先看六个数字
这六个数字都来自原报告。每个数字下面写了它的测量口径，因为口径决定了这个数字能说明什么。
2026 年 8 月，员工直接指挥的 agent 工作小时是人类工作小时的 6 倍
只计员工发起的交互会话，子 agent 合并计算；研究部门是 19 倍。人类小时按“人数 × 每周 40 小时”计算。
每名工程师的代码提交量，和 6 个月前相比
这是所有职能里增长最快的产出指标。律师处理的合同、财务处理的发票、销售成交的单数也增加了。
非技术员工的编程类 agent 会话，从每月 2 次增加到每月 90 次
时间：2025 年 8 月到 2026 年 5 月。“非技术员工”指基线期没有代码提交的人，不含新员工。报告没有写明这是人均数还是总数。
交互式多轮会话里，约 80% 的时间是 agent 在空等人类回复
这是会话的墙钟时间占比，不是员工自己工作时间的占比。
“元工作”在交互会话中的占比，2025 年秋到 2026 年春
元工作指写多 agent 任务说明、让一个 agent 审另一个 agent、监控流水线。数据来自 2,000 条会话一行摘要的抽样编码。
初级人员在技术岗新招聘中的占比，自 2025 年初起
同期公司总人数增长到约 3 倍。非技术岗的初级招聘占比大致没变。
逐条核对：视频说法与报告原文
我按完整的视频文字稿，把其中 19 个主要说法和原报告逐条比对。左栏是视频原话的摘录或概括。判定分四类：
| 视频说法 | 判定 | 报告原文怎么说 |
|---|---|---|
| 孙宇晨：谁能让我入职 OpenAI 或 Anthropic，我愿意免费给 5000 万美金 | 二手来源 | 报告里没有这句话。我只找到 2026 年 10 月 10 日和 10 月 18 日的两条微博转述，没有找到原视频或原帖。应当把它当作开场噱头，不能当作事实依据。 |
| 2026 年 3 月，agent 的工作时间超过了人类 | 一致 | 2026 年 3 月，自主 agent 和交互 agent 的工作小时加在一起，第一次超过人类工作小时。 |
| 到 8 月，agent 工作时间是人类的 6 倍 | 口径不同 | 6 倍只统计员工直接指挥的交互会话，口径比“3 月超过”那个数字窄。按这个窄口径，图中大约在 5 月才和人类小时持平。研究部门是 19 倍。视频把两个口径接在一起讲，听起来像同一条曲线。 |
| 1000 名员工 × 每周 40 小时 = 4 万小时，agent 是 24 万小时 | 视频引申 | 这是视频的举例，不是报告数据。报告确实用“人数 × 每周 40 小时”计算人类小时，所以这个算法本身没错。 |
| 工程师人均代码提交速度，六个月内增长到原来的 5 倍 | 一致 | 每名工程师的提交量是 6 个月前的 5 倍。 |
| 一名销售用 3 到 4 小时、借助 MCP 做出了仪表盘 | 一致 | 原话：“这种开发原本超出我的能力，特别是 UI、把各种工具连起来、MCP……但我大概三四个小时就做完了。” |
| 非技术员工的编程会话从每月 2 次增加到 90 次 | 一致 | 时间是 2025 年 8 月到 2026 年 5 月。报告没有写明这是人均数还是总数。 |
| 销售、财务、人力资源也开始自己开发软件 | 一致 | 三个职能都有具体案例：一名销售做了仪表盘，一名财务经理做了采购申请审核 agent，招聘人员用 agent 做了整合仪表盘。这些是个案，不能由此推断这些部门有多少人在这样做。 |
| 员工在管理“Claude 军团” | 一致 | “army of Claudes”是访谈原话。2026 年 4 月的问卷里，20% 的员工说自己的角色变成了管理 Claude。 |
| 80% 的时间 agent 在等人 | 一致 | 交互式多轮会话的墙钟时间里，约 80% 是空等人类输入。一名工程师的说法是：人在“卡住 agent”。 |
| 读完 AI 的全部输出，要花超过半个工作周 | 口径不同 | 报告正文确实说“即使非技术组，也超过半个工作周”。但是按部门看差异很大：工程和研究是每人每周 424 小时，市场与传播是 12 小时，低于半周（20 小时）。这个估算假设每个 token 合 0.75 个英文词、每分钟读 250 词。 |
| 元工作从 10% 上升到 22% | 一致 | 交互会话中元工作的占比，2025 年秋是 10%，2026 年春是 22%，来自 2,000 条摘要的抽样编码。 |
