1. 第一张：员工结构的改变

• 这张图的标题为： Anthropic 入门级技术岗位招聘的下降(Decline of entry-level technical hiring at Anthropic)。
• 它通过对比“技术部门”和“非技术部门”，揭示了该公司在不同职能领域对初级员工（Junior）需求的变化趋势。

1.1. 图表基本信息与指标设计

• 纵轴 (Y轴)：% Junior in category（该类别中初级员工/招聘的百分比），从 0% 到 35%。
• 横轴 (X轴)：时间轴，从 3月 (Mar) 到次年的 5月/6月（标注有 2026 年，表明这是一个预测或正在进行中的长期趋势）。
• 图例 (Legend)：
  • 🟦 蓝色线 (Hires)：实际雇佣的初级员工比例。
  • 🟪 粉色线 (Headcount)：现有员工总数中初级员工的比例。
  • 🟧 橙色线 (Open roles)：开放的初级岗位（招聘需求）比例。

1.2. 左侧图表：技术部门 (Technical departments) —— 断崖式下跌

左图展示了技术部门中初级人员的惨淡现状，三条曲线均呈现明显的下降趋势：

• 招聘需求 (橙线)：下降最为剧烈。从最初的约 10% 一路攀升至 11月左右的 21% 峰值后，开始断崖式下跌，最终跌至 6%。
• 实际雇佣 (蓝线)：起点较高（约 27%），随后震荡下行，最终降至 9%。
• 现有员工占比 (粉线)：相对平稳，但也呈缓慢下降趋势，从 20% 左右降至 14%。
• 解读：在技术部门，Anthropic 几乎冻结了入门级岗位的招聘。开放岗位（6%）、实际雇佣（9%）和现有初级员工占比（14%）之间存在巨大落差，说明公司不仅不再招新人，随着老员工晋升或离职，团队中的初级员工比例正在被迅速稀释。

1.3. 右侧图表：非技术部门 (Non-technical departments) —— 相对平稳

右图展示了非技术部门（如市场、HR、运营等）的情况，与左图形成鲜明对比：

• 招聘需求 (橙线)：虽然在初期有所下降并维持在较低水平（最终为 13%），但整体波动幅度远小于技术部门，没有出现断崖式暴跌。
• 实际雇佣 (蓝线)：一直在 20% - 30% 之间波动，最终维持在 26% 的较高水平。
• 现有员工占比 (粉线)：非常稳定，基本维持在 25% 左右。
• 解读：非技术部门对初级员工的需求基本保持稳定。实际雇佣比例（26%）和现有员工占比（25%）高度一致，说明该部门的初级人才梯队保持健康，没有刻意削减初级岗位。

1.4. 核心洞察与总结

1. 严重的结构性倾斜：Anthropic 正在大幅缩减技术类入门级岗位，而非技术类岗位受到的影响较小。技术部门的初级招聘比例（6%-9%）远低于非技术部门（13%-26%）。
2. 招聘冻结信号：在技术部门，未来开放给初级人员的岗位（橙线 6%）极低，这意味着短期内该部门新鲜血液的输入将大幅减少。
3. 行业缩影：这张图反映了当前 AI 行业（或整个科技行业）的一个普遍现象：由于 AI 编程助手（如 Claude 本身）的普及、对高级技术人才的需求增加，或是出于成本控制，企业正在减少对入门级工程师的培养和招聘。

2. 第二张：智能体工作时长超越人类工作时长

• 这张图的标题为：智能体工作时长超越人类工作时长(Agent hours overtake human hours)
• 它展示了一个令人震撼的趋势：在特定的工作场景中，AI智能体（Agent）的运行时间已经远远超过了人类员工的实际工作时间。

2.1. 图表基本信息与指标设计

• 纵轴 (Y轴)：Agent hours per human work-hour（每个“人类工作时长”所对应的“智能体工作小时数”）。注意：这是一个对数坐标轴（log scale），刻度为 0.1, 0.3, 1, 3, 10, 30。对数轴意味着曲线在视觉上的直线上升，代表的是指数级的爆炸式增长。
• 横轴 (X轴)：时间轴，从 2026 年 2 月 (Feb) 到 8 月 (Aug)。
• 关键参考线：图中有一条虚线标注为 “Parity”（平齐/持平线），对应的 Y 轴数值是 1。当曲线在 1 以下时，说明人类工作时长多于智能体；当曲线突破 1 时，意味着智能体工作时长开始超越人类。
• 数据分类：
  • 🟦 蓝线 (Research organizations)：研究组织（或研发团队）。
  • 🟪 粉线 (All employees)：所有员工（整体平均水平）。

