AI公司员工眼中的2030年，与普通人完全不同

该图片使用了AI生成技术

原始报告：The AI Expectations Gap: Public and Frontier Lab Views on AI’s Impact on Work｜Anthropic Institute｜2026年10月16日，头图：AI生成

一、最了解AI的一群人，正在想象一种完全不同的工作世界

如果一位刚入职的年轻工程师打开招聘软件，他最关心的也许是：今年还有多少初级岗位？而在硅谷一家前沿AI实验室里，工程师正让Agent写代码、检查漏洞、执行一部分过去需要自己完成的任务。两个人使用的可能是相近的AI技术，对工作的感受却未必相同。

Anthropic在2026年10月16日发表《The AI Expectations Gap》，把这种差异变成了一组可以比较的数据。研究人员于当年8月访问了具有全美代表性的美国成年样本，以及每天开发和使用前沿模型的Anthropic员工。他们没有问“你喜欢AI吗”这样宽泛的问题，而是追问：AI究竟能做什么、企业会不会用、它能节省多少时间、会不会独立工作，以及被替代的人需要多久才能找到下一份职业。

结果并不是简单的“圈内人乐观、圈外人悲观”。两组人对AI今天能做什么，判断其实并不遥远；真正拉开距离的是未来四年。Anthropic员工平均预计，2030年AI可以完成自己目前75%的工作时间对应的任务，而美国在职人士的平均预期只有28%。但在同样的岗位自动化预期下，两组人对失业率的判断又十分接近。问题不在于谁更懂经济，而在于他们看到的技术世界已经不一样。

以下为原报告的完整编译：

二、AI会怎样改变未来几年的经济？

AI能力正在快速进步。未来的模型甚至可能越来越多地参与开发自己的后继模型，也就是所谓的“递归式自我改进”，从而进一步加快技术进步。但这种变化究竟何时出现、会有多大影响，目前没人能给出确定答案。有关预测差异很大，争论也十分激烈。

研究者想弄清一个更基础的问题：人们对AI经济影响的分歧，究竟来自对技术进步速度的不同判断，还是来自对企业采用速度、应用方式的不同理解？如果AI真的让经济快速增长，需要满足什么条件？

为此，团队在2026年8月针对两类群体进行调查：一类是具有全美代表性的美国成年人；另一类是Anthropic员工。调查涵盖能力、采用、时间节省、自主程度和转岗难度等问题。由于后者每天都在开发和使用前沿AI，他们的回答能够呈现离技术最近的一群人如何想象未来。

三个主要发现值得先说明：其一，两组人对AI当前能力的判断大体一致，但Anthropic员工预计未来能力发展得更快、应用范围更广、人的参与更少，且节省时间的幅度更大。其二，在个人工作层面，预期差距尤其明显：75%对28%。其三，两组人对就业的推理方式类似——越认为AI能承担自己工作的受访者，越倾向于预测更高的失业率；当两组人认为自己工作的自动化程度相同时，他们给出的失业率预测也大致相当。

三、2030年的AI，像来自两个世界

研究人员列出八项任务，从写一封日常邮件、记账、报税、起草合同、开发软件产品、经营线上业务，到设计并发表科学研究，以及做出诺贝尔奖级别的科学发现，询问AI何时能达到一名熟练专业人士的水平。

关于当下，两组人给出的难度排序几乎一样，尤其是那些复杂任务。例如，大约四分之一的美国成年人和Anthropic员工认为，AI目前已能设计、执行并发表科学研究。真正的差距从“明年”和“2030年”开始显现：到2027年，90%的Anthropic员工预计AI可以胜任这类科研任务，美国公众只有38%；到2030年，91%的员工相信AI能做出诺奖级发现，美国公众的比例是39%。

另外，针对不同任务，有19%—40%的美国成年人认为AI“永远做不到”；在Anthropic员工中，持这种判断的人最多只有2%。

图1｜数字表示受访者“认为AI能达到熟练专业人士水平”的比例，不表示模型实际通过了这些任务，也不代表企业一定会使用。美国公众回答经全国代表性加权，原文样本N=10,980；员工回答未加权。来源：Anthropic Institute，2026年10月16日。

