10 月 16 日，开发出 Claude 的 Anthropic 发布了一份内部就业报告。里面最受关注的数据是，在 2026 年 8 月，员工指挥的交互式 agent（能够独立工作的 AI）与人类员工的工时比达到了 6:1。拆开统计口径看，它量的是 AI 运行时间，不是产出。
顺着运行时间往下拆，报告算 6:1 时，用的是 agent 真正在推理和调用工具的时长：把员工发起的交互式会话和子 agent 算在一起，扣掉超过 30 分钟的长等待，再对比人类每周 40 小时的标准工时。往后翻几页能看到另一个数字：把一次交互会话从开始到结束的墙钟时间当作分母，agent 约有 80% 的时间在等人类输入。两个数字各量一件事：6:1 算活跃工时，80% 算会话时间；合起来看，AI 运行得再多，会话里仍有大量时间在等人类输入。
这种 AI 一直跑、人卡在看结果的局面，正是理解 AI-native 组织的入口。AI-native 组织指公司的流程、信息和岗位默认围着 AI 设计，远不止给每人发账号。AI 接走大量具体工作后，最稀缺的资源从执行力转向了人的注意力、验收和判断力。而 AI 越能自己往下干，越需要拿到足够的历史、决定和边界；少了这些上下文，它只能停在原地等人补课。围绕这个新瓶颈，公司得重新回答四个问题：活怎么干、信息怎么流、人怎么组织、人怎么招。招聘标准变化是最后的结果，起点在日常生产里。
要看生产怎么变，先看 AI 到底接走了什么。在 Anthropic，AI 接走的是成段的工作。去年秋天起，销售代表用上了 AI agent。一位客户经理说，Claude 自动接手邮件起草和客户管理软件集成，替代了大约 20% 的旧任务；另一位销售靠省下的精力多接触了约 30% 的客户。律师用它处理了更多合同，应付账款团队处理了更多发票，销售成交了更多单子。执行变便宜后，验收与判断变贵，人也从亲手做事的位置退到看结果的位置。
顺着销售和法务往下看，非技术岗位连写代码这件事也变了。报告专门统计了基线时不写代码的员工（不含新入职者），他们平均每月发起的编程相关 agent 会话从去年夏季的 2 次猛增到今年春季的 90 次，不写代码的业务人员开始自己搭小工具。到今年 3 月，公司里自主 agent 和交互式 agent 的工时总和第一次超过人类。写代码不再是工程部门的专利。
活干得快了，新的问题就来了：AI 产出的东西开始堆积。如果按字数换算，非技术团队在交互式对话里用 Claude 产生的内容，全部读一遍每周要花半个工作周以上的时间。AI 写内容很快，人核对却要实打实花时间，人的阅读速度成了第一道瓶颈。
堆积的另一面，就是那 80% 的空等。AI 产出的方案和代码人看不过来，开头提到的 80% 会话等待时间，说的就是这件事。有工程师在访谈里形容，他面对的是一支 Claude 大军，每一个都在伸手要他的注意力。agent 跑得越多，停下来等人看结果、做决定的次数也越多。
图 1：AI 跑得越多，人的注意力越容易成为瓶颈。数据来自 Anthropic 2026 年 10 月的就业报告。
人得花更多时间写规则、看结果、搭监控来管这些一直跑的 AI，于是管理 AI 本身变成了正式工作。这类管理 AI 的活儿，占平均员工交互式 Claude 会话的比例，从去年秋天的 10% 涨到今年春天的 22%，大部分增幅来自 agent 管理；会议时间也在涨，中位数员工比一年前多 20%。6:1 的工时比是一道注意力缺口的诊断指标：AI 跑得越快，人的注意力越容易被卡在看结果、做判断、给下一步上。