2.2. 核心数据与趋势解读

• 指数级爆发：从 2 月到 8 月，两条曲线均呈现出近乎直线的陡峭上升（对数轴上的直线代表指数增长）。这说明 AI 智能体在业务中的参与度正在以极其夸张的速度增加。
• 突破“奇点”（Parity）：
  • 在 2 月份，智能体运行时长仅为人类工作时长的 10%-20% 左右（Y轴 0.1 - 0.2 之间）。
  • 到了 3 月底至 4 月初，两条线先后突破了 1（Parity） 的界限。这意味着从这时起，AI 智能体的工作时长正式超越了人类。
• 最终倍数悬殊：
  • 到 8 月份，**全体员工的平均水平（粉线）**已经达到了 6倍（每个人类工作小时，对应 6 个智能体工作小时）。
  • **研究组织（蓝线）**则更为夸张，达到了 19倍。这说明研发部门对 AI 智能体的依赖度和使用强度远高于其他部门。

2.3. 核心洞察与总结

1. AI 从“辅助工具”变成“数字劳动力”：过去我们讨论 AI 往往是用“节省了多少人类时间”来衡量，而这张图直接表明了 AI（Agent）正在作为独立的“劳动力”在时间维度上大规模运行。它们可以 24/7 不间断工作。
2. 研发部门是 AI 应用的重灾区/前沿阵地：研究组织（19倍）远超平均水平（6倍），说明在代码编写、数据分析、文献调研等高度结构化的知识工作中，AI 智能体已经被极其重度地使用。

2.4. 结合前图结论

*   图1显示：Anthropic 技术部门的**初级人类招聘（Hires/Open roles）断崖式下跌**（降至 6%-9%）。
*   图2显示：技术/研究部门的**AI 智能体工作时长呈指数级暴增**（达到人类的 19 倍）。
*   **两图联动**揭示了一个残酷的现实：AI 智能体已经大规模接管了原本属于初级员工的基础工作，导致企业不再需要招聘大量的入门级人类技术员工。**“人类被 AI 替代”在这里不再是一个预测，而是正在发生的量化事实。**

3. 第三张：各职能的生产力爆发

• 这张图的标题为：各职能的生产力爆发（Productivity boom across functions）。
• 它直观地展示了在引入AI后，不同职能岗位的人均产出（效率）出现了惊人的增长，尤其是技术类岗位。

以下是详细的图表解读：

3.1. 图表基本信息与指标设计

• 纵轴 (Y轴)：Output per person, index (Dec 2025 = 100)（人均产出，指数化：以 2025 年 12 月为 100 的基准线）。
  • 这意味着：曲线上涨到 200，代表该岗位的人均产出翻了一倍；上涨到 500，代表产出是基准期的 5 倍。
• 横轴 (X轴)：时间轴，从 2025 年 9 月 (Sep) 跨越到 2026 年 6 月 (May/Jun)。
• 关键时间节点：一条垂直虚线标记了 2025 年 12 月 (Dec 2025)。这是所有曲线汇聚于 100 基点的时刻。图表展示了这个时间点前后各职能产出的变化轨迹。各自自己 12 月水平都标记为 100，用来对比后续相对增幅。
• 测算方法（底部注记）：使用了 Loess smoother 平滑曲线（一种局部回归平滑算法）来处理底层的指数化产出数据，使得趋势更加清晰。

3.2. 核心数据表现（按最终倍数排序）

图表右侧直接标注了各职能在末期（2026年6月左右）相对于基准线（2025年12月）的产出倍数：

1. 🟦 Commits per engineer（每个工程师的代码提交量）：5.1 倍
   • 这是增长最为陡峭、幅度最大的。在 2025 年 12 月之前，工程师的产出相对平稳；但在这之后，曲线几乎呈垂直般的指数级飙升，最终达到 5.1 倍的产出。
2. 🟪 Queries per data scientist（每个数据科学家的查询量）：3.1 倍
   • 增长第二快。曲线在 12 月后开始加速上扬，最终产出提升至 3.1 倍。
3. 🟧 Contracts per legal employee（每个法务员工的合同处理量）：3.1 倍
   • 与数据科学家并列。法务人员的产出同样在 12 月后迎来爆发，处理效率提升了 3.1 倍。
4. 🟩 Deals per salesperson（每个销售人员的成交单数）：1.7 倍
   • 呈现稳步上升的趋势，最终提升至 1.7 倍。
5. 🟨 Hires per recruiter（每个招聘专员的招聘入职量）：1.4 倍
   • 呈现温和的增长，最终为 1.4 倍。
6. 🟩 Invoices per AP processor（每个应付账款处理专员的发票处理量）：1.4 倍
   • 与招聘专员类似，属于稳步提升，最终为 1.4 倍。（注：值得注意的是，在 2025 年年中，财务/招聘类岗位的产出曾有过一个小高峰，随后回落，直到 12 月后才重新稳步上升）。