接触AI的频率似乎能够解释一部分差异。在美国公众样本中，约五分之一的人经常在工作中使用AI；这群人里，56%相信到2030年AI能完成八项任务中的至少七项。全体美国成年人是41%，从未用过AI工具的人是28%，但即使是经常使用者，也远低于Anthropic员工的96%。

四、AI能做，不代表公司一定愿意用

AI对经济的影响，不能只看技术能力。一项工作即使已经可以交给AI，企业也得决定是否部署，客户是否愿意接受，员工要学习怎样配合，还要承担试错与调整成本。

对那些AI在技术上能够完成的工作，美国成年人预计，到2030年其中42%会真正使用AI；Anthropic员工预计这一比例为65%。两组人都认可AI会继续进入职场，但对扩散速度的看法不同。

为了弄清企业为什么可能不用AI，研究团队请美国成年人从九类障碍中最多选择三项。排名第一的不是算力或模型能力，而是“客户更愿意与真人打交道”，其次是数据隐私与安全、AI不够可靠，以及法律法规与责任问题。技术能完成一项任务，并不意味着客户愿意把保险赔付、医疗咨询或金融纠纷完全交给机器处理。这里的场景是帮助读者理解的示例，并非调查中的独立案例。

图2｜比例为美国成年人将该项列入“前三大障碍”的占比，允许多选，合计不等于100%；这道题未向Anthropic员工提出。来源：Anthropic Institute。

经常在工作中使用AI的美国成年人，更把隐私与安全视为障碍：其中42%将其列入前三，其他受访者为37%。相反，他们对“客户偏好真人”的重视略低：37%对42%。常用AI的人可能更熟悉它的实际局限，但这仍属于调查相关性，不能证明使用AI改变了某个人的观念。

五、关键不只是“AI能不能做”，而是“人还要参与多少”

如果AI把一项复杂工作从头做到尾，人可能被替代；如果AI只是帮忙查资料、起草、整理，让员工完成更多任务，它也可能成为提升生产率的辅助工具。这两种用途，对就业的影响不一样。

研究者请受访者想象2030年的五类任务，假定AI对这些任务已经有用，再判断最终由谁执行：完全由AI独立完成；AI完成主要部分，人来检查；人完成主要部分，AI辅助；或完全由人完成。

Anthropic员工中，绝大多数人预计届时将属于前两种情况——AI独立做，或AI做完由人审核。而约四成美国成年人仍预计，人会完成大部分工作，或只使用一点AI帮助。

图3｜展示选择“AI独立完成”或“AI完成主要部分、人工审核”的受访者比例。并非AI实际自动化完成率。来源：Anthropic Institute。

六、AI到底省了多少时间？

如果一项工作只是换成AI去做，却并没有省下多少成本或时间，那么它有可能改变用工结构，却未必显著增加社会产出。经济学家Daron Acemoglu与Pascual Restrepo曾把这一类效果有限的自动化称为“so-so technology”，大意是一种“勉强够用”的技术。与之相对，如果AI只用原来一小部分时间或费用就能完成相同任务，宏观经济受益的空间才会明显扩大。

研究人员让受访者选择一项今天的AI特别适合做的任务，例如总结文档、起草邮件，并比较使用AI与不使用AI完成任务所需的时间。计算中需要包括核对和修改AI结果的时间，而不只是模型生成文字的几秒钟。

在Anthropic员工中，85%表示使用AI完成此类任务，所需时间不超过原来的一半；59%表示只需原来四分之一或更少的时间。经常在工作中使用AI的美国成年人里，典型回答是“用一半时间”，其中26%称可以缩短到四分之一或更少；29%说耗时并未减少，甚至更长。Anthropic员工中只有5%这样回答。对不在工作中使用AI的美国成年人，21%估计这类任务可以缩短到四分之一或更少。