| 过去一年员工总数增长到原来的三倍 | 一致 | 过去一年公司人数增长到约 3 倍，管理层没有把控制权交给模型。 |
| 初级技术岗招聘占比从 27% 降到 9%，因为 AI 能做初级工作 | 口径不同 | 数字一致。但报告把这部分写成描述性观察，同时提到公司在快速扩张，结构变化“不只是自动化编程的故事”。约 1/3 的机器学习经理和 1/5 的软件工程经理说，因为 AI 少招了人。非技术岗的初级占比大致没变。 |
| 招聘更看重自主性和判断力，判断力就是判断 AI 输出对不对 | 口径不同 | 前半句一致：技术岗面试评语里，自主性和判断力上升最多，领域专长下降。后半句“判断 AI 输出对不对”是视频的解释，报告没有这样定义。 |
| 会议时间增加了 20% | 一致 | 按日历数据，员工会议时间的中位数增加了 20%；技术个人贡献者增加了 16%。 |
| T 恤和杯子的故事 | 一致 | 一名员工换岗很久以后，大家还拿 T 恤和杯子的需求去找他，因为 Claude 读到的旧文档还写着他负责周边。 |
| 要让上下文对 AI 可见 | 一致 | 报告写道：私下进行的工作“不可见、令人困惑、不被鼓励”，工作和决定要在公开的地方进行。 |
| 企业正在从“员工使用 AI”走向“企业组织 AI” | 视频引申 | 这是视频作者的判断。报告观察到的是：agent 围绕单个员工组织，像“一个人的团队”；在报告放大观察的一个大型部门里，人和人之间的沟通结构和密度变化很小。 |
agent 小时怎样超过人类小时
下图重画了报告图 2。纵轴是“agent 小时 ÷ 人类小时”，用对数刻度，所以每上一格是乘以约 3 倍。虚线 1 表示两者持平。
口径：员工发起的交互会话，子 agent 合并；agent 时间含推理与工具调用，不含超过 30 分钟的等待。曲线上的点是按原图目测的近似值，只有 8 月末的 6 倍和 19 倍是报告标注值。
读这张图要注意一点。报告说“3 月首次超过”，指的是自主 agent 加交互 agent 的合计口径，包括大规模自动化的测试、维护和代码迁移。这张图只画员工直接指挥的那部分，所以全体员工的曲线到 5 月左右才过持平线。
瓶颈从“写”变成了“读”
agent 产出越多，人越读不过来。报告用输出 token 估算了“读完全部输出需要多少小时”。下图是 2026 年 4 月每人每周的估算值，虚线是半个工作周（20 小时）。
刻度 0–50 小时；工程与研究的条形被截断，实际是刻度的 8 倍多。条形宽度是数据值，不是设计值。来源：报告图 6，假设每 token 合 0.75 词、每分钟读 250 词。
员工怎样应对
这些动作的共同点是：人不再直接盯每一段代码或文字，而是去搭建让 agent 把活干好的工具。这就是元工作占比从 10% 升到 22% 的原因。
组织：人更多了，会也更多了
人数约 3 倍
公司过去一年人数增长到约 3 倍。技术部门在总人数中的占比从 61% 降到 56%，但技术岗招聘的绝对数仍在增长。
会议 +20%
员工会议时间的中位数增加 20%。员工说，追查到最后的问题往往是组织和技术债问题，需要人一起商量、决定和治理。
agent 进了近一半频道
agent 出现在近一半活跃的公开 Slack 频道。报告放大观察了一个大型部门：人和人之间的沟通结构和密度变化很小，agent 更像“一个员工的私人团队”。
跨部门流动 +50%
2026 年，入职满一年的员工每月跨部门调动的可能性高 50%。一个产品写作团队整体转去做提示词和评测。
T 恤和杯子的故事说明了什么。一名员工换岗很久以后，同事还拿 T 恤和杯子的需求去找他。原因是 Claude 读到的周边文档没有更新，还写着他负责。报告由此得出：私下进行的工作对 agent“不可见、令人困惑”，所以公司鼓励把工作和决定放在公开的地方。对任何公司来说，这一条最容易照着做：先更新“谁负责什么”的文档。
招聘：初级技术岗的招聘占比明显下降
条形宽度直接对应百分比。非技术岗数值按报告图 1 目测，其余为报告正文数值。
时间线：公司从 2026 年 1 月开始讨论初级技术招聘；到 4 月，工程和研究部门已经降低了低职级招聘的优先级。约 1/3 的机器学习经理和 1/5 的软件工程经理说，因为 AI 少招了人。