3.3. 关键洞察与结论

1. “12月分水岭”效应：图表清晰地显示，在 2025 年 12 月 之前，所有职能的产出都在 100 的基准线附近波动（甚至有些微下降）。而在 12 月之后，所有职能的产出同时迎来了向上拐点，这强烈暗示了该节点可能发生了一次重大的技术部署（例如全面接入 AI Agent 或某种强大的生产力工具）。
2. 知识型/数字化工作的超级红利：产出提升最夸张的是 工程师 (5.1x)、数据科学家 (3.1x) 和 法务 (3.1x)。这些岗位的共性是其工作成果（代码、数据查询、合同文本）高度数字化，极易被 AI 工具（如代码生成、智能问答、文本审核）进行大规模赋能和自动化。
3. 操作/流程型岗位增长有限：销售、招聘和财务（AP）的产出增长（1.4x - 1.7x）相对温和。这是因为这些工作往往涉及更多的人际沟通、线下流程或系统壁垒，AI 的“倍增效应”不如纯数字化工作那么立竿见影。

3.4. 结合前图结论

如果将这三张图放在一起看，一个关于 **“AI 时代的职场新范式”**的完整故事就浮现了：

• 图2 告诉我们：AI Agent 的工作时长已经远超人类（R&D部门甚至达到19倍）。
• 图3 告诉我们：因为有了 AI，留下的员工（人类）的效率迎来了爆发（工程师产出5.1倍）。
• 图1 告诉我们：因为单个员工的产能太高了，企业不再需要那么多“打下手”的初级员工，导致入门级技术岗位招聘断崖式下跌。

总结： 这是一个“少而精”的团队 + “大量不知疲倦的 AI 劳动力”的组合。企业不再通过“堆人力”来扩大规模，而是通过“给现有人类配备 AI 外挂”来实现生产力暴增。这解释了为什么初级岗位在消失，而人均产出在狂飙。

4. 第四张：员工借助 AI 生产力测算

• 这张图的标题为： 基于分批落地 AI 的个体内生产力增长估算（Productivity increases estimated within-person from staggered AI adoption”）。
• 它通过严谨的统计学方法（双重固定效应模型），对比了同一批员工在“采用AI智能体之前”与“采用之后”的绩效变化，并对其产出的质量进行了评估。

这四个子图构成了一个完整的论证链条：AI不仅极大提升了员工的工作量，而且至少在代码质量上，AI写的代码并不比人类差。

4.1. DID（双重差分 / Difference-in-Differences）图例说明

这张图标准名字叫 Event Study Plot（事件研究图），属于 DID（双重差分 / Difference-in-Differences） 的一种动态可视化，业内常直接叫它 DID图、动态DID图；这张是 Staggered DID（交错/分批DID）事件图

DID本身是一套因果识别方法，不是图；这个图是用来展示DID回归结果的标准图表。

4.1.1. 误差棒（置信区间）

这张图里标注的：Bars are 95% confidence intervals（竖棒=95%置信区间）

95%置信区间含义：
在重复抽样下，有95%的概率，真实效应值落在这根误差棒覆盖的区间里面。
点本身是我们算出来的最优估计值。

4.1.1.1. 误差棒的长短含义

• 误差棒短：
  • 样本信息充足、个体之间差异小，效应估计很精确。
  • 越短 → 估计越稳、数据证据越强。
• 误差棒长：
  • 该时间点样本量少（比如刚启用AI第3个月，留下来观测的人不多）
  • 同岗位人员之间个体差异很大（比如销售业绩本身波动极大）
    → 我们对这个效应到底多大，把握很低。
    右下销售图，越往右误差棒明显拉长：就是后期样本变少、成交天然方差大。
  • 越长 → 估计结果的不确定性越高；

4.1.1.2. 两条核心判断规则

1. ✅ 误差棒不穿过0线：统计显著
   代表我们有95%把握：AI带来的这个变化，不是随机波动造成的，是真实存在的效应。
   例：左上工程师，AI启用后第1、2个月，误差棒全部在0以上，不碰0 → 产出提升显著。