图4｜调查问的是今天AI适用的具体任务，且要求计入人工检查和纠错时间；不代表AI让全部工作效率提升四倍。来源：Anthropic Institute。

研究者认为，Anthropic员工的回答可能部分来自切身经验。另一份同步公开的公司内部就业研究发现，在引入编程Agent后的一个月内，工程师新增代码行数达到此前的三倍；销售人员引入Agent后完成了更多客户交易，法律和招聘等岗位的一些可量化产出也增加了。这里必须提醒：代码行数不等于代码质量，也不等于商业利润，同一家公司的观察结果不足以代表所有企业。

七、面对自己的岗位，75%与28%的差距最明显

当问题从“AI会有什么能力”转成“AI能替我做多少工作”，分歧进一步放大。Anthropic员工平均认为，到2030年，AI将能够完成其当前工作时间对应任务的75%；美国在职人士的平均判断只有28%。在美国受访工人中，仅约5%认为AI可完成自己80%以上的工作。

美国公众不同职业之间也存在差异：体力技术、生产和交通岗位的从业者平均预计AI能承担25%的工作时间；计算机、工程和科学职业为33%。即便是后者中经常使用AI的人，预期也只有40%，远低于Anthropic员工的75%。

图5｜受访者预计到2030年AI能够完成其自身工作小时数的比例。到2030年AI能够完成受访者当前工作小时数的比例。美国成年人样本仅限在职受访者。工作人员通过滑块作答，而美国成年人选择范围，我们使用范围中点。条形图显示95%置信区间。来源：Anthropic Institute。

这里有一个容易误读的地方：“75%的工作可以由AI做”并不等于“75%的人会失业”。一位编辑一天里可能有找资料、核实、采访、写稿和沟通等不同任务，即使其中大部分可以由AI处理，负责判断、把关和承担后果的岗位仍可能存在。行业能否在任务自动化后保留同等数量的人，则是另一个需要真实用工数据回答的问题。

八、越相信自己的工作会被AI做，越预计失业率会上升

研究者告知受访者，调查时美国失业率约为4.2%，然后请他们预测2030年的失业率。研究将人们按“预计AI能完成自己多少工作时间”分组，比较不同组的平均判断。

在美国受访工人中，认为AI只能承担自己不到一半工作的人，平均预计2030年失业率为7%—8%。超过一半之后，随着预期的AI可承担比例上升，预计失业率也逐步提高。认为AI可完成自己80%或更多工作的人，平均预计2030年失业率达到12.2%，高于美国金融危机期间曾出现的峰值水平。

统计关系显示，在美国在职者中，个人预计受AI影响的工作比例每多10个百分点，对2030年失业率的预测平均高0.4个百分点。研究进一步发现，泛泛相信AI能解决更多任务，与失业率判断没有这样的联系；真正与失业预期密切关联的，是一个人认为自己的具体工作会受到多大影响。Anthropic员工身上也出现相似关系。

图6：按受访者预计AI能够完成其自身工作小时数的比例划分的2030年失业率平均预测值。受访者被告知当前美国失业率为4.2%，并被问及他们预计2030年的失业率是多少。面板（A）按受访者预计到2030年AI能够完成其当前工作小时数的比例将在职受访者分组，并展示每组的平均预测值和95%置信区间。受访者少于20人的组被省略。面板（B）展示每组中美国工作者和Anthropic员工的占比。来源：Anthropic Institute。

因此，两个群体未必对“AI怎样影响劳动力市场”有两套相反的理论。更合理的解释是：他们对AI实际能够完成多少工作，拥有不同经验，也就形成了不同预期。

九、工作可以被自动化，但公司仍可能继续招聘

令人意外的是，尽管Anthropic员工预计AI会承担自己大部分工作，他们并不普遍认为公司会缩减员工规模。95%的受访员工预计，接下来12个月Anthropic总人数将增加；给出预期的员工中位数是增长66%，27%预计人数至少翻倍。

原报告特别提醒：这只是2026年8月内部员工投票中的个人预测，不是Anthropic的正式招聘计划，更不是公司承诺。它揭示的是一种观念：某些任务自动化，与公司裁撤对应比例的岗位，并不是同一个命题。企业可能凭借更强的生产能力扩张，也可能减少特定岗位招聘，两者可以并存。

