Anthropic的内部数据显示，这家公司技术岗新招聘中初级员工的占比，在一年多里从27%降到了9%。初级岗位过去由企业顺带承担培训新人的成本，AI让企业不再需要这样做，这笔成本于是流到了企业外面。但问题是，这一级被跳过的台阶该由谁来承担后果？
1964年，经济学家加里·贝克尔（Gary Becker）在《人力资本》中解释了一个问题：企业为什么愿意雇用一个还干不了多少活的新人？
答案来自一道朴素的算术题。对于走到哪家公司都通用的技能，企业往往不愿自行承担培训成本，因为员工学成后随时可能跳槽。因此，这笔学费最终由新人自己支付，方式就是在入职头几年接受偏低的工资。只要新人的产出略高于这份工资，企业就不算亏损，也在这一过程中完成了人才培养。
10月16日，Anthropic发布了一份报告，记录了这道算术题在一家前沿AI企业中逐渐失灵的过程。
公司内部的人事与招聘数据显示，自2025年初以来，技术部门新招员工中初级岗位的占比从27%降至9%。与此同时，截至今年8月，员工发起的交互式AI智能体（Agent）运行工时，已经达到员工自身工时的6倍。
图丨Agent工时超过人类（来源：Anthropic）
报告作者在结尾坦承，针对在职员工的就业保护，无法惠及那些一开始就没有被招进来的新人。这个问题需要政府通过再培训和收入支持来配合解决。
报告把责任交给了外部，却没有回答成本应由谁承担。AI带来的生产率收益正迅速集中到少数前沿企业，过去由初级岗位附带承担的行业培训职能却无人接手，转型成本被分摊给了全社会。
这一级被直接跳过的台阶，到底该由谁来买单？
新人练手的活
先交给了Agent
这份报告由4名研究者完成。他们调取了Anthropic内部的人事、招聘、Claude使用日志、代码提交、员工调查、日历与Slack数据，并深入访谈了17名员工。
除了新招员工中初级岗位比例大幅下降，技术部门在岗员工中初级员工的占比也从21%降至14%。
这些数字都是比例，6倍的Agent工时也是按照人均每周工作40小时折算出来的。由于Anthropic过去一年规模扩张了约3倍，技术岗位的绝对招聘量其实仍在增长。真正的收缩发生在“原本可能招聘、现在不再招聘”的部分。
AI改变的，正是贝克尔算术题中的“产出”一项。
2026年1月，核心技术部门开始讨论初级技术人员需求下降的问题。最依赖Claude的团队发现，编写代码和查找程序缺陷等工作，越来越多地可以直接交给模型。
一名受访员工回忆，新模型给性能工程师带来的效率提升非常明显，“几乎一夜之间改变了我们要招的人”。
到了4月，工程与研究团队已不再把低职级技术岗位作为招聘重点。同月的一项经理调查显示，约三分之一的机器学习团队经理、五分之一的软件工程团队经理明确表示，因为AI的存在而减少了招聘。
被拿走的，恰恰是新人过去用来练手的基础工作。
按照报告描述，成规模的Agent集群正在公司内部补写大量例行测试与检查、维护日益庞大的基础设施代码，并成批迁移代码库。
行政岗位也出现了类似变化。公司人员规模扩大约3倍，文员类岗位却几乎没有增长。一名行政助理为自己搭建了用于安排日程、筛选邮件的助手Agent。她在访谈中表示，Claude已经越过了替代“真正入门级行政岗”的门槛，她自己的工作重心则转向了更接近“幕僚长”的事务。
报告还给出了一张岗位层面的描述性图表：使用Claude处理最复杂任务的岗位，在今年1月至7月间，初级员工数量增长最慢。
图丨初级岗位增长与Claude任务复杂度（来源：Anthropic）
作者谨慎地没有将两者归结为确定的因果关系，但趋势已经显现：模型能够处理的复杂任务越多，留给新人的岗位就越少。
Anthropic并非孤例。斯坦福数字经济实验室今年8月更新的一项研究，使用薪资服务商ADP的数据测算发现：在22岁至25岁、处于高AI暴露职业的年轻人中，其实际就业水平比按照低暴露同龄人轨迹推算的预期水平低约19%。上一版数据中的缺口为15%。相比之下，有经验的资深员工没有出现类似缺口。
另一项基于美国简历与招聘数据的研究也得出了相似结论：当前的岗位调整，主要通过“少招年轻人”完成，在职员工很少因此被裁。
纽约联储的数据同样印证了这一变化。今年第二季度，美国应届大学毕业生的失业率约为5.6%，就业不足率则达到42%。
正因如此，这笔社会成本并不容易被观察。裁员通常有名单、新闻报道和补偿方案；少招人却不会留下同样清晰的记录。
一名原本可能在今年进入科技公司担任测试工程师的应届毕业生，不会出现在任何失业统计的原因栏里。他可能只是转向一份专业不对口的工作，或者继续攻读一个学位。
6倍的工时
三张只开给门内人的药方
要讨论谁该付账，需要先看清省下来的成本和新增收益流向了哪里。Anthropic的报告提供了一组具体数据。
工程师的人均代码提交量是半年前的5倍。作者跟踪了192名使用编码Agent的工程师和74名未使用者，发现采用工具后，前者的净增代码量显著上升。在同一个月、同一个代码目录下，Agent生成的代码在事后被删除或回滚的比例，与工程师亲手编写的代码几乎没有差异。