2. ⚠️ 误差棒跨过0线：统计不显著
   真实值有可能是正、也有可能是负，我们没法确定AI有没有效果，观察到的变化有可能只是运气/随机噪音。
   例：采纳AI之前（-4 ~ -1月），很多误差棒穿过0，符合预期：用AI之前，两组没有显著差异（平行趋势）

• 结合图里的Y轴：log points
  误差棒是系数的不确定性范围，不是数据本身的波动范围！
  ❌ 不要理解成：员工产出就在这个棒上下浮动
  ✅ 正确理解：“AI带来的产出提升幅度”这个数字本身，存在估计误差，误差棒就是这个幅度的可信范围

举个直观例子：
某一个点估计值是 +0.2 log point（≈+22%）
误差棒从 0.05 ~ 0.35
意思：我们95%相信，真实提升在5%～35%之间，最优猜测是22%

4.1.2. 图的核心思想

普通简单DID，只算出一个总的平均效应：用上AI平均提升多少。

适配这张图AI分批上线的场景，这张动态DID事件图：

1. 把每个人启用AI的时刻定义为自己的0点
2. X轴 = 相对时间：负数=启用AI之前几个月；正数=启用之后几个月
3. Y轴 = 回归系数：AI带来的净提升（相对于同期还没使用AI的对照组）
4. 每个圆点：该月份对应的估计效应；竖棒=95%置信区间（误差棒）

4.1.3. 两大核心作用

• 这也是为什么论文必放这张图的原因：

4.1.3.1. 检验【平行趋势假设】（DID可信度的生命线）

平行趋势：如果没有AI，这批人的产出增长轨迹本来和对照组是一样的
看图左侧（0左边，AI上线前）：
系数贴近0、误差棒大多跨过0 → 上线前两组没有系统性差异，平行趋势成立，结果可信
❌ 红线预警：如果在0左边，点持续显著向上/向下飘，说明在AI上线之前他们就已经在加速增长，那后面的提升不一定是AI带来的，是本身趋势。

4.1.3.2. 看效应的动态演变（随时间怎么变化）

0右侧（用上AI之后）：
可以直观看到效应是：立刻爆发、慢慢爬坡、先升后降、还是稳定不变

• 工程师代码：接入后快速上涨，第2个月到峰值
• 销售成交：缓慢爬坡，起效慢、持续放大

4.1.4. 和普通2×2简单DID对比

4.2. 四个子图的详细解读

4.2.1. 左上图：工程师产出的代码量 (Engineers: code added)

• 横轴：采用 AI 智能体前后的时间（月）。-1 到 -4 是采用前的月份，0 是采用当月，1 到 3 是采用后的月份。
• 纵轴：每月新增代码量的对数点差（Log points vs month^-1），可以理解为相对于采用前一个月（-1）的百分比变化。
• 趋势解读：
  • 采用前（灰底区域）：基准线在 0 附近波动，说明员工在采用 AI 之前的产出是稳定的。
  • 采用后（白底区域）：代码提交量开始显著爬升。在采用后的第 2 个月，产出出现了巨大的跃升（接近 2.0 个对数点，这意味着产出增加了数倍），随后在第 3 个月有所回落，但仍远高于基准线。
• 误差棒（Error bars）：代表 95% 置信区间。采用后几个月的误差棒没有穿过 0 线，说明这种增长在统计学上是高度显著的。

4.2.2. 左下图：全自动化常规编码 (Fully automated routine coding)

• 图表设置：与左上图类似。
• 趋势解读：展示了 AI 智能体接管“常规/重复性”编码任务的能力。在采用 AI 之前，员工在这方面的产出较低且波动；在采用 AI 之后（月份 0 及以后），常规编码的产出显著且稳定地提升到了基准线之上。这说明 AI 很好地分担了繁琐的日常编码工作。

4.2.3. 右下图：销售人员成交客户数 (Sales: clients closed)

• 图表设置：横纵轴含义同左侧，纵轴为每月成交客户数的变化。
• 趋势解读：在采用 AI 之前，销售人员的成单量基本持平。在采用 AI 后（月份 1 到 3），曲线呈现非常陡峭的上升趋势。到第 3 个月时，成单量提升了约 6-7 个单位（相较于基准），且置信区间明显高于 0。这说明 AI 在辅助销售（如话术生成、客户跟进、数据分析）方面带来了巨大的直接业绩提升。

4.2.4. 右上图：代码质量对比 (Quality: AI-written vs human code)

