Anthropic 就業研究：AI 代理工時達員工六倍，初階技術新聘占比為何下降？
Anthropic 就業研究顯示，初階技術新聘占比下降，AI 代理工時超過員工。本文拆解六倍工時的定義、產出與覆核成本，以及企業和新人能借用的工作分工方法。
Anthropic 就業研究把一個抽象問題變得具體：當 AI 可以接下更多工作，一家快速成長的公司，會如何改變招聘與分工？
2026 年 10 月 16 日公布的報告指出，公司初階技術人員的新聘占比，從 27％降至 9％。這是新進人員的組成變化，並不等於初階員工人數減少三分之二。
同一期間，AI 代理進入更多工作流程。到 2026 年 8 月，由員工指派的互動式代理運行工時，已達估計員工工時的六倍，許多日常任務開始由人與多個代理共同完成。
六倍工時也不等於六倍生產力。代理工時包含模型推論與工具操作，而員工工時按每人每週 40 小時估計，兩者不是相同的產出單位。
這份研究也呈現工作分工變化。員工能產出更多程式、處理更多業務，但審閱、協調與判斷成了新的壓力來源，招聘者也更重視自主性及決策能力。
對企業與工作者來說，這是一份可用來檢查任務分配的內部案例。它提供初階職位面臨變化的早期訊號，卻沒有證明每家公司都會走上同一條路。
Anthropic 就業研究用了哪些資料？
這份研究的價值，是把人事、AI 使用與工作產出放在一起觀察，而不是只問員工主觀覺得省下多少時間。
依 Anthropic 官方報告，研究使用內部就業、模型使用、產出指標、員工問卷、溝通及行事曆資料，也分析招聘決策紀錄，並以 17 份員工訪談補充背景。
因此，它能描述同一家公司裡，哪些工作使用代理較多、工作流程如何改變，以及招聘者開始強調哪些能力。訪談則幫助理解數字背後，員工實際接手了什麼任務。
不過，樣本是一家開發前沿 AI 的公司。員工熟悉模型，取得工具容易，業務也在快速成長，這些條件和一般製造業、學校或中小企業有明顯差異。
公司的產品需求增加，也可能推高銷售與法律處理量。因此，看到工作量上升，不能把全部變化都算成使用 Claude 的結果。
研究有嘗試追蹤同一位員工在採用代理前後的差異，但工具採用不是隨機分配。準備接手大型專案的人可能更早使用代理，這會讓原因與結果更難拆開。
先記住這個邊界，再看招聘數字，才能分辨公司確實發生的變化，與還需要更多資料回答的因果問題。
初階技術新聘占比從 27％降至 9％，代表什麼？
這個數字表示，新加入技術部門的人員中，初階職位占比下降。它反映招聘組成變化，不能直接換算成全公司的裁員率。
報告另外指出，自 2025 年初以來，技術部門既有員工中的初階占比，從 21％降至 14％。新聘占比與員工占比是兩組分母，因此不應放在一起當成同一條時間線。
以下把幾個相近指標分開，避免一個百分比被解讀成不同意思。
| 指標 | 報告中的變化 | 可以說明什麼 |
|---|---|---|
| 初階技術新聘占比 | 27％降至 9％ | 技術新聘人員的組成改變 |
| 技術部門初階員工占比 | 21％降至 14％ | 部門內資歷結構改變 |
| 技術部門占全公司比重 | 過去一年 61％降至 56％ | 不同部門的成長速度不同 |
| 技術職絕對人數 | 報告表示仍在成長 | 比重降低不等於人數減少 |
表格裡的最後一列很關鍵。公司持續擴張，銷售、財務與招募等部門增長更快，所以技術部門占比下降，仍可能同時增加技術員工。
但組成變化也不是無關緊要。若公司成長時，初階新聘增加得比其他職位慢，新人進入團隊及累積經驗的機會就可能受到影響。
