AI 如何改變 Anthropic 的工作模式

Anthropic 對其內部工程師與研究人員進行了一項內部研究，以了解 AI 工具（特別是 Claude 和 Claude Code）如何重塑軟體開發。研究結果顯示，AI 正徹底改變工作性質，大幅提升產出量並擴展個人技術能力，但同時也帶來了關於技術專長與專業指導的新矛盾。

生產力提升與產出量增加

AI 整合帶來了使用頻率與自我報告生產力的顯著提升。

• 使用率上升： 員工報告在 59% 的工作中使用 Claude，較一年前的 28% 大幅增加。
• 生產力提升： 員工平均報告生產力提升 50%，較去年提升 2-3 倍。這也獲得每日每位工程師合併的 Pull Request 數量增加 67% 的數據支持。
• 產出與時間的關係： 生產力提升主要來自幾乎所有任務類別中產出量的顯著增加，而非僅僅是每項任務耗時減少。
• 新工作內容： 約 27% 的 Claude 協助工作內容為原本不會執行的任務，例如擴展專案、建立互動式資料看板，以及修復「紙張切割」（minor quality-of-life improvements，即微小的體驗改善）。

AI 委派策略

工程師正在發展出針對哪些任務委派給 AI 的特定直覺。大多數員工表示，他們僅能「完全委派」0-20% 的工作，顯示 AI 是需要主動監督的協作者，而非完全放手的工具。

委派標準

使用者傾向於委派符合以下標準的任務：

• 低複雜度／低上下文需求： 使用者不熟悉，但整體複雜度低的任務（例如基本的 Linux 或 Git 操作）。
• 容易驗證： 驗證輸出所需的努力遠小於創造輸出的努力。
• 定義明確： 專案中可獨立的子組件。
• 低風險： 「一次性」的研究或除錯程式碼，品質要求不高。
• 重複性高： 令人厭煩的任務，容易產生心理抗拒而難以開始。

信任進程

許多工程師描述了一種類似於採用 GPS 技術的「信任進程」：從不熟悉的路徑（基本 SQL）開始，最終能信任工具處理日常通勤（複雜的 Python 程式碼），同時仍保有驗證輸出的能力。

技能轉型與「監督悖論」

AI 讓工程師得以成為「全端」開發者，能涉足其核心專業以外的領域。例如，後端工程師開始建構使用者介面，研究人員則建立前端視覺化工具。

技能退化的風險

儘管新能力範圍擴大，但對深度技術技能退化的擔憂仍十分明顯。

• 失去附帶學習： 手動除錯通常迫使工程師閱讀文件與不相關的程式碼，從而建立系統的腦內模型。AI 驅動的解決方案可能跳過此過程。
• 監督悖論： 有效使用 AI 需要高階監督，但監督 AI 所需的技能正是可能因過度使用 AI 而退化的手動編碼技能。

抽象層的轉變

部分工程師認為這是軟體工程的自然演進，類比於從組合語言轉向高階語言的過程。在這種觀點下，「感覺編碼」（使用英文作為程式語言）讓工程師能專注於最終產出與高階模式，而非低階實作細節。

工作場所社交動態的改變

Claude 已成為技術問題的主要諮詢對象，這改變了傳統的指導與合作模式。

• 減少對同儕的依賴： 有些員工表示，80-90% 的問題現在都問 Claude，而非同事。
• 指導影響： 資深工程師注意到，新人來問問題的次數減少，因為 Claude 提供即時指導與解答。
• 社交摩擦： 雖然有些人欣賞不再「占用同事時間」所帶來的社交摩擦減少，但也有人懷念 AI 時代前的人際連結與協作式問題解決。

Claude Code 使用趨勢

分析 2025 年 2 月至 8 月間的 20 萬筆內部對話紀錄顯示，AI 正以更高的自主性處理日益複雜的任務。

• 自主性提升： Claude Code 在無人干預下連續執行工具呼叫的最大次數增加了 116%（從 9.8 增至 21.2）。
• 人類介入減少： 每筆對話的平均人類回合數減少 33%（從 6.2 降至 4.1）。
• 任務複雜度上升： 平均任務複雜度從 3.2 提升至 3.8（滿分 5 分）。
• 任務類型轉變： 使用 Claude 來實作新功能的比例顯著增加（14.3% 至 36.9%），以及用於程式碼設計與規劃的比例也大幅上升（1.0% 至 9.9%）。

職業發展與不確定性

工程師越來越將自身角色視為「AI 代理的管理者」，而非全新程式碼的撰寫者。這種轉變導致廣泛的職業不確定性，部分工程師表達出短期生產力提升與長期對專業無用的擔憂之間的衝突。適應策略包括進一步專精於 AI 審查，以及轉向更具策略性、人際互動與共識建立的工作。