Anthropic 又在谈 AI 经济了，但最值得看的不是“取代多少人”

Thu, 10 Sep 2026 10:00:00 +0800

9 月 10 日，Anthropic 上线了一个经济情景探索器。你可以在页面上调几个参数，选择自己相信 AI 到 2030 年会强到什么程度、企业会用得多快，然后看模型推演出的增长、工资和失业率变化。

很多人点开这种页面，是想找一个能直接转述的数字。AI 会取代多少工作，知识工作者会不会先失业，GDP 会不会突然加速。一个整数配一条曲线，最省事。

Anthropic 这次没有给这种答案。

我把页面和技术报告对着看了一遍。它没有把职业当成一个开关，按下去就分为“保留”或“替代”。研究人员从美国劳工部的职业任务分类出发，把一份工作拆成一串动作。护士要巡房、抽血、记录生命体征、分诊、订货。AI 可以帮忙起草出院说明，也可能自动记录指标，还会让人多出审核分诊结果的工作。

这套拆法有个朴素的好处。它逼着我们承认，模型能做某件事，只是故事的开头。

一份工作，本来就是一包任务

“AI 会取代程序员吗”“AI 会取代护士吗”这类问题流传很广，问题也确实好懂。但职业名称太粗了。一个程序员写代码，也读需求、和同事讨论、排查线上故障、给新人解释遗留系统。一个护士的工作里既有可以标准化记录的部分，也有必须在病床边完成的部分。

Anthropic 的模型把职业看成任务的组合。每项任务会落进几种不同的变化里。它可能基本不受影响，可能由人带着 AI 做得更快，可能被自动完成，也可能因为 AI 的出现而生出新的工作。

这个思路没有什么神秘之处，却能避免很多过早下结论的文章。

拿病历记录举例。医院给系统接上生成式工具，不代表护士这个职业被删掉。它更可能先把整理数据、写初稿这些动作压缩掉，再把时间挪到核对、解释和处理例外上。医院愿不愿意为系统付费，数据能不能接通，出了错由谁签字，都会决定这件事最后停在“辅助”还是“自动化”。

职业统计常常落后于这种变化。岗位名称还在，日常工作的内容已经换了。反过来也一样。一个模型演示能完成某项任务，并不说明它已经进入了大量公司的流程。

模型会做，离岗位变化还有四步

从一条模型能力新闻走到“某行业的人要失业”，中间至少隔着五件事。

第一件是能力。系统在测试、演示或受控环境里，是否真能把任务做完。任务越接近现实，输入越杂，例外越多，模型一次成功的比例就越难用一个 benchmark 分数说明。

接下来才是采用。公司有能力购买，不代表它会立刻部署。采购预算、数据权限、现有软件、合规审查、员工培训，都会拖慢速度。有些部门明明认可工具有用，也会因为一套旧系统改不动，把项目拖到下一财年。

工具进了公司以后，任务会重新分配。原来一个人独自完成的步骤，可能变成 AI 先做、人复核；也可能把十分钟的文书工作压到两分钟，让同一个人接更多客户。任务数量、任务顺序和责任归属都会跟着变。

岗位的变化来得更晚。公司会不会因为省下时间就少招人，还是把人投到别的业务上，取决于需求是否增长、劳动力市场是否紧张、组织有没有新的收入机会。生产率提高和裁员可以同时发生，也可以完全不同步。

收入怎么分，又是另一回事。总产出增加，不保证每个人的工资都增加。收益可以留在公司、流向拥有稀缺技能的人，也可能通过价格下降回到消费者手里。这里牵涉谈判权、制度和政策。

所以，看到“AI 能完成 X% 的知识工作”这类数字时，最该追问的不是 X 到底是 40 还是 50。先问这句话说的是实验能力、真实采用，还是最终的就业结果。它们经常被写成一件事，实际隔得很远。

Anthropic 给了三种未来，没有把其中一种当预言

这份研究列了温和、显著和极端三种情景。它们的用途，是把分歧摊在桌上。

温和情景里，AI 对经济的影响接近互联网。生产率会提高，变化逐步发生，宏观数据里看得见一点，但还在历史上新技术常见的范围内。

显著情景走得更远。报告假设，到 2030 年，AI 有能力完成大约一半知识工作任务，其中大部分可以自主完成。不过有能力完成不等于每家公司都接入。大量任务仍由人完成，经济增速约为平时的两倍，知识工作者的工资未必上升，其他劳动者可能获得收益。

极端情景的前提更强。AI 在绝大多数知识工作任务上比人更高效，被快速采用，而且几乎没有产生新的知识型任务。在这个设定里，年 GDP 增速会到 15% 左右，经济规模约四年半翻一番，知识工作的就业和工资承压会明显加大。

读到这里很容易被 15% 这个数字抓住。报告把这一情景和递归自我改进、快速采用放在一起。这个数字描述的是一组极强条件同时成立时，模型推演出的结果，不是 Anthropic 对 2030 年现实的确定判断。

这一区别不只是文字游戏。情景研究的价值，就在于把条件和结果拆开。读者可以不同意它对能力进步的设定，也可以不同意采用速度，或者怀疑新任务会不会真的这么少。不同意哪一项，结论就会往另一个方向走。

把条件藏起来，只留下一个吓人的终点，才是最省事的写法。

现实数据落在哪一步

情景是推演，现实数据是另一回事。过去一年公布的几份就业研究，恰好能拿前面那套框架逐条对一遍。有意思的地方在于，它们停在不同的步骤上。

先看岗位总量。OECD 在 2026 年就业展望里的结论相当克制，截至目前的数据，没有证据表明 AI 正在造成大范围的劳动力需求下滑。美国整体失业率也仍处低位。岗位这个开关，远没有被按下去。但报告同时提醒，职业早期的劳动者可能首当其冲。