但对已经丢失工作的人来说，下一份工作没那么容易找到。研究问受访者：如果2030年有人因AI自动化失去岗位，而且不得不更换职业，多久能找到新职业的工作？Anthropic员工给出的时间中位数是12个月；美国成年人的中位回答落在7—12个月区间。两组人并不是断言未来一定如此，而是对职业转换难度的预期。

十、如果把这些预期放进经济模型，会推导出怎样的增长？

研究者此前在《Economic Scenarios for Transformative AI》中提出一套结构化框架，把有关AI能力、扩散速度、自动化程度、生产率提升和劳动者转岗摩擦的五类判断，映射为不同的宏观经济情景。此次调查中，有3,259名美国成年人和1,093名Anthropic员工完成了五类关键问题，因此可以逐人代入模型。

得到的结果差异很大。美国公众回答对应的2030年GDP年增长率情景，其中位数为5.4%；Anthropic员工回答对应的模型情景，中位数为17.1%。两组人内部的预测分布都很广，也有相当程度的重叠。

另外，Anthropic在2026年9月9日上线过一个公开的经济情景互动工具。前48小时有来自140多个国家的23,075名访问者自愿填写精简问卷。把他们的回答代入同一个框架，中位数对应12.5%的增长情景，位于普通公众与Anthropic员工之间。访问者主动进入AI公司网站，可能本来就更关心AI，因此不能当作全球公众的随机抽样。

图7：基于美国成年人、网站访客和Anthropic员工的预期，模型推算的2030年GDP增长率。每位受访者对能力、采用、自主性、时间节省和再就业五个问题的回答均通过《经济情景：变革性AI》中的模型进行运算。粗条表示第25至第75百分位，细线表示第10至第90百分位。虚线标出论文中提出的三种情景：温和（年GDP增长2.4%）、显著（GDP增长5.4%）和极端（GDP增长15.4%）。该图包含回答了全部五个问题的受访者：3,259名美国成年人（仅2030年半部分）、1,093名Anthropic员工，以及在2026年9月9日发布后48小时内完成anthropic.com/institute/econ-scenarios测验的23,075名网站访客。来源：Anthropic Institute。

这些数字最适合帮助理解不同技术假设会导向多么不同的经济世界，而不适合用作确定的增长预言。假如AI应用速度、价格、劳动组织或转岗条件与假设不同，模型结果就会改变。

十一、实验室内部：AI参与开发下一代AI，会到什么程度？

一部分员工对未来更为乐观，可能因为他们能够直接看到模型训练和研发过程中正在发生什么。Anthropic Institute此前也讨论过“递归式自我改进”——AI系统越来越多地帮助提升自己的后续能力。

研究向员工提出另一个问题：以开发2026年初水平的前沿模型为参照，今天有多少研发工作由AI完成？2027年底和2030年底又会达到多少？员工给出的中位判断依次为51%、80%和95%。

不同团队内部员工的看法差异，甚至大于团队之间的平均差异。直接从事模型研究的员工，对当下AI参与研发工作的估计平均为60%；其他受访员工平均为53%。这与“了解更多内部进展的人可能预期更高”的解释相符，但研究者同时指出，研究人员本来就可能比其他岗位更依赖AI。

图8：Anthropic员工对构建前沿模型的工作中由AI完成的比例的估计。Anthropic员工被问及当今构建一个2026年初的前沿模型的工作中由AI完成的比例是多少，以及他们预计到2027年底和2030年该比例将是多少。刻度线表示中位数答案，方框表示第25至第75百分位，线条表示第10至第90百分位。这些答案是员工在一次内部调查中的个人估计，并非Anthropic的测量结果或公司预测。来源：Anthropic Institute。