这是整张图表中最具颠覆性的一张散点图，它直接对比了**“人类写的代码”和“同一个人的 AI 写的代码”**的质量差异。

• 横轴：AI - human gap, percentage points（AI与人类代码在各项质量指标上的差异，百分点）。0线代表两者质量相同。点在 0 线右侧代表 AI 较差，在 0 线左侧代表 AI 更好。
• 质量指标（纵轴）：
  • Lines removed, 90d：90天内被删除的代码行数（越低越好）。
  • Removed by bug-fix, 90d：90天内因修复 bug 被删除的代码行数（越低越好）。
  • Explicitly reverted, 90d：90天内被明确回滚/撤销的代码（越低越好）。
  • New lint suppression：新增的代码检查抑制（越少越好）。
  • New TODO / FIXME / HACK：新增的待办/需要修复的烂代码标记（越少越好）。
  • New flaky-test marker：新增的测试不稳定标记（越少越好）。
• 核心结论：
  • 绝大多数圆点（橙点）都落在 0 线附近，且误差棒（横线）都穿过了 0 线。
  • 这意味着，在代码被删除率、Bug率、回滚率等所有衡量代码质量的指标上，AI 生成的代码与人类工程师写的代码不存在统计学上的显著差异。 尤其是最下方“测试不稳定标记”指标，AI 甚至略微优于人类。

4.2.5. 研究方法注记解析（底部文字）

• 对比方法：将“采用 AI 编码助手的员工”与“未采用的员工”进行对比，并使用了个人固定效应（person fixed effects）和日历月固定效应（calendar-month fixed effects）。这排除了员工个人能力差异和宏观时间因素（如某个特定月份业务特别好）的干扰。
• 触发点定义：员工当月至少有 5 次智能体会话，视为开始“采用”。
• 质量代理指标：右上图的质量数据，使用的是直接客观的代码库追踪数据（如代码回滚、Lint检查等）。

4.3. 结合前图结论

这张图用极其硬核的数据（双重差分法 DID、置信区间、代码库客观指标）为前三张图的“宏大叙事”提供了微观证据：

1. 对图3的证实：图3看到的是宏观产出翻了 5 倍，图4从个体角度解释了为什么会这样：因为工程师加了更多代码（左上）、自动化了繁琐工作（左下）、销售能成更多单（右下）。
2. 对图1的完美解释：图1说 Anthropic 不招初级工程师了。为什么？因为图4右上角证明了：AI 写出来的代码质量和人类一样好。既然 AI 能写出好代码，还能不知疲倦地增加代码提交量（图2），企业老板的逻辑就变得非常清晰——我只需要留下能指挥 AI 的高级工程师（人类产出提升 5 倍），不需要再花时间和成本去培养写基础代码的初级工程师了。

5. 第五张：高复杂度任务的岗位中，初级员工数量出现下降

• 这张图的标题为： 在使用高复杂度 Claude 任务的岗位中，初级员工数量出现下降（Junior employment fell in jobs with high complexity Claude usage）。
• 这张气泡散点图（Bubble Scatter Plot）揭示了 AI 使用深度（复杂度）与初级员工就业增长之间的负相关关系。

5.1. 图表基本信息与指标设计

5.1.1. 坐标轴代表的含义

• 横轴 (X轴)：Complexity of the job's Claude tasks (percentile)（该岗位使用 Claude 任务的复杂度，百分位数）。
  • 从 0 到 100。数值越高，代表该岗位利用 AI 处理的任务越复杂（例如：从简单的文本润色，进化到复杂的代码架构设计或多步推理）。
• 纵轴 (Y轴)：Junior headcount growth (log points)（初级员工数量的增长率，对数点）。
  • 0 线是一条黑色实线。位于 0 之上代表初级员工增加，位于 0 之下代表初级员工减少（裁员或不招人）。

5.1.2. 核心图形元素（气泡与趋势线）

• 气泡代表：每一个圆点代表一种具体的岗位（Job）。
  • 气泡大小：代表该岗位在 2026 年 1 月时的初级员工基数（见左下角图例，越大的气泡说明该岗位原有的初级员工越多）。
• 趋势线（虚线）：这是一条基于加权回归分析得出的趋势线（Weighted regression line）。
  • 显著向下倾斜：这条线从左上方（大约 1.0 的位置）一路向下倾斜，在横轴约 70% 的位置穿过了 0 线，并继续向右下方延伸。