预期跑在了数据前面。《哈佛商业评论》2026 年初的一篇文章问了一个问题，公司宣称的 AI 裁员，裁的是 AI 已经被验证的表现，还是它承诺中的潜力。文中引用的调查显示，约三分之二的公司放慢了初级岗位招聘，几家大公司的高管公开说自家的白领岗位会大量消失，而宏观失业数据还没有出现对应的剧变。招聘可以被预期改变，这一步走在真实采用之前。

初级岗位的信号最集中。斯坦福数字经济实验室 2025 年的研究发现，客户服务和编程这类高暴露职业里，22 到 25 岁从业者的就业出现了明显下滑。普华永道 2026 年的 AI 就业晴雨表分析了 27 个国家和地区超过 10 亿条招聘信息，给初级岗位的变化起了个名字，叫“高级化”。高 AI 暴露行业的初级岗位，要求领导力、战略思考这类资深技能的可能性，是低暴露行业初级岗位的 7 倍。2019 年以来，被重新定义、要求更高技能的初级岗位增长了 35%，传统初级岗位缩减了 10%。2025 年四季度，美国应届毕业生失业率 5.7%，高于全国平均水平。

采用和招聘的关系也更微妙。同一份报告里，AI 暴露度高的行业生产率增长更快，重仓 AI 的公司整体招聘没有收缩，只是新岗位里初级的份额在减少。要求 AI 技能的岗位，工资还高出约六成。先被压缩的任务，正是整理资料、写初稿、做基础检索这些动作。岗位没有整体消失，入口变窄了。

行业分布也印证这一点。增长最快的岗位集中在建筑、焊接、餐饮和医疗护理，核心动作还留在物理世界里。普华永道把全球劳动力市场形容成两条路，一条路上的岗位在被重新设计，另一条路上的工作暂时没人碰。

把这些数据摆在一起，会看到一个和“大规模失业”以及“AI 还没影响就业”都不同的版本。宏观平稳，初级收缩，任务在重排，入口在变窄。变化集中在职业阶梯最底下几级，也没有均匀撒向所有岗位。争论“AI 到底取代了多少人”的双方都能找到自己的证据，因为他们引用的本来就是不同步骤上的不同指标。

企业真正会卡在什么地方

Anthropic 的探索器谈的是美国宏观经济，不能拿来直接预测中国就业。它还是给了一个很实用的观察角度。

一家公司决定接入 AI 时，通常不会先问“这个模型在总榜排第几”。负责业务的人会问，它能不能接进现在的系统，权限怎么给，错了谁负责，员工能不能接受，客户会不会因为一个错误答案走掉。

这些问题听上去没有模型发布会那么热闹，却决定了采用速度。

比如客服团队拿到一个能写回复的模型。最简单的用法，是让它起草，人来改。下一步可能是放开低风险问题自动回复，高风险问题继续转人工。再往后，团队会不会缩编，要看工单量有没有继续增长，客户问题有没有变复杂，省下来的时间能不能换成更多服务。每一步都需要数据、流程和责任人。

同样的模型能力，放在两家公司，结果可能完全不同。一家有干净的知识库、清楚的权限和能回滚的流程，工具很快变成日常工作。另一家系统老旧，数据散在几处，管理者也不愿承担出错责任，模型就会停在演示阶段。

这也是为什么，把“AI 能做什么”直接换算成“多少人会失业”，常常显得很有力量，实际信息量却不高。它跳过了公司最难处理的部分。

看报告时，先把问题问清

我现在读这类报告，会顺手核对几件事。

它分析的单位是什么。 是岗位名称，还是可拆分的任务。前者适合快速统计，后者更接近日常工作怎样变化。

能力和采用有没有分开。 模型在实验里能做，和企业实际部署，是两套数据。报告如果把两件事揉成一个百分比，结论要多留一层心。

新任务放在哪里。 历史上的技术变迁会淘汰一部分旧工作，也会带来维护、协调、审核和服务等新任务。任何模型都可以假设新任务多或少，关键在于它有没有把假设写出来。

收益流向谁。 总产出上涨、公司利润增加、工资上涨、就业增加，彼此没有自动关系。看到增长数字，继续问它改变了谁的收入和议价能力。

结论依赖哪些前提。 一份好报告会把前提摆出来，让人知道该从哪里反驳。把假设藏在公式里，只端出一个确定的结论，读起来很痛快，实际很难讨论。

这五个问题不会让未来变得可预测。它们能帮我们少被一个单独的数字牵着走。

先看任务，再谈职业

过去两年，关于 AI 的讨论总爱把人分成两类，有人会被替代，有人会使用 AI 替代别人。现实里的变化更碎。

有人每天少花一小时整理资料，另一批人开始复核 AI 的输出。公司若因效率提高接到更多订单，岗位会随之增加；需求不变的团队则可能用更少的人完成同样的产出。这些情况都可能发生。

Anthropic 这份研究把问题拆开，让每个判断都能找到自己的前提。模型能力决定哪些事可以尝试，企业采用决定工具何时进入流程，任务重组改变人每天做什么，岗位和收入还要经过市场与制度的分配。

它们不会一起变化。下次看到 AI 新闻，可以先辨认它说的是能力、采用、任务、岗位还是收入。把话说到哪一步，就按哪一步来判断。

参考来源

前三条用于核对 Anthropic 对其模型、情景前提和指标的公开表述，后四条用于核对现实就业数据的出处。它们不构成对中国就业、特定行业岗位或个人职业选择的预测。

AI经济 on 奇诺分享 | 重在分享