Datawhale干货
作者：Anthropic团队
Datawhale干货
作者：Anthropic团队
AI 时代，刚入行的新人，该从哪里起步？
前天，Anthropic 公布了一份内部就业情况报告，结合员工的 AI 使用记录、招聘和人事数据，分析公司内部正在发生的变化。
我们读完后觉得，其中关于新人机会和职业成长的讨论，很值得拿出来和大家聊聊。
这家公司正在快速扩张，技术团队的招聘人数也在增加。但在新招进来的技术员工里，初级新人的比例却从 27% 降到了 9%。
过去，新人刚入行，往往可以从改小需求、修简单问题做起，跟着前辈边干边学。
如今，当这类简单明确的基础工作越来越多地交给 AI，原本留给新人边做边学的位置，也在逐渐消失。
一、扩招之下，初级岗却在收缩
先看这组引起广泛讨论的数字。
从 2025 年初到 2026 年年中，Anthropic 技术部门新招员工里，初级岗位的占比从 27% 降到了 9%。同一时期，技术部门存量员工里初级人员的比例，也从 21% 下滑到 14%。
如果你今年刚毕业，或是刚转行，正打算投技术岗位，这组数据恐怕很难让人轻松：公司还在扩招，招进来的人里，新人却越来越少见。
Anthropic 的业务也没有放缓。过去一年，公司员工总数成倍增长，技术团队实际招进来的人数也在增加。公司成立第五年时，人均营收已达到上一代科技巨头在相近发展阶段的两到四倍。
但扩招带来的机会，并没有同样的落到技术新人身上。在销售、财务等非技术部门，初级员工在新员工中的占比一直稳定在 25% 左右；技术团队的这一比例，却从 27% 降到了 9%。
这与 AI 正在接手的工作有关。写代码、修漏洞等任务，过去可以让初级程序员跟着前辈练手，如今越来越多地交给了 AI。基础工作仍然需要有人完成，只是公司有了招聘新人之外的选择。
这些 AI 已经承担了多少工作？报告显示，到 2026 年 8 月，全公司平均每位员工调用的 AI 智能体，累计运行时长已达到员工自身工时的 6 倍。在核心研究部门，这一数字更是达到了 19 倍。
一个人可以同时让几个 AI 助手干活：有的查资料，有的运行测试，有的写功能。把它们各自的工作时间加起来，累计时长就可能远远超过一个人实际工作的时间。
产出的变化也很明显。工程师的人均代码提交量已达到半年前的 5 倍，管理者亲自编写的代码量也增加了一倍。
代码交得多了，质量能不能跟上？研究团队为此做了一组对比：看同一位员工在同一个月里，手写代码和 AI 生成代码的质量表现。
结果显示，在提交后 90 天内因修复问题而被删除的代码行占比、代码被显式撤回的比例，以及跳过测试的标记数量这几项指标上，两者没有统计上的显著差异。
至少从这些指标看，产出增加的同时，AI 代码没有表现出明显的质量劣势。团队交给 AI 的任务，也逐渐从简单修改扩展到更复杂的工程工作。
而这恰好与新人招聘的变化联系起来。报告发现，日常使用 AI 处理的任务越复杂，相关岗位的初级员工人数增长就越慢。过去，新人可以靠这些基础工作练手，再逐渐接下更难的任务。如今，AI 能接手的工作越来越多，留给新人从头学起的位置也在减少。
二、AI 接手工作，人开始管理 AI
AI 干活更快了，人却未必更轻松。多个任务同时推进之后，员工要花更多时间看结果、做判断、给出下一步指示。
报告对多轮日常对话的统计显示，大约 80% 的时间，AI 都在等人回应。
不难想象这样的场景：几个任务同时完成，几份方案等你审阅，一段代码等你确认，另一个流程又出了异常，需要你处理。
一位工程师把这种感觉比作一个人带一群小孩：每个孩子都急着喊你帮忙打开果汁盒，即便旁边另一个孩子已经摔伤流血。AI 助手也是如此，每个都在催你，却未必分得清哪件事更紧急。
人要是认真看完所有输出，需要多少时间？按报告的估算，在研发岗位上，逐字读完 AI 生成的全部内容，平均每人每周需要 424 个小时，相当于约十个人一周全职阅读的工作量。即便在财务、法务等非技术部门，也要花掉大半个工作周。