5.2. 核心数据解读与洞察

1. 强烈的负相关：图表清晰地显示，AI任务越复杂的岗位，初级员工流失得越严重。
   • 在图表左侧（X轴 < 40）：岗位的 AI 使用复杂度较低，大部分气泡位于 0 线之上，说明这些岗位的初级员工还在增加。
   • 在图表右侧（X轴 > 70）：岗位的 AI 使用复杂度极高，大部分气泡掉到了 0 线以下。特别是右下角那个位于 80% 分位、体型巨大的气泡（代表某个初级员工基数很大的核心岗位），其初级员工数量出现了明显的负增长（下降到了 -0.3 到 -0.4 左右）。
2. 高复杂度任务是初级员工的“重灾区”：
   • 高复杂度的 AI 任务（如高级编程、深度数据分析）往往需要高级员工去设计和指挥 AI 完成。当高级员工借助 AI（如图3、4所示）效率暴增 5 倍时，原本分配给初级员工“打下手”的工作（基础代码、数据清洗）被 AI 直接接管了。这就印证了图1中技术部门入门级岗位的断崖式下跌。

5.3. 底部注记（Notes）的关键信息

• 时间跨度：比较的是 2026年1月 到 2026年7月 的初级员工数量变化。
• AI 复杂度测算：基于 2025年10月-12月 的智能体日志（也就是在初级员工开始大幅减少之前的 AI 使用情况）。这种“时间错位”的测算方法，在统计学上可以用来证明因果关系——是因为前期用 AI 处理了高复杂度任务，才导致了后期的初级员工缩减，而不是反过来。
• 加权计算：气泡大小和趋势线都按 1 月份的就业基数进行了加权，避免小部门的偶然波动影响了整体结论。

5.4. 结合前图结论

这五张图完美地构成了一个逻辑闭环：

1. 现象（图1）：Anthropic 的技术部门入门级招聘正在断崖式下跌。
2. 原因A：AI 夺走了工作时长（图2）：智能体在研发部门的工作时长已经是人类的 19 倍，它们不知疲倦。
3. 原因B：留下的员工产能狂飙（图3 & 图4）：高级员工配上 AI 后，产出暴增 5.1 倍，且 AI 写的代码质量和人类一样好。
4. 铁证（图5）：当高级员工能够利用 AI 处理“高复杂度”任务时，企业就彻底不需要初级员工来处理基础打杂工作了。越是深度使用 AI 处理复杂任务的岗位，初级员工被裁减/停止招聘的比例就越高。

这张图揭示了 AI 时代职场洗牌的残酷真相：AI 的替代性，并非从最简单的体力劳动开始，而是精准打击了那些处于知识密集型行业、原本作为“高级员工辅助者”的入门级白领岗位。

6. 第六张：阅读 AI 的输出所需的时间

• 这张图的标题为： 把阅读 Claude 的输出当作全职工作（Reading Claude as a fulltime job）。
• 它由六个小图组成，展示了公司内部不同职能部门员工，为了“读完”AI（Claude）生成的文本输出，每周需要花费的时间。

这是一个极其直观且震撼的指标，它从信息消费端的角度，证明了 AI 在职场中的渗透率和工作量有多么庞大。

6.1. 图表基本信息与指标设计

• 纵轴：Hours per person per week（每人每周花费的阅读小时数）。
• 横轴：时间，从 2025 年 4 月到 2026 年 4 月。
• 关键假设（底部注记）：图表中的小时数是估算出来的。计算方法是将 AI 生成的 Token 数量转换为单词（假设 1 Token = 0.75 个单词），然后按照人类正常的阅读速度（每分钟阅读 250 个单词）来计算所需时间。
• 注意纵轴刻度的巨大差异：虽然都是小时，但每个子图的纵轴量级完全不同。工程类高达 400+ 小时，而市场营销只有 12 小时。