面试评语也在变。2024 年，提到候选人 AI 工具使用经验的评语，技术岗约 5%，非技术岗约 7%；到 2026 年，分别涨到约 3 倍和 4 倍。技术岗评语里自主性和判断力上升最多，领域专长下降。非技术岗评语里，客户导向和使命感上升，执行力下降。
报告作者自己承认的部分。公司推出了三项应对：员工普遍持股、为高风险岗位建预警系统、内部转岗。但作者写明，这三项都不能解决初级招聘放缓的问题，并呼吁政府提供再培训和收入支持。视频没有提到这一段。
视频没讲、但影响判断的五件事
- 人均收入。在同样的公司年龄，Anthropic 的人均收入是 Meta 和 Google 的 2 到 4 倍（截至 2026 年 4 月的 12 个月，按 2025 年美元折算）。这说明它的业务扩张很快，扩张本身也会改变招聘结构。
- 在所测的质量指标上没有看到差别。报告跟踪了 192 名开始用编程 agent 的工程师和 74 名没用的工程师。按 90 天内被删除的比例、被修 bug 删除的比例、回滚、lint 抑制、跳过测试等指标，agent 写的代码和人写的代码没有差别。报告也提醒：质量有很多维度，AI 的错误可能更难发现，所以这不能证明整体质量相同。
- 使用者本来就在上升。谁先用 AI 不是随机的。最早用全自主 agent 的人，在使用之前产出就已经在上升。所以产出增长不能全部算到 AI 头上。
- 非技术岗的初级占比基本稳定。初级占比下降主要发生在技术岗。报告说，由于外包，公司的文员类岗位本来就很少，增长也慢。
- 数据来自公司自己。这是 Anthropic 研究 Anthropic，部分数据来自员工问卷自报。2026 年 4 月问卷里“流程让我效率最高”的认同率是 75%，但那一期题目措辞变弱了，不能和前两期的 44%、58% 直接比较。
自己算一下
下面两个小计算器用的是报告的同一套算法。改数字后结果会马上更新。
agent 小时和人类小时
人类小时 = 人数 × 每周 40 小时（报告的算法）。1000 人和 6 倍就是视频里的例子。
读完 agent 输出要多久
小时 = token × 0.75 词 ÷ 每分钟 250 词 ÷ 60（报告的假设，基于英文）。中文阅读速度不同，结果只作量级参考。
对普通公司和个人，能直接做的事
Anthropic 是一家做 AI 的软件公司，它的数字不能直接套到其他公司。下面是根据报告提出的试行建议。思路来自报告，具体周期和抽样数量（例如 4 周、5 项）是本页作者设定的。每一条都写了怎样检查是否做到。
1. 先量，再谈效率
选一个能数的产出指标，例如每周处理的合同数、工单数或成交数。先记录 4 周基线，再引入 AI 工具。
检查：有没有引入前后各 4 周的同口径数字。
2. 把“谁负责什么”写清楚并保持更新
T 恤故事的教训是：agent 会照着旧文档办事。每次换岗或调整职责，当周更新负责人文档。
检查：随机抽 5 项职责，文档写的负责人是否都对。
3. 把常用要求写成常驻指令
每天重复说给 AI 的要求，写成一份固定的说明文件，让每次会话都能读到。
检查：同一类任务，是否不再需要每次重新交代背景。
4. 给“读”留时间
agent 产出很快，人读不过来。先让 agent 交摘要、改动差异和需要人决定的问题，全文保留在需要核查时再看。
检查：每周花在读 AI 输出上的时间有没有下降，漏掉的问题有没有增加。
5. 质量用客观指标盯
参考报告的做法：看返工、回滚、被删除的比例，不只看主观满意度。
检查：AI 参与的产出和人工产出，返工率是否相近。
6. 招人时看真实的 AI 使用记录
面试问候选人用 AI 完成过的一件具体事，以及他怎样判断结果可以交付。
检查：评语里有没有写下具体例子，而不是“会用 AI”。
不要照搬的部分。不要因为这份报告就砍掉初级岗位。报告自己说，初级招聘占比下降是在高速扩张、人均收入很高的特殊条件下发生的，作者也承认公司的三项应对解决不了这个问题。如果没有自己的产出数据，就没有依据做这类决定。
来源
- Anthropic, How employment is changing at Anthropic（网页版）；作者 Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory，2026-10-16。
- 同报告 PDF 全文，20 页；本页数字来自正文与图 1、2、6、7、8。
- 孙宇晨言论的二手转述：微博转述（2026-10-10）、微博转述（2026-10-18）；未找到原始视频。
- 被核对的视频文字稿由用户提供，作者未注明。