研究或调试代码。
• 重复性： 令人厌烦的任务，容易引发心理抗拒而难以启动。

信任演进过程

许多工程师描述了一种类似于采用 GPS 技术的“信任演进”过程：从不熟悉的路线（基础 SQL）开始，最终能信任该工具处理日常通勤（复杂 Python 代码），同时仍保留验证输出的能力。

技能转型与“监督悖论”

AI 正在使工程师能够成为“全栈”开发者，允许他们在核心专长之外的领域工作。例如，后端工程师正在构建用户界面，研究人员正在创建前端可视化。

技能退化风险

尽管新能力范围广泛，但人们对深度技术技能退化的担忧显著。

• 丧失附带学习机会： 手动调试通常迫使工程师阅读文档和无关代码，从而构建系统的心理模型。AI 驱动的解决方案可能绕过这一过程。
• 监督悖论： 有效使用 AI 需要高水平的监督，但监督 AI 所需的技能正是可能因过度使用 AI 而退化的手动编码技能。

抽象层级的转变

一些工程师认为这是软件工程的自然演进，类似于从汇编语言转向高级语言。在此视角下，“氛围编程”（使用英语作为编程语言）使工程师能够专注于最终产品和高层级模式，而非底层实现细节。

工作场所社交动态的变化

Claude 已成为技术问题的主要咨询对象，这改变了传统的导师指导和协作方式。

• 减少对同侪的依赖： 一些员工报告，80-90% 的问题现在都提交给 Claude，而非同事。
• 导师影响： 高级工程师注意到，初级员工向他们提问的频率降低，因为 Claude 能提供即时指导和答案。
• 社交摩擦： 虽然一些人欣赏不再“占用同事时间”的社交摩擦减少，但另一些人怀念 AI 时代前的人际互动和协作式问题解决。

Claude Code 使用趋势

对 2025 年 2 月至 8 月期间 20 万条内部对话记录的分析显示，AI 正在以更高的自主性处理日益复杂的任务。

• 自主性提升： Claude Code 在无人干预下连续调用工具的最大次数增加了 116%（从 9.8 上升至 21.2）。
• 人工输入减少： 每条对话中的人工交互次数平均下降了 33%（从 6.2 降至 4.1）。
• 任务复杂度上升： 平均任务复杂度从 3.2 提升至 3.8（5 分制）。
• 任务类型转变： 使用 Claude 实现新功能的比例显著上升（14.3% → 36.9%），代码设计与规划的比例也大幅增加（1.0% → 9.9%）。

职业发展与不确定性

工程师越来越将自身角色视为“AI 代理的管理者”，而非新代码的直接编写者。这一转变引发了广泛的职业不确定性，部分工程师表达了短期生产力提升与长期职业被边缘化的担忧之间的冲突。适应策略包括进一步专精于 AI 审查，以及转向更具战略意义、人际互动和共识构建的工作。