6.2. 各职能部门的表现（按阅读时长降序）

• 🛠️ Engineering & research（工程与研发部门 - 左上）
  • 数据：高达 424 小时/周。
  • 解读：这是最夸张的一个图。每个员工每周需要阅读 424 小时的 AI 输出，意味着一周（168小时）不眠不休也读不完。这说明工程师们正在极高频地使用 AI 生成代码、文档或测试用例。AI 已经成了他们不可或缺的“超级外脑”，产出的信息量呈核爆级增长。意味着有大量的AI产出是被直接丢弃的，或者需要极其复杂的自动化工具去过滤。
• 💰 Finance & accounting（财务与会计 - 中上）
  • 数据：43 小时/周。
  • 解读：刚好超过标准的一周 40 小时工作量。意味着财务人员只要上班，基本就在阅读 AI 生成的分析报告、对账单或财务摘要。
• 📈 Sales & GTM（销售与市场进入 - 右上）
  • 数据：35 小时/周。
  • 解读：接近全职工作的阅读量。销售人员可能在利用 AI 批量生成客户邮件、市场调研、话术总结或会议纪要。
• ⚖️ Other non-engineering（其他非工程类 - 左下）
  • 数据：27 小时/周。
  • 解读：泛业务岗位，每天有 5 个多小时在看 AI 生成的内容。
• 🏛️ Legal, policy & trust（法务、政策与合规 - 中下）
  • 数据：26 小时/周。
  • 解读：法务人员大量使用 AI 起草合同、审查条款、总结法规，阅读量巨大。
• 📣 Marketing & comms（市场与传播 - 右下）
  • 数据：12 小时/周。
  • 解读：排在最后。营销人员更多是在用 AI 构思创意、写文案，但对于海量文本的阅读需求不如前几个部门那么夸张。

6.2.1. 时间趋势的共同特征

所有六个图表都呈现出一个极其相同的趋势：在 2025 年 12 月左右出现了明显的“向上拐点”（指数级爆发）。
这与我们在图 2、图 3 中看到的时间节点（Dec 2025）完全吻合。这暗示了在 2025 年底，公司内部发生了某种重大的技术部署或模型升级（例如全面推广了拥有极强文本生成能力的 Agent），导致全员的 AI 使用量瞬间爆炸。

6.3. 核心洞察与反思

1. “信息大爆炸”与新型的“AI 疲劳”：图 6 揭示了一个细思极恐的职场现实。AI 确实带来了生产力的飞跃（图3、图4），但代价是人类员工被海量的 AI 生成文本所淹没。在工程研发部门，每周 424 小时的阅读量在物理上是不可能完成的。这意味着：
   • 员工必须选择性阅读。
   • 更多的工作变成了“把关”、“审核”和“指挥”，而不是从头创造。
   • 人类的角色正在从“内容的创作者”被迫转变为“AI 产出的审查员”。
2. 知识密度的倾斜：越偏向逻辑、代码和严谨分析的岗位（工程、财务），被 AI 生成的文本淹没得越厉害。这是因为大语言模型最擅长的就是结构化的逻辑输出。

6.4. 结合前图结论

• AI Agent 成为了主力打工人（图2，工作时长是人类的 19 倍）。
• 留下的员工因为有了 AI 助手，人均产能飙升（图3）。
• 员工的工作模式变成了：给 AI 下达指令 -> AI 疯狂产出 -> 员工花大量时间阅读、审核 AI 产出（图6）。
• 正因为高级员工有能力审核并驾驭 AI 的海量产出，企业自然就不再需要初级员工来做基础工作了（图1、图5）。

总结： 这张图是“AI 驱动型企业”日常运作的真实写照。员工不再是纯粹的“执行者”，而是变成了 AI 巨型产出流的“阅读者”和“过滤器”。人类的审核注意力成为了新的稀缺资源/瓶颈。企业需要重新思考如何利用 AI 来提高效率，而不是简单地依赖 AI 的输出。

7. 第七张：成为工作的管理者

• 这张图的标题为： 成为 Claude 的管理者(Becoming managers of Claudes)。
• 它是一张哑铃图（Dumbbell Chart），揭示了一个极其重要的职场范式转变：员工使用 AI 的方式，正在从“让它干活”转向“管理和指挥它干活”。

这也是整个系列报告中，解释为什么初级员工岗位消失、而高级员工产能爆发的最核心机制。

7.1. 图表的核心指标与设计

• 横轴：Meta-work share of a typical employee's agent sessions（典型员工使用 Agent 会话中，**“元工作”（Meta-work）**所占的比例）。
• 纵轴：公司内部不同的职能部门（按比例从高到低排序），最中间灰色高亮的是**“All functions”（全公司平均水平）**。
• 图例（时间对比）：
  • ⚪ 空心圆：2025 年 8 月 - 10 月的数据（AI 普及初期）。
  • 🟠 实心橙圆：2026 年 4 月 - 6 月的数据（AI 深度应用期）。
  • 连接两者的横线代表这段时间内的增长幅度。

7.2. 元工作（Meta-work）

底部的注记（Note）给出了明确的定义。当员工与 AI 交互时，他们不再仅仅是让 AI “写一段代码”或“写一封邮件”（Actual work）。
“元工作”是指员工把时间花在了：