研究提到，2026 年初技術團隊開始討論初階需求下降，到了 4 月，工程及研究團隊已降低對較低職級的招聘重視。部分管理者也表示，AI 改變了他們想找的人。
這能支持「招聘要求正在改變」，卻還不能支持「所有初階工作已經被取代」。要判斷長期影響，仍需追蹤職缺、實際聘用、離職與內部調動。
延伸閱讀：Anthropic 最新研究：AI 還沒搶走你的工作，但年輕白領已經更難被錄取了
招聘變化與 AI 使用同時發生，接下來得看代理到底接下多少工作，以及那些工作怎麼計算。
AI 代理工時是員工六倍，為何不能當成生產力六倍？
代理可以同時運作，所以運行時數很容易超過員工工時，但時數多不保證交付更多可用成果。
報告的六倍比較，限定在員工指派的互動式工作階段，並合併子代理。子代理就是主代理另外分派出去的工作，因此同一個人可能同時啟動多條運算流程。
代理工時包含推論與主動工具操作，排除超過 30 分鐘的等待。人類工時則以員工人數乘上每週 40 小時估計，而不是逐一記錄每位員工實際工作的分鐘數。
這個定義適合觀察代理活動規模，卻不是相同成本或相同產出的比較。例如代理運行一小時，可能有大量嘗試，也可能最後沒有留下可接受成果。
研究因此另外觀察工作產出。工程師提交程式、法律團隊處理合約、銷售完成交易等指標都出現增加，但不同職能仍需各自衡量品質。
在採用工具的分析中，研究追蹤 192 位開始使用程式代理的工程師，並與研究期間未採用的 74 人比較。結果顯示，採用之後新增程式量上升。
新增程式多，也可能包含重複或日後需要刪除的內容，所以研究檢查刪除、修錯與撤回提交等品質替代指標。它沒有發現同一員工的代理程式，在這些指標上有更差表現。
但替代指標仍不是全部品質。程式是否讓產品更好、是否造成難以立即發現的缺陷，以及維護者能否理解，不能只靠行數及撤回紀錄回答。
對企業來說，這提醒了成效衡量要跟交付連在一起。客服應看問題是否解決，工程應看變更是否正確落地，不能把所有部門都換成輸出字數競賽。
代理工作量增加之後，員工也需要花更多精力理解及協調結果，這正是報告下一個重點。
為什麼員工開始花更多時間管理 AI？
當產出變得便宜，人類閱讀與判斷的時間就會成為限制，工作因此轉向安排代理、設定標準與監控進度。
報告估計，即使是非技術員工，若要讀完互動式代理產生的全部內容，也可能用掉超過半個工作週。這不是員工實際閱讀時數，而是按輸出量換算的閱讀負擔。
換算使用每個 token 約 0.75 個英文單字、每分鐘閱讀 250 字的假設。Token 是模型切分文字的單位，所以不同語言與內容類型，讀取難度也不完全相同。
這個估計的意思是，讓員工逐字讀完所有輸出並不可行。團隊需要更清楚的成果摘要、異常訊號與來源，才能把注意力留給真正需要決定的部分。
研究把建立工作流程、工具及代理監控的活動稱為 meta-work，也就是為了讓其他工作順利進行而做的工作。這類活動在平均員工互動式工作階段中的比重，從 2025 年秋季約 10％升至 2026 年春季 22％。
其中包含替代理寫指示、建立監控介面，以及用一個代理檢查另一個代理的輸出。它們也是工作的一部分，並非模型開始運行後就自動消失的成本。
同時，人與人的協調沒有被省掉。依行事曆資料，員工會議時間中位數比一年前增加 20％；技術個人貢獻者的會議時間也增加 16％。
部分變化來自公司擴張與部門組成改變，所以不宜全部解讀為 AI 造成。但它至少顯示，代理增加後，人類協作並未自然退場。
