入门级岗位消失了，「大厂」员工们更焦虑了

作者：小白

2025年11月，Anthropic发布了首份《2026经济指数报告》，这份文件在硅谷引发了截然不同的解读。

乐观者看到AI增强而非替代工作，企业生产力跳跃式提升；悲观者看到代码生成超九成、初级招聘锐减五成、年底五万人因AI失业的冷硬数据。

报告的核心悖论是：AI在重塑职场，但重塑的方式比预想复杂得多，既有人机共融的美好想象，也有入门级岗位加速消亡的现实。这不是二元对立的"取代"故事，而是任务级别、复杂度、教育背景交织而成的立体化洗牌。

01 .

九成代码由机器生成，人类在想什么

Anthropic的报告揭示了一个表面上矛盾的现象：企业工程师将90%的代码编写工作交给AI，同时这些企业的程序员总数并未大幅下降，反而在很多公司保持稳定甚至增长。这看起来像是冯诺依曼式的悖论，却道出了AI时代的真实样貌。

在技术公司，代码生成由ChatGPT、Cursor、Windsurf等工具主导，它们已从简单的代码片段补全演进到跨文件、多步骤的项目级自动化。2025年底，微软内部数据透露，公司已有超30%的新代码由AI生成，到2030年这一比例预计达95%。

这意味着什么？人类工程师并未失业，而是工作内容根本性改变。他们不再花费60%的时间写API接口、数据处理等标准化任务，而是聚焦架构设计、系统复杂问题求解、代码审查与性能优化这类需要深度思考的环节。从任务粒度看，AI承载了编程中最耗时但最可重复的部分。

Anthropic的数据更细致一些。在API用户中（多为企业开发者），这些用户使用AI的方式更偏"自动化"——直接让AI完成整个任务；而消费者（Claude.ai用户）则更多采用"增强"模式，把AI当协作者。这种差异暗示了什么？企业用户已经找到了AI的最佳使用姿态——在流程清晰、标准化高的地方彻底放权，让人类专注于决策和创意。反观消费端，用户还在摸索边界。

但问题随之而来。这种工作重塑需要一个前提条件：企业必须有足够的资源对现有员工进行再培训。EY加拿大在这上面的尝试很有说服力。他们投入了40万小时的培训时间，让75%的员工达到"AI扫盲"水准。

成果呢？只有51%的员工真正在日常工作中规律性使用AI。这个数字背后隐藏着什么波士顿咨询集团称之为"硅天花板"的瓶颈——培训的普及与实际采用之间存在一条鸿沟。员工知道工具存在，却不知道怎么用，或者说组织流程没有为这种新的工作方式腾出空间。

02 .

入门级岗位的加速消亡，经验法则失效了

最残酷的数据来自招聘市场。根据风投机构SignalFire的调研，自疫情以来，大型科技公司对应届毕业生的招聘量下降了50%。2024年，大厂新招聘中初级岗位仅占7%，比2023年下降了25%。初创企业的情况更糟——初级岗位比例只有6%，同比下降11%。这背后的逻辑非常直接：一个资深员工加一套AI办公工具，可以代替整个新人团队。为什么企业还要经历新人的学习期、犯错周期和管理成本？

Anthropic首席执行官Dario Amodei在接受采访时提出了更激进的预测。他认为，在未来五年内，半数初级白领岗位可能被AI"吞噬"，对应的失业率可能上升到10%-20%。

这个预测刺痛了硅谷，因为它触及了一个更深层的恐惧——职场入门门槛的永久性提高。以往，高中毕业生可以通过进入初级岗位、在工作中学习来积累经验。但如果没有初级岗位，积累经验的途径就被堵死了。

具体的受害岗位包括财务助理、法律助理、初级程序员、数据分析师、市场专员。这些职位的共同特征是工作流程高度标准化，任务重复性强，新手入门曲线相对平缓。

Anthropic的研究表明，AI在处理需要14.4年平均教育背景的任务时成功率最高。换句话说，AI优先吞掉的不是要求高学历的职位，反而是那些学历要求不高、流程明确的工作。这产生了逆向选择的效果：技能要求低的岗位最先被替代，导致市场上所有工作的平均技能门槛不断上升。

美国经济数据印证了这一趋势。根据咨询公司Teneo的调查，67%的首席执行官预期AI将在2026年压缩入门级招聘。仅2025年，美国就有接近5.5万人因AI相关因素失业，其中微软、亚马逊、Meta等科技巨头在年底进行了大规模裁员。国际货币基金组织的估算更为宏观——全球近40%的就业岗位在某种程度上受AI影响，但直接替代的大多数发生在发达经济体的初级职位。

03.

成功率的鸿沟，生产率增长的天花板

最有意思的一个转折出现在Anthropic自己的修正中。2024年，Anthropic预测AI将为美国劳动生产率贡献1.8个百分点的年增速。但在2025年底的新报告中，他们将这个数字砍掉了一半，调整为1.0个百分点。原因很简单——他们开始系统性地测量AI在现实工作中的成功率。

数据显示，Claude在简单任务上的成功率接近90%，但当任务复杂性上升时，成功率急剧下滑。对于需要6小时以上专家时间才能完成的复杂项目，Claude的成功率降至66%。而且失败不仅意味着输出无用，还意味着人类需要从头检视、修复甚至重做。这会吃掉不少时间增益。报告的经济学家为此做了一个简单的计算：如果加入成功率这个变量，原本预计的生产率增长就只有一半了。

为什么AI在复杂任务上频频失手？Anthropic给出的解释是，复杂任务需要跨域知识、多步推理、对隐性假设的理解，以及对业务背景的深度把握。一个AI模型，即便参数量再大，也很难像人类一样在脑海中建立起整个企业的运营模式。当一个财务分析师要为企业的海外投资决策建模时，他需要理解汇率政策、当地监管、竞争态势、企业的风险偏好等无数隐性信息。AI可以根据历史数据推演趋势，却难以对这些无形因素进行价值判断。

这也解释了为什么Anthropic报告中出现了一个看似矛盾的统计——任务覆盖率和实际生产力提升出现了错位。49%的职业至少在其四分之一的工作任务中使用了AI，但这并不意味着这些职业的产出增加了四分之一。相反，当企业试图用AI处理更复杂、占比更大的工作时，失败率的上升会抵消掉一部分收益。高盛集团的一份内部数据透露，其员工使用AI后工作效率平均提升12%，远低于技术乐观派预计的50%以上。

AI对美国GDP的实际贡献数字更显冷静。2024年，AI对美国GDP增长的贡献仅为1.1%。麻省理工学院的研究则显示，企业在生成式AI领域的投资已经达到300-400亿美元，但其中95%的企业尚未看到任何实质性的投资回报。这不是AI无用的证明，而是一个扎心的真相：投资回报率的兑现周期远比预想长，企业组织本身的变革能力成了关键约束。

换句话说，2026年的AI职场故事既不是乐观的"增强人类能力"，也不是悲观的"大规模失业"，而是一个极度分化的现状。有能力快速学习、持续升级技能的人会因AI工具而生产力倍增；没有这种能力的人则面临被边缘化的风险。初级岗位在消失，中层工作在被重塑，而顶层的战略性职位反而因AI的出现变得更加稀缺且昂贵——因为最懂得如何驾驭AI的人，往往就是最有经验的那批专家。

‍‍