人退到看结果的位置之后，第一件不够用的东西是上下文。AI 想继续干活，就得知道之前发生了什么。人类熟人在办公室走廊聊两句、心有灵犀就能补全背景，AI 却没有办公室默契。在 Anthropic，员工写给 agent 的常设指令文件，去年夏天只有几百条，一年后飙到 8,500 条。很多组怎么写代码、走流程、守口径，都写成明文规矩，工作要留下文字痕迹，摆到它能看见的地方。
顺着这个变化，日常沟通先变了。Anthropic 近一半活跃的公开 Slack 频道里有 agent 的身影，尤其是那些人和 Claude 对话的专门频道，而在一个大型部门里，原有人类讨论串中的人类回复数量没有下降。这些 agent 像是某个员工自己的小团队，帮他盯进度、查资料、整理上下文，挤进了人的讨论旁边。
反过来，痕迹一旦缺失或未及时更新，AI 就会立刻添乱。比如同事线下开会修改了方案但未记录纪要，后台 agent 就错过更新目标和假设的关键上下文。也有搞笑案例：某员工的名字几个月前挂在一份周边礼品的旧文档上，职责已变，agent 仍持续索要 T 恤和马克杯。在 AI 密集的环境里，藏在私信和无记录会议中的工作看不见、令人困惑，也不受鼓励。工作不写下来，AI 就拿旧上下文做新决定。
为免 AI 拿旧上下文乱跑，决定都得晒到明面上，落到人身上却是心理考验。一位研究人员在访谈里说，绝大多数公司都不这么运转，所有决定和意见摆进公开频道后，领导者就得公开为自己的反馈辩护。以前能私下抹平的分歧和含糊批示，为喂给 AI 当上下文，全得晒在明面上。组织更透明了，这也是透明的代价。
信息摊开在明面上，团队分工也跟着松动。报告里的岗位变化指向同一个判断：AI 接管大量具体任务后，人员角色整体上移，负责把问题切块、调度 AI 并为结果兜底。组织在人与具体执行之间，多出了管理 AI 的这一层工作。
工程团队的变化很典型。去年年底的前一份工作报告里提到，一位工程师估算日常工作已有 70% 以上从写新代码转向审改代码；另一位工程师说，未来的角色是对 1 个、5 个或 100 个 Claude 的工作负责。到 2026 年的报告里，技术部门近 30 天无代码提交的员工占比降了近一半，工程经理代码提交量翻倍。面对成群 agent 的海量提交，他们甚至连版本控制系统都重写了。工程团队的工作重心，正从写新代码转向审代码和管 agent。
比起工程团队，产品设计团队的例子更直观。这个团队最初在 Claude.ai 上写每天问候界面的话，比如夜猫子你好，喝杯咖啡和 Claude 聊聊。到了 2026 年春天，他们搭建上下文图谱，引导 agent 自动撰写产品文案。主管说产能放大了，这就带来另一个问题：如果文案都让 AI 写了，那文字工作者还留在这里做什么？最终整个团队没有解散，而是转去做 agent 提示词工程，专门为 Claude 写模型评测集和提示词。
这种转岗不是个案，跨团队迁移正变得普遍。入职至少一年的员工，到 2026 年每月跨部门流动的概率比 2025 年高 50%。Anthropic 还做了个早期预警系统，追踪容易受冲击的岗位，优先把现有员工调去新岗位，拆分团队边界让人跟着任务走。组织开始把人当成可以重新调配的资源。
同期，Anthropic 的招聘构成也变了。自 2025 年初以来，技术部门初级员工占比从 21% 降到 14%，新招技术员工里初级占比从 27% 掉到 9%，去年年底以来新发的初级技术职位急剧减少。最先缩水的，是初级技术岗。
初级岗缩水发生在公司高速扩招的背景下。在过去一年中，Anthropic 的公司规模增长到原来的三倍，技术部门的招聘绝对数量也在增加；同期销售、财务和招聘团队扩大得更快，使技术部门人数占公司的比例从 61% 下降到 56%。常规代码和修补工作，越来越多地由 Claude 接手。公司还在招人，但招的人变了。