AI 能同时处理的任务越来越多，人能分给每项任务的注意力却很有限。
逐条审读已经不现实，员工开始把更多精力放在管理 AI 上。这类工作被称为「元工作」，包括给 AI 写操作规范、搭建监控、调整工作流程，让它少出错，也少来回找人确认。
报告显示，与这类工作有关的交互，占日常交互的比例从一年前的 10% 上升到了 22%，在基础设施团队中甚至接近 30%。员工会编写提示词规范，让两个 AI 互相审查，也会搭建看板，集中查看任务进展。
一部分原本用于亲手写代码的时间，就这样转向了给 AI 分配任务、设定边界和检查结果。一位工程师甚至会定期总结自己与 AI 团队的沟通，梳理哪些指令有效、哪些沟通方式需要调整。
围绕 AI 展开的沟通也越来越多。在一个大部门的内部沟通软件里，辅助 AI 工作的对话线程从 150 个增加到了近 8000 个。这些对话主要集中在专门的人机工作区，人类原有的日常聊天频道没有受到挤占。
但把 AI 放进专门的频道，还不足以让它跟上公司的变化。它要做对事情，依据的资料也得及时更新。
如果两位主管在私下会议里定了新规矩，却没有留下 AI 能读取的记录，它就仍然会按照旧文档办事。一位员工调岗几个月后，AI 还在每天找他要文化衫和马克杯，原因就是旧文档里的负责人没有更换。
过去，人可以靠当面沟通补上这些信息；AI 却可能一直照着旧记录执行。为了让它跟上，相关决策、会议要点和人员分工的变化，都需要及时记录，并更新到它能读取的资料里。
三、Anthropic招聘更看重自主性和判断力
当员工开始把更多时间用于分配任务、检查结果，招聘时看重的能力也随之改变。
研究人员分析了数千份面试评分记录，发现面试官越来越关注候选人如何使用 AI。技术岗位和非技术岗位的评价中，提及这类使用习惯的比例都比过去高出数倍，非技术岗位的增幅更大。
但会用 AI，只是其中一项要求。技术岗位的面试评价更强调自主性和综合判断力，对某一项细分技术专长的关注则有所下降。
一位招聘经理解释，模型的能力会不断变化，而且不同领域的进步并不同步。团队因此更需要能够跨领域处理问题、自主推进工作的人。
非技术岗位也有类似变化。面试官讨论具体执行能力的篇幅减少了，更多地考察候选人是否理解整体业务、能否把握用户需求。
这种判断力，具体体现在哪里？
Anthropic 此前对 40 万次人机对话的分析，提供了一个理解它的角度：使用 AI 完成工作，需要人知道任务该怎么做，也能判断结果是否正确。
以会计对账为例，即使不会写代码，只要能讲清楚对账规则，并发现 AI 生成的自动化脚本漏掉了月末的特殊情况，就能指导 AI 把这项工作做好。
经验的作用，在遇到异常时尤其明显。熟悉业务的人更容易发现遗漏，知道该从哪里检查、怎样纠正；缺乏经验的人即便拿到了结果，也可能看不出问题，更难判断下一步该怎么办。
面对这些变化，Anthropic 内部建立了岗位预警机制。如果发现某些职能受到较大影响，就优先安排相关员工转岗。
但正如报告作者所说，这套安排能够帮助的是已经入职的员工。对于还在准备求职、投递简历的新人，公司内部的转岗机制无法解决他们最先遇到的问题：怎样获得第一份工作。
四、入门工作少了，判断力还怎么提升
企业越来越希望新人一入职就能独立判断，但新人恰恰需要先有机会做事，才能积累这种能力。
过去，技术行业有一条常见的成长路径。年轻人刚毕业，即使掌握了基础知识，也需要时间熟悉业务和具体系统。
他们通常从边界清楚的小任务做起：查资料、写代码、犯点错，再向前辈请教。哪些地方容易出问题，哪些改动会影响其他功能，都是在一次次处理具体问题时慢慢学会的。
这些工作看起来琐碎，却给了新人积累经验的机会。
如今，其中不少任务可以交给 AI 完成，企业对初级员工的需求随之减少。招聘时，企业又更希望候选人已经具备判断力，能够指挥 AI、发现结果里隐藏的问题。
可一个人要知道哪里可能出错，往往得先亲手做过、出过错，再学着把问题解决。
