近日 Claude 开发公司 Anthropic 发布了一篇 《How AI Is Transforming Work at Anthropic》 的文章，文章是 Anthropic 在 8 月对内部员工进行调查，通过对 132 名工程师和研究人员的调查、53 次深度访谈，以及对 20 万条内部 Claude Code 使用记录的分析，报告了目前 AI 对于工程师的相关影响。
这是一份很有参考价值的数据。
在这里 Anthropic 使用三种互补方法，确保定量与定性数据的平衡：
- 通过内部 Slack 渠道（68 份响应）和直接接触 207 人（64 份响应，31% 响应率）进行，问题聚焦编码任务频率、生产力影响和委托策略
- 针对前 53 名调查受访者，进行主题分析，探讨委托实践、技能变化、社会动态和职业转变
- 使用隐私保护工具分析 20 万条内部记录，按任务复杂度（1-5 量表）、类型（如调试、功能实现）和团队差异分类
文章的核心是 AI 如何重塑工作，分为生产力、新任务启用、委托实践、技能变化、社会/职业影响和使用趋势等，我们可以先简单看看文章提供的真实数据表格，感受下 AI 对于开发者的影响数据：
| 每日使用率 | 当前值 | 数据含义/备注 |
|---|---|---|
| 调试／修复错误 | 55% | 超过一半的员工每天用它修 Bug |
| 理解/阅读代码 | 42% | 用于解释复杂的代码库 |
| 新功能开发 | 37% | 直接用于写新 Feature |
| 时间点 / 统计 | Claude 使用占比 / 频率 | 平均自报生产力提升 |
|---|---|---|
| 一年前 | 使用率 ≈ 28% | +20% 生产力提升 |
| 2025 年（报告时点） | 使用率 ≈ 59% | +50% 生产力提升 |
| "Power Users"（表现最好的一部分用户） | --- | 有 14% 的人报告生产力提升超过 100% |
| 新任务 & 杂项改进比例 | 百分比 / 频率 |
|---|---|
| Claude-assisted work 中，"原本不会做 / 被跳过"的任务 (new work) | 27% |
| Claude Code 任务中 "papercut fixes"（小修小补 / 可维护性／质量提升／工具／文档等） | 8.6% |
| 复杂度 & 自动化程度 | 平均任务复杂度 (1--5 量表) | 平均最大连续工具调用数 (tool calls) | 平均 Human Turns (人类交互次数) |
|---|---|---|---|
| 6 个月前 (Feb 2025) | 3.2 | 9.8 次连续调用 | 6.2 次 Human Turns |
| 2025 年 August (报告时点) | 3.8 | 21.2 次连续调用 | 4.1 次 Human Turns |
| 各任务类别占比变化 | Feb 2025 占比 | Aug 2025 占比 |
|---|---|---|
| 新功能开发 | 14.3% | 36.9% |
| 设计／规划 | 1.0% | 9.9% |
| 其他（debugging / code understanding / refactoring / papercuts / ...） | 剩余 ≈ 84.7% | 剩余 ≈ 53.2% (大致 = 100 − 36.9 − 9.9) |
| 全栈化 (跨领域) | 主用 Claude Code 任务类型 / 占比 (主要任务) |
|---|---|
| Pre-training team | 新功能开发 (building new features) 占比 ~ 54.6% |
| 对齐/安全团队 | 前端开发 (front-end development / 数据可视化) 占比 ~ 7.5% |
| Post-training team | 前端开发 ~ 7.4% |
| Security team | 代码理解 / 分析占 ~ 48.9% |
| 非技术人员 | Debugging 占 ~ 51.5%；Data science / 数据分析占 ~ 12.7% ，编写/调试脚本，能够通过 AI 获得基础编码能力 |
| 所有团队 ("All Teams" baseline) | 主要任务为新功能开发、调试 (debugging)、code understanding |
通过上面这份数据，可以直观看到：
生产力提升：
- 平均 50% 生产力提升（14% 用户超过 100%），合并拉取请求（pull requests）每工程师增加 67%，任务时间减少（如调试时间缩短），输出量增加