招什么样的人，评分卡上写得最清楚。Anthropic 用自动化工具分析了过去两年数千名已录用员工的招聘经理面试评分卡，发现两年前提到候选人 AI 工具使用记录的比例，技术岗约 5%、非技术岗约 7%，现在分别涨到三倍和四倍。技术面试中，候选人自主性和判断力的讨论增幅最大，特定领域专长的讨论占比反而下降。一位经理说，他预计模型能力还会继续参差不齐，因此希望团队成员能跨领域通用。招人标准正从会做转向能判断。
另一项编程研究也指向同一个结论：典型会话中人做约 70% 的规划决策、AI 做约 80% 的执行决策，十大职业在产出代码的会话中，经验证成功率与软件工程师的差异都在 7 个百分点以内。人决定做什么，AI 决定怎么做。
但决定做什么的判断力不会凭空产生。把初级招聘收缩、带教减少和技能退化放在一起看，判断力的培养渠道正在断。2025 年底发布的工作报告里，一位资深工程师说：“我失落的一点是，初级同事不怎么来问我问题了。”因为新人直接问 AI 就能得到答案，进步也很快，却少了前辈当面指导的过程。不少工程师还担心技能退化和监督悖论：监督 AI 本身需要扎实的编程基本功，过度依赖 AI 反而会削弱基本功，有人干脆关掉 AI 练习手写代码。判断力是在干杂活、踩坑、听前辈指点中慢慢攒出来的；内部调岗接得住现有员工，接不住还没有进门的新人。
图 2：内部调岗能接住现有员工，接不住还没有进门的新人。
顺着从生产到招聘的脉络，老员工内部转岗、新人失去第一级台阶，背后都是一家公司向 AI-native 演进时要重新回答的四道题。它们分别落在生产、信息、组织和招聘上：
| 维度 | 普通公司默认做法 | AI-native 组织做法 | 新的瓶颈 |
|---|---|---|---|
| 生产 | 人跑完流程，AI 打下手 | AI 跑整段流程，人负责规划、判断和验收 | 人的阅读速度、注意力和拍板能力 |
| 信息 | 决定留在会议室和私聊里 | 规则和决定写成明文放进公开频道 | 动作必须留痕，管理者公开经受审视 |
| 组织 | 岗位固定，缺人去外面招 | 多出管理 AI 的一层，人随任务流动 | 提前预警受冲击岗位，内部完成转岗 |
| 招聘 | 招初级分担执行，看重专长 | 压缩初级岗，看重通用性与判断力 | 新人缺少练手和指导，判断力断层 |
普通团队不用照搬全套做法，回到日常工作，有三件事现在就能做。第一，先看团队哪里人审不过来，再谈扩大 AI 规模。如果 AI 写的方案、代码和报表已经堆着没人审，继续加 agent 只会制造更多积压。
看清了注意力缺口，第二步就是把重要的决定和业务规则写下来。不用一口气写几千条指令，可以先从每次会议留几句文字结论开始，让工作留下记录，AI 和人都能查到。
当规则沉淀下来、某个岗位的日常由 AI 接管大半后，就到了第三步：先试着把现有的员工调去做新岗位，再考虑外招。熟悉业务的老员工更容易看出 AI 在哪里犯错，让他们去做规则维护、质量验收或者客户沟通，通常比招新人更省事。
这套做法有 Anthropic 的特殊前提。它一年内规模增长到原来的三倍，估值上涨，员工普遍持股，内部调岗更容易发生，普通企业很难照抄。阅读这份报告时也要看清方法局限：数据来自公司自报和 17 位员工的访谈，没有做对照实验，准备接手大项目的员工可能本来就会主动用上 AI；前文关于判断力培养断层的分析，也是顺着初级岗缩水和带教减少做的推演。何况主观感受也有偏差：去年 METR 做过一项开发者随机实验，让 16 位有经验的开发者用早期的 AI，发现他们实际耗时反而长了 19%，自己却觉得快了 20%。因此，6:1 的工时比更不该当成团队追求的目标。
归根结底，AI 进入组织之后，最稀缺的资源从执行转向了判断与问责。现有员工可以调去新岗位，但新人的判断力不会自己冒出来。如果初级岗位一直缩减，五年后那些为 AI 拍板、兜底的人，去哪里锻炼他们的判断力？