1. 构建 Claude 的技能（Building Claude skills）：教 AI 如何更好地完成任务。
2. 审查和复盘（Plans and reviews）：检查 AI 生成的内容，规划下一步行动。
3. 构建 Agent 管道（Pipelines）：搭建监控 AI 运行的工作流和仪表盘。
4. 记录工作方式（Documenting how work is done）：为了让 AI 能看懂，员工需要把原本存在于脑子里的经验写成标准流程。

• 简而言之，“元工作”就是管理 AI、调教 AI、审查 AI 的工作，而不是亲手搬砖。

7.3. 核心洞察与反思

• 全员进入“管理者”模式。

• 整体激增：全公司平均水平（All functions）的“元工作”占比，从 2025 年底的约 12%，大幅跃升到了 2026 年中的 22%。这说明员工花在“管理 AI”上的时间正在成倍增加。
• 技术部门是重灾区（也是先锋）：
  • Infrastructure（基础设施部门） 增长最猛，从 5% 左右飙升至 29%。
  • Security & trust（安全与信任）、Developer tooling（开发者工具）、Product engineering（产品工程） 等核心研发部门，全部达到了 25% - 27% 的高位。
  • 这意味着工程师们现在有近三分之一的时间，是在做“包工头”，指挥 AI、给 AI 建规则、审阅 AI 的产出。
• 非技术部门相对较低：
  • Sales（销售） 为 15%，Finance, legal & marketing（财务、法务与市场） 为 12%。
  • 这说明这些部门的 AI 应用还停留在相对简单的“提问-回答”阶段，还没有像技术部门那样建立起复杂的 AI 自动化流水线。

7.4. 结合前图结论

这张图是前面所有现象的根本原因, 揭示残酷的“AI 职场新秩序”。如果我们把六张图连起来看，逻辑链条如下：

1. 底层逻辑（图7）：高级员工的工作性质变了。他们不再亲自写每一行代码，而是把近 30% 的时间用来“管理 Claude（元工作）”。
2. 产能爆发（图3、图4）：因为有了 AI 这个不知疲倦的执行者，加上人类作为“管理者”的精准指挥，工程师的代码提交量飙升了 5.1 倍。
3. 信息爆炸（图6）：AI 疯狂产出，导致工程师每周需要阅读的 AI 输出高达 424 小时。人类的审核能力（图7中的 reviews）成为了新的瓶颈。
4. 工作前置（图2）：AI Agent 的工作时长（19倍）远超人类。
5. 初级员工的消失（图1、图5）：这是最关键的一环。
   • 既然高级工程师已经变成了“AI 管理者”，他们的时间是极其宝贵的，必须花在“制定计划、审查代码、搭建 AI 管道”上。
   • 企业不再需要初级工程师来做基础代码工作了，因为 AI 做得又快又好（图4）。
   • 企业也没有耐心和时间去培养初级工程师，因为高级工程师已经没有精力去手把手教新人了，他们都在忙着“管理 AI”。

总结：
图7证明了 Anthropic 内部正在发生一场**“管理扁平化”**革命。每一个员工都在成为某种程度的“项目经理”，只不过他们手下的兵不是人类，而是无数的 AI Agent。这种工作模式的转变，彻底摧毁了传统科技公司“老带新”、“金字塔式”的人才梯队结构，直接导致了初级技术岗位的断崖式下跌。

8. 思考：新秩序的建立与人类的“锚点”

• 这七张图表共同拼凑出的，并非一幅人类被机器驱逐的末日图景，而是一场极其深刻的生产关系重组。
• 当 AI 能够不知疲倦地贡献 19 倍的工作时长，当代码的产出量飙升 5 倍且质量过关，当员工每周面对的信息流达到物理上无法读完的 424 小时——传统的“人头堆叠”与“老带新”模式已经彻底失效。 入门级岗位的消失，并非因为年轻人失去了价值，而是因为企业不再需要人类去充当“基础执行器”或“高级员工的辅助工具”。
• 未来的职场，将不再是“会写代码”或“会做报表”的人的天下，而是**“会向 AI 提问、会拆解任务、会搭建 AI 工作流、并具备极强鉴赏力去审核 AI 产出”**的“超级项目经理”的舞台。
• Anthropic 的这组数据向我们展示了极致的效率，但也抛出了一个亟待解答的难题：如果每一家企业都切断了新人的培养路径，当现有的高级员工老去，谁来成为下一代指挥 AI 的“超级管理者”？ 在 AI 接管了所有“怎么做（How）”之后，人类的核心竞争力将被迫锚定在更上游的领域——即决定“做什么（What）”与“为什么做（Why）”的深刻洞察力。