Anthropic工程师59%的工作靠AI完成——内部数据揭示了什么

当一家AI公司把显微镜对准自己会怎样？Anthropic刚刚给出了答案，数字很引人注目——不是因为高得离谱，而是因为它们精确地展示了AI整合在实践中到底长什么样。

2025年8月，Anthropic调查了132名自家工程师和研究员，进行了53次深度访谈，分析了超过20万份2025年2月到8月的内部Claude Code记录。[事实] 这是目前最细颗粒度的观察之一，看知识工作者如何日常使用AI——不是假设性的调查，而是真实的工作流程。

从28%到59%：使用曲线在加速

一年前，Anthropic员工报告在大约28%的工作中使用Claude。[事实] 到2025年8月，这个数字跳升到59%——十二个月内翻了一倍多。[事实]

生产力提升也走了类似的曲线。自我报告的生产力改善从20%涨到50%。[事实] 14%的受访者报告提升超过100%——本质上是在AI辅助下产出翻倍。[事实]

这些不是假设性预测。这些数字来自造AI工具并且每天用它们的人。如果有谁应该擅长从AI中获取价值，那就是创造它的工程师。这个背景很重要，我们后面会回来说。

工程师到底用AI干什么

最常见的日常用例可能会让你意外：调试（debug）。[事实] 55%的受访者每天用Claude追踪bug。代码理解排第二，占42%，功能实现排第三占37%。[事实]

设计和规划任务——需要架构判断力的高层思考——仍然是AI采用率最低的领域。[事实] 工程师们选择把容易验证输出的任务交出去：如果Claude写了有bug的代码，测试会失败你马上就知道。如果Claude做了一个糟糕的设计决策，后果可能几个月后才发现。

这种选择性委托的模式与我们对Anthropic经济指数的分析一致，该分析发现AI使用集中在"增强"而非完全自动化上。

改变一切的27%

也许最重要的发现：27%的AI辅助工作如果没有AI根本不会被做。[事实] 这些不是变快了的任务——这些是本来就不会存在的任务。工程师用Claude探索不熟悉的代码库，写本来会跳过的测试，修复小烦恼（所谓的"papercut修复"占Claude Code使用的8.6% [事实]），以及原型化那些手动做感觉太花时间的想法。

这挑战了AI要么"替代"要么"增强"人类工作的简单叙事。AI影响的相当一部分是在创造全新的工作——扩展个人在时间约束内认为可行的范围。

对软件开发人员和计算机程序员来说，这是一个重要信号。AI不只是让现有任务更快；它在扩展一个人能完成的范围。后端工程师现在可以构建前端界面。研究人员可以创建数据可视化而不用学新框架。专业化之间的界限正在模糊。

不断增长的自主性，不断增长的担忧

Claude Code的自主性有了可衡量的提升。[事实] 连续工具调用数——Claude不需人工干预就执行的动作——六个月内从约10翻倍到20。同时，每次对话中的人类输入减少了33%，从6.2降到4.1。[事实]

工程师们在后退，让AI独立处理更长的工作段。功能实现作为用例从14%增长到37%，甚至设计和规划工作从1%爬升到10%。[事实]

但访谈透露了一股潜在的担忧。一位工程师提到，"当产出变得如此容易和快速，要真正花时间去学点东西就越来越难了。" [事实] 另一位指出了一个悖论：有效使用Claude恰恰需要那种可能因过度依赖Claude而退化的编程专业知识。

有些人报告了短期乐观搭配长期不确定性。正如一位所说：AI可能最终会"让我和很多人变得无关紧要"。[事实] 这不是一个恐惧技术的人说的——而是一个以造这些系统为生的人。

对软件从业者的意义

对软件开发人员、数据科学家和计算机程序员来说，这项研究既有鼓舞也有警告。

鼓舞的一面：AI目前让开发者更高效，而不是替代他们。Anthropic每位工程师每天合并的Pull Request数增长了67% [事实]，但人员编制没有相应缩减。工作扩展填满了新的产能。

警告的一面：趋势很明确。使用率一年翻倍。自主性六个月翻倍。设计任务——长期被视为工程中最人性化的部分——也开始被委托了。如果你是一个主要价值在于写代码而非理解问题的开发者，舒适的中间地带正在被侵蚀。

[观点] 能兴旺的开发者是那些掌握元技能的人：知道什么时候该委托、验证什么、如何有效地指导AI。这项研究显示，即使在一家AI公司，超过一半的受访者也只完全委托了0-20%的工作。[事实] 未来的核心技能不是提示词——而是判断力。

不该忽视的限制

Anthropic员工不是典型的知识工作者。他们构建Claude，深入了解其能力，在一个旨在最大化AI采用的环境中工作。[观点] 如果AI生产力提升的上限在59%整合率下约为50%，那么大多数AI专业知识较少、工具较弱的公司将看到明显更低的数字。

研究也承认了显著的局限性：对活跃用户的选择偏差、非匿名回答中的社会期望效应、以及自我报告生产力提升的固有困难。[事实]

尽管如此，这正是其价值所在——它展示了当前AI对技术工作能做到的上限。这是预览，不是预言——但每个软件从业者都应该关注。

来源

• Huang, S., Seethor, B., Durmus, E., Handa, K., McCain, M., Stern, M., & Ganguli, D. (2025). "How AI is transforming work at Anthropic." Anthropic Research. https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

更新记录

• 2026-03-23：基于Anthropic内部研究（2025年12月）首次发布。

---

本分析在AI辅助下生成。所有事实性声明标注[事实]，观点解读标注[观点]，预测标注[估算]。来源数据和方法论详见链接论文。详细职业数据请访问各职业页面。