十二、原报告结论：差异也许会缩小，但结果取决于其他企业真正怎样使用AI

总的来看，美国普通成年人和Anthropic员工对AI当下能力的理解相差不大；但对未来几年技术进步的速度、实际采用范围和任务耗时的下降幅度，存在很大分歧。

在经济情景模型下，美国公众的中位答案对应一个显著高于通常增速的经济情景；Anthropic员工的答案则对应极不寻常的快速增长。与此同时，越相信AI能完成更多个人工作的人，越倾向于预测更高失业率。这在两组人中都成立。

两组人日常接触AI的程度差异显著。许多Anthropic员工已经在与能够承担大量工作内容的AI协作，而美国其他行业的绝大多数劳动者尚未达到这种程度。工作中经常使用AI的普通受访者，其预期已经更接近Anthropic员工。这意味着，随着AI真正进入更多行业，公众的看法可能变化；但变化会有多大，仍取决于实验室里的工作方式能否复制到其他公司、其他岗位。

十三、延伸思考：当AI越来越能干，年轻人的第一份工作怎么办？

最先变难的，可能不是保住工作，而是进入职场

想象一个刚毕业的软件工程专业学生。他能用AI搭建页面、修复简单报错，也花了不少时间学习最新工具。但公司面试时希望他不仅会写代码，还能独立判断产品需求、理解客户业务、承担线上故障的责任。问题来了：那些需要几年才能积累的经验，原本就是在处理基础任务、不断改错的过程中获得的。如果企业把这类任务交给AI，新人该去哪里完成自己的第一轮训练？这是一种基于岗位结构的情景推演，并非本文采访到的特定求职者。

这并不只是抽象担忧。斯坦福数字经济实验室在2026年8月12日更新的研究，使用ADP的数百万美国员工薪资记录，观察到22—25岁青年在高度暴露于AI的职业中，就业表现相对于同龄、AI暴露较低职业的就业趋势，出现约19%的缺口。研究同时指出，整体劳动力市场尚未出现可以归因于AI的普遍性、大规模岗位替代；青年岗位的变化更多体现在招聘放缓，而不是在职员工大规模离职。

需要认真理解“19%”的含义。它不是“美国19%的毕业生因AI失业”，也不是所有年轻人的就业人数同比减少19%。它指的是一个相对比较：假如高AI暴露职业的年轻人就业人数，保持与低暴露职业同龄群体相同的增长轨迹，那么现实水平比这一参照路径低约19%。斯坦福团队还明确说，这些是描述性关系，不是AI因果效应的最终估计。经济周期、行业用工调整和教育差异等因素仍可能共同作用。

与之呼应，Anthropic在10月16日公布的另一项独立内部研究显示：2025年初以来，初级技术员工在技术部门中的占比从21%下降至14%；初级技术职位在新招技术员工中的占比从27%下降至9%。与此同时，公司仍在持续扩张。它没有证明“AI已经让9成毕业生找不到工作”，但显示一种值得留意的企业组织变化：公司总人数可以增长，职业入口却可能收窄。

企业用AI节省的，是时间，还是原本留给新人的岗位？

一家客服中心把常见问题交给AI，最容易消失的也许不是整个客服部门，而是那些能够按照脚本、标准答案独立解决的初级工单。资深客服仍要处理投诉升级、特殊客户和跨部门协商；新人却更难通过低风险工单逐渐积累经验。类似地，律师助理过去可能从文件检索和合同初审做起，编辑从资料整理与事实核查做起，程序员从测试和小型修复做起。AI能够分担这些任务，本来是效率进步，但也让企业必须回答一个新的培训问题。上述为工作机制的示例，不是来自本次调查的行业裁员统计。

这也是为什么“任务被AI完成”不等于“岗位消失”。真实工作往往包括跟客户解释、协调同事、承担责任和处理例外情况。Anthropic调查的一个重要发现恰恰是：美国公众认为“客户更愿意找真人”是最大的采用障碍。人际信任和法律责任并不会因为模型更强，就自动从商业流程里消失。

还应看到另一面。AI提升效率可能让公司接到更多订单、开发更多新产品，甚至催生此前不存在的职业。Anthropic员工中95%预计公司还会扩张，就是“任务自动化与就业增长可能并存”的例子。但这种可能性能否在整个劳动力市场实现，要看新增需求是否足以弥补被替代的工作，以及新增岗位是否向年轻人开放。