即便新人能借助 AI 完成任务，也未必学到了同样多的东西。
Anthropic 曾招募 52 名有编程基础、但没用过特定 Python 工具库的开发者，随机分组完成学习任务。一组可以使用 AI，另一组自行编写代码。随后的测试中，AI 组平均得分为 50%，手写组为 67%，两组最大的差距出现在查找和诊断代码错误的题目上。
这项小样本实验衡量的是任务完成后不久的理解程度，还不能说明长期能力会如何变化。但它提醒了一个容易被忽略的问题：代码跑通了，人不一定理解了它为什么能跑通。研究也发现，主动追问原理、要求解释的参与者，依然能够取得较好的学习成绩。
如果只是让 AI 写代码，报错后再让 AI 修改，新人就可能错过自己检查、排查和纠正问题的过程。而这些过程，恰恰与日后审核 AI 输出所需的能力有关。
于是，新人面前出现了一个难题：公司希望招进来的人已经能独立判断，过去让人逐步学会判断的入门工作，却越来越少。
斯坦福数字经济实验室在 2026 年 8 月更新的美国就业研究中，也观察到了新人招聘收缩的迹象：在受 AI 影响较大的职业中，22 至 25 岁劳动者的就业增长落后于受影响较小职业的同龄人。差距主要表现为企业减少招聘年轻人，而非更多人离职或被解雇。研究尚不能单独确定 AI 的因果作用，但它所呈现的压力，已经落在了求职入口上。
五、多问一步，亲手验证，在真实项目里积累经验
入门岗位减少之后，新人需要更主动地寻找练手机会。用 AI 完成任务时，也要给自己留出理解和验证的过程。
第一步，是在拿到答案之后继续追问。
让 AI 生成一段代码或一份方案很快，但任务完成了，不代表自己已经弄懂。为什么采用这种结构？换一种写法会有什么影响？数据量突然增加，或者出现特殊情况时，还能不能正常运行？
这些问题可以拿来问 AI，也需要自己查文档、做测试。尤其是看起来合理的解释，更值得动手验证一次。哪些条件下有效，哪里会出错，亲手试过才更容易记住。
第二步，是让求职作品展示你做判断的过程。
有了 AI，做出一个漂亮界面或一份完整方案变得容易了。仅凭最终成品，已经很难看出候选人在其中做了多少工作。
你可以把关键过程一起呈现出来：最初的需求哪里含糊，你怎样确定边界；AI 的第一版方案漏掉了什么，你如何发现；为什么放弃某种做法，最后又用什么方法验证结果。
不必堆满聊天截图，选出几次有代表性的判断，讲清问题、依据和处理结果。面试官由此才能看见，你是否理解自己交出去的东西。
第三步，是找有真实用户和业务约束的项目练手。
Anthropic 出资支持的 Claude Corps 项目提供了一个思路：让职业起步阶段的年轻人进入非营利组织，通过为期一年的带薪工作，学习用 AI 解决实际问题。合作机构包括食品银行、海洋保护组织等。
真实项目里的数据可能不完整，不同人的需求可能互相冲突，一套通常有效的规则也可能遇到例外。要把事情做成，就得反复确认需求、处理异常，并向使用结果的人解释自己的选择。
寻找这样的项目时，可以留意实习、开源协作或公益项目。关键是有人真正使用你的成果，也有人能指出它哪里不好用。处理这些反馈，本身就是积累经验的过程。
写在最后
Anthropic 的报告用翔实的数据讲透了一场前沿的技术重组。
报告回顾二战后的劳资安排时提到，工会接受企业调整工作组织方式，换取与生产率增长挂钩的加薪和福利。放到今天，如何分享效率提升的收益、如何帮助员工转岗，仍然是企业需要回答的问题。但作者也明确指出，这些内部安排无法直接解决初级招聘放缓的问题。
对新人来说，主动追问、验证结果、参与真实项目，是眼下可以做的事。这些努力不能替代企业提供的培养机会，却能帮助自己在使用 AI 时，多学会一点识别问题、处理问题的能力。
在主动核验与真实问题中，自己为自己筑起向上的台阶。
报告原文：https://www.anthropic.com/research/employment-at-anthropic