報告也描述一個具體難題：若人在會議裡做了決定，卻沒有留下紀錄，代理就可能沿用舊背景。因此，可追溯的需求、決策及責任人，會直接影響代理能否正確接續。
延伸閱讀：Workbench 多代理協作教學：用 Markdown 看板，把 AI 交接和驗收寫清楚
工作轉向協調與判斷之後，公司想找的能力也跟著改變，新人訓練因此需要重新設計。
公司與新人，可以從這份研究學到什麼？
企業可以先盤點任務被自動化後，誰還在累積判斷能力，而不是只計算每個人能啟動多少代理。
Anthropic 分析招聘評分紀錄後，發現技術職面試者的自主性及判斷力更常被提及，特定領域知識的相對比重則下降。這是公司招聘紀錄的變化，並非所有雇主的共同標準。
對團隊管理者，具體做法是讓任務同時包含明確交付與可學習的覆核。若新人只負責把模型答案轉貼出去，就很難理解哪個判斷出了錯，也難以累積能獨立工作的能力。
例如程式任務可以要求說明需求、比較修改前後行為，再由資深同事檢查測試是否真正對應風險。AI 能協助執行，但人的訓練目標仍應包含理解與取捨。
這不是研究直接驗證過的培訓方案，而是根據工作分工變化提出的建議。是否有效，應看新人能否逐步處理更複雜的問題，以及覆核負擔是否下降。
公司也需要把既有人員調動與外部新進機會分開看。報告表示，任職至少一年的員工，2026 年每月跨部門流動的可能性比 2025 年高 50％，說明內部工作正在重新安排。
內部調職可以協助員工接手新任務，卻無法幫助從未被聘用的人。研究本身也承認，保護現有員工與改善新人入口，是兩個不同問題。
因此，企業若持續減少初階招聘，就還需要回答人才從哪裡長出來。培訓、逐步授權與參與真實專案的機會，都不能只靠模型能力提升來補上。
評估導入成效時，也應避免把員工花在整理背景及修正流程的時間當成免費。若代理數量增加，卻讓少數熟練者承擔所有例外處理，平均輸出上升仍可能掩蓋分工失衡。
團隊可以同時追蹤每項成果的覆核人、退回原因與重做時間。這些紀錄能讓管理者知道需要補的是工具、權限、任務定義，還是人員培訓，而不是只要求大家再多用一點 AI。
對正在求職的人，作品中能展示的判斷過程可能更有說服力。除了完成成果，也保留需求、驗證方式及自己修正模型錯誤的證據，讓雇主看見你能承擔哪一段工作。
Anthropic 就業研究常見問題
這份研究證明 AI 已造成全產業裁員嗎？
沒有。研究分析的是 Anthropic 內部變化，包含招聘組成、產出及工作流程。它不能直接估計整個經濟體的裁員或失業率。
初階新聘占比下降，代表初階員工都離職了嗎？
不是。新聘占比是新加入的人員如何分布，和既有人員離職是不同指標。公司成長速度與不同職級的招聘數量，也會影響這個比重。
六倍代理工時，能拿來預估省下多少人力嗎？
不能直接換算。代理運行與人類工時的定義不同，還要扣除失敗嘗試、覆核、協調及維護成本，並確認最後交付是否可用。
一般公司應該立刻比照導入大量代理嗎？
先從可核對的流程開始更容易判斷成效。記錄完整交付時間、品質與人力投入，再決定是否擴大，不必把前沿實驗室的使用密度當成共同目標。
用任務與人力資料一起看變化
這份研究最有用的地方，是同時呈現代理活動增加、招聘組成改變，以及人的工作轉向判斷與協調。對管理者，下一步是追蹤哪些任務真的完成，以及哪些人因此失去或獲得學習機會。
對工作者，持續使用 AI 之外，也要保留自己如何定義問題、驗證結果與修正錯誤的能力。這些工作不會因產出變多而變得次要，反而會決定成果能否被採用。
想持續追蹤 AI 工作研究與實際工具變化，可以免費訂閱 AI 郵報，並從一項日常任務開始，同時記錄速度、品質與覆核成本。