为什么最了解AI的员工，仍然预测公司继续增长？

一家公司可以同时相信两件事：AI让原来一百个人才能做的某类流程越来越自动化，但因为产品卖得更好、服务的客户更多，它仍需要在销售、客户支持、法律合规或新产品线招聘。这不矛盾。问题在于，新增岗位要求的能力与原有岗位可能完全不同。

当任务执行更便宜，组织真正稀缺的可能转向任务定义、结果验收、复杂判断和对外责任。

Anthropic内部就业报告中，员工开始形容自己像在管理一群不断请求注意力的AI助手。员工需要阅读、检查、协调的内容反而更多。与其笼统说“未来人人都要当AI管理者”，不如具体问：哪些决策真的需要人？哪些环节的错误代价太高，不能只靠模型自动完成？

对普通职场人来说，这并不意味着每个人都必须转去研究大模型。对公司业务和客户需求的理解、跨团队推动事情落地、在证据不完整时做判断，可能成为越来越重要的经验。不过，这些能力也需要在实际工作中训练。如果年轻人的第一份岗位被削减，公司就需要新的学徒制、轮岗、实习与培训办法，而不能只寄望求职者“自己学会AI”。

17.1%的GDP增速，不是17.1%的就业增长

这份研究里最容易制造噱头的数字，是Anthropic员工预期映射出来的17.1% GDP增长情景。必须再说一次：它是研究者把问卷答案放进特定经济模型后的输出，不是员工直接预测、不是政府公布数据，更不是Anthropic已经证明AI能使经济达到这一增速。

即便未来AI真的推动生产率快速提高，也不能推导出每个人收入会同步增长。企业可能增加利润，消费者可能因为价格下降而获益，某些技能稀缺的员工可能获得更高薪酬；与此同时，另一些人的岗位被削减，转岗需要更长时间。宏观总量增长与个人收入分配，并不是同一张成绩单。

对劳动者来说，影响不只是“能不能继续领工资”，还有转型的成本。Anthropic员工预计，2030年因AI失去岗位且需要换职业的人，找到新工作的中位时间为12个月。这是主观预期，但它提醒了一个现实问题：如果转岗需要半年到一年，房租、家庭支出和职业信心该如何维持？而企业和公共政策是否会承担一部分成本？

也许AI不会先带走所有人的工作。它可能先改变人们进入职业的方式：公司继续增长，资深员工依然忙碌，年轻人却发现自己的第一道门越来越窄。与此同时，对另一些行业和岗位而言，AI可能帮助原本缺少技术资源的人更快入行、独立创业或获得新的客户。两种方向都有可能，不能只凭一份问卷替未来下结论。

真正值得继续追问的是：企业愿不愿意把AI节省的一部分成本，用于培训新人？学校还能否按照旧职业阶梯培养学生？当生产率提高，劳动者又能分到多少增长收益？

最终，对一个刚毕业的普通人来说，最重要的问题可能不是2030年的AI能完成75%还是28%的工作，而是明年夏天，他是否还能找到一个允许自己从不会到会、从生疏走向成熟的岗位。技术进步的速度值得惊叹，但一个社会能否为新人保留学习和成长的空间，同样值得认真计算。

资料来源：

1. 核心编译底稿：Szymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek、Peter McCrory，The AI Expectations Gap: Public and Frontier Lab Views on AI’s Impact on Work，Anthropic Institute，2026年10月16日。https://www.anthropic.com/research/ai-expectations-gap

2. Anthropic Institute，How Employment Is Changing at Anthropic，2026年10月16日。用于文末延伸报道关于招聘和内部工作变化的部分。https://www.anthropic.com/research/employment-at-anthropic

3. Erik Brynjolfsson、Bharat Chandar、Ruyu Chen，No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%，Stanford Digital Economy Lab，2026年8月12日。https://digitaleconomy.stanford.edu/news/canariesaug26/