非技术岗位也出现了类似增长。法务处理的合同、财务经手的发票、销售签下的客户数量均有所增加。
一名客户经理提到，Claude的自动化工具替自己分担了约20%的日常杂务；另一名客户经理表示，节省出的时间让自己能够多见30%的客户。
图丨各职能产出上升（来源：Anthropic）
在公司层面，作者根据截至今年4月的12个月数据测算，Anthropic成立第五年时的人均营收，已经达到Meta和谷歌在同一发展阶段的2倍至4倍。这些数据统一折算为2025年美元口径。截至今年7月底，Anthropic的年化营收约为650亿美元。
对于这些增长中究竟有多少应归功于AI，报告作者保持了克制。同一时期，Anthropic自身就处于业务高速增长阶段，模型能力增强也会直接推动销售；使用Agent的员工也并非随机抽样，承担重大项目的骨干更可能率先采用新工具。
但即使考虑这些影响因素，收益主要集中在前沿企业内部的趋势依然清晰：更高的人均产出、持续上升的估值和股权增值，主要落在企业与现有员工手中。
面对这些收益的分配，报告给出了3条内部经验。
第一，推行全员持股。
作者将其类比为第二次世界大战后美国汽车工人联合会、钢铁工人联合会与资方达成的协议：工会接受管理层重组和劳动节奏加快，以换取与生产率挂钩的加薪和福利。
报告写道，Anthropic员工将专业知识编码给机器，工作流程不断被打乱，大量日常工作变成了对AI同事产出内容的“快速审查”，“他们不是白干的”。
第二，建立早期预警系统。利用岗位层面的需求与生产率指标，对照AI能力的发展和使用范围，提前识别正在被技术深度改变的岗位。
第三，优先安排内部转岗。
报告显示，今年在公司工作满一年的员工，每月跨部门流动的概率比去年高出50%，甚至出现了整个团队集体转岗的情况。
一个最初负责为Claude.ai撰写前端问候语的产品文案团队，在将日常内容生成交给Agent后，集体转向模型评测与提示词工程。
这3项举措都具有现实作用，但它们存在一个共同点：作用对象全是已经进入公司的人。
股权激励只分给现有员工，预警系统只监测在册岗位，转岗安全网也只在组织内部铺开。作者自己也承认，一旦企业对内承诺优先转岗，对外招聘新人时就难免更加谨慎。在竞争激烈的环境中，长期维持这种转岗承诺的成本很高。
一家企业对内部员工越负责，门外的新人可能就越难获得进入公司的机会。
作者对此给出的解释是，转岗压力会推动企业开辟AI创造的新任务、新产品和新市场，避免只把AI当作裁员和节省成本的工具，从而规避“勉强够用的自动化”（so-so automation）——机器只比人好一点，却让被替代的普通劳动者承担大幅收入下降。
这套逻辑对“门内人”成立。至于由此产生的新任务是否会重新变成适合新人的初级岗位，报告没有给出答案。
市场仍渴求专家
却没人再培养专家
如果AI让经验本身失去价值，那么初级岗位萎缩或许只是一次性的技术调整，原有的人才培养管道也不再需要维持。但Anthropic自己的另一项研究显示，经验的价值并没有消失。
今年6月，Anthropic经济研究团队分析了约23.5万名用户、近40万次Claude Code交互会话，并按照使用者展现出的专业水平进行评分。
结果显示，被评为“新手”的会话，任务成功率仅为15%；“中级及以上”用户的成功率则达到28%至33%。遇到停滞或报错时，新手的放弃率达到19%，熟练使用者的放弃率只有5%至7%。
工具确实进化了，但懂行的人完成任务的成功率依然比新手高出一倍左右。经验的溢价没有消失，最具决定性的一级跃升，恰恰发生在从“新手”到“中级”的阶段。
问题在于，从新手到中级的必经之路，正是过去在初级岗位上通过日常工作逐步走出来的路。
这份就业报告中还有一个容易被忽略的细节：招聘经理筛选候选人时，对自主性与综合判断力的要求越来越高，对具体细分专长和基础执行技能的关注则在减少。
作者利用自动化工具分析了2024年以来的数千份面试评价表，发现技术岗位评语中增幅最大的，正是对“自主性”与“判断力”的考察。
2024年，技术岗位和非技术岗位的评语中，提及候选人具备AI工具使用经验的比例分别只有5%和7%；到了2026年，这两个比例分别增长了约3倍和4倍。
一名受访经理表示，由于模型能力在不同场景中的表现参差不齐，他们希望团队成员拥有跨领域的综合应变能力。
但判断力从何而来？
大多数时候，它来自新手阶段的长期实践。一段底层代码为什么会突然崩溃，一份商业合同中的哪个从句最容易隐藏风险，往往只有在写过大量存在缺陷的代码、审阅过上百份普通合同后，才能形成相应的直觉与经验。
报告在记录在职员工状态时，也提到了这一困境：老员工正在不断把自己的日常工作自动化。在不少岗位上，他们离最初赖以积累经验的基础工作越来越远。
在人机交互会话中，大约80%的时间是Agent在等待人类指令。即使在非技术岗位，仅通读自家Agent生成的全部材料，就可能耗费半周以上。
员工用于“元工作”（meta-work）的时间占比，从去年秋天的10%升至今年春天的22%。这类工作包括为Agent设定边界规则、搭建监控管线，或者让一个Agent审核另一个Agent的成果。