- 减少琐碎工作（如重构），并行探索想法（如同时运行多个 Claude 实例），复杂调试可能需更多善后清理时间，但整体效率更高
启用新工作：
- 这是一个有趣的现象，报告里 27% 的 Claude 辅助工作原本不会发生，包括扩展项目、"锦上添花"任务（如交互式仪表板、文档、测试）和探索性工作，另外还有 8.6% 为"小修小补"（如可维护性重构）
- 例如安全团队用 Claude 分析未知代码含义；非技术员工调试网络或 Git 问题
委托实践：
- 整体 Claude 使用频繁提升，但完全委托只占了 0-20%，大多数情况还是需主动监督，开发者还是优先委托易验证、低风险或枯燥任务（如抛弃式调试代码），在逐步信任逐步后，才有从简单到复杂的过程。
- 边界：调查报告里主要反馈还有高风险、战略思考或"品味"任务（如设计决策）需要保留人类处理
技能扩展与退化：
- 这也是比较经典的调查结果，现在的工程师更"全栈化" ，处理专长外任务（如后端工程师快速构建复杂 UI，研究人员用 Claude 创建前端可视化，对齐团队用 Claude 实验，安全团队分析代码影响）
- 当然，对于 Claude 的开发者而已，他们也有技能退化的忧虑，担心这样大幅度减少了动手实践，胡导致代码编写和审阅技能弱化，影响监督能力，一些工程师反应会通过定期"无 AI 练习"应对焦虑
社会与职业转变：
- AI 带来的最直接影响之一，人与人的互动更少了，每个人都更像是一个独立的"超级个体"与 AI 结对编程，而非与团队协作
- 受访者情绪分裂：短期多数人对扩展能力与效率提升持乐观，但也有人担心长远会被 AI 替代或角色被彻底改写
可以看到，职业认同的危机不只是外部开发者有， Claude 内部开发者也有这个焦虑，这种心态大概是：
"我以为我喜欢写代码，其实我只是喜欢代码跑通的结果"。
所以未来 AI 对于开发者的影响，还可能会带来新的职业价值观的重构，所以有人感到迷茫：如果写代码这个动作本身不再重要，那么以后作为软件工程师的身份认同建立在哪里？
另外，AI 也不是完完全全就减少了开发者的工作时间，在报告里可以看到，因为 AI 也导致了一些开发者的工作随机反着增加了：
- 正向的"更多时间" ：以前因为太难或太繁琐而通过"放弃"来处理的任务，现在工程师愿意花时间去攻克了
- 负向的"更多时间" ：盲目信任 AI 生成的代码，结果把自己逼进了死胡同，最后不得不花大量时间去调试和清理 AI 留下的烂摊子，这也增加了"认知负荷"，毕竟阅读和理解别人（或 AI）写的代码，往往比自己写更累
可以看到，Anthropic 这篇数据虽然只是内部调研，但是也很直观反映了当前的一些情况，随着 AI 的流行，整个开发结构也在发生变化，最明显就是开发者的边界在慢慢打破：
- 后端可以通过 AI 构建 UI ，算法团队可以自己搭建可视化数据拓展，开发者的边界越来越模糊，工程师变得更 "full-stack"，更敢去处理以往不熟悉的领域（前后端、数据库、数据可视化等），因为 Claude 能覆盖很多低上下文或易校验任务
- AI 很擅长做大量"papercut"（小修小补、局部消重构、写测试、生成文档）以及加速调试/理解代码，从而让同一时间段内"输出量"提升明显，开发者更聚焦在需求理解和业务领域
另外，报告里也提到了：
"人们通常把 AI 当作一辆更快的车，但如果你拥有一百万匹马，你可以同时测试无数个想法。"
这也是一个典型代表，在 AI 时代的工程模式发生了转变，以前从线性的"构思-编码-测试"，可以转变为并行的"多路径探索"，工程师的角色从"搬砖者"变成了"指挥官"，指挥 AI 牛马去尝试不同的解决方案，然后人类来挑选最好的一个。
这对于不差 token 的 Claude 内部员工来说无疑是 Free 的。
当然，Anthropic 员工是"内圈"样本，结论不能直接外推到非科技行业或不同规模公司，但是从报告所反映的短期/中期效应，长期劳动力结构变化、工资分配与职业路径变化都有不错的参考价值：
AI 能显著增加产量并扩展个人可承担任务的范围，但同时带来技能退化风险、团队协作减少与职业不确定感。
总的来说，Anthropic 的这份报告可以反射出一个正在发生的现实：
- AI 已经不仅仅是工具，它已经在慢慢改变你的工作方式和职业生涯
- 红利与债务并存：使用 AI 在获得了巨大的生产力红利（产出增加、门槛降低），但也背负了潜在的隐性债务（技能空心化、社交隔离）
- 未来的关键能力 ：在 AI 时代，工程师的核心竞争力可能不再是"写出完美的语法"，而是 "定义问题"、"设计验证机制"以及"跨领域的系统性思维" 等
所以，这不仅是 Anthropic 内部的故事，也是整个软件行业即将面临的"预告片" 。