Anthropic 内部研究持续发酵:“AI 正在打断职场晋升天梯”
来源:HRflag
2026年10月16日,Anthropic公布了一份观察自身用工变化的研究。自2025年初以来,其技术部门初级员工占比从21%降至14%,新招技术岗位中初级岗位的占比则从27%降至9%。这组数据近期持续引发讨论,但有一个口径需要说清:占比下降,并不等于初级员工人数按同样比例减少,更不能直接理解为整个行业的变化。 [1]
另一组数字同样引人关注:到今年8月,员工直接指导的交互式Agent,其运行时长已达到人类工时的6倍。这里统计的是Agent运行时间,人类工时则按人数和每周40小时估算,因此不能把它换算成6倍产出或6倍人力替代。这些数据值得关注之处,在于它们把人才培养的问题提前推到了管理者面前。 [1]
过去,企业对人才成长有一套熟悉的安排:新人从基础任务开始,在交付中接触业务,在修改中理解标准,然后逐步承担更复杂的责任。现在,AI可以直接完成其中相当一部分任务,让一个人更快交出过去需要更多经验才能做出的成果。这当然创造了机会,但也留下一个需要回答的问题: 当成果越来越容易获得,支撑成果的判断力会怎样形成?
关于AI的讨论,很容易停留在岗位数量上,企业内部却已经需要处理更细的问题。一个部门可以因为工具进步而提高效率,也可能同时需要重新安排新人接触问题、获得反馈和承担责任的方式。对企业高管和HR而言,眼下值得审视的,是效率增长与人才成长之间原有的连接是否依然成立。
“AI正在打断职场晋升天梯”,可以作为理解这种变化的一个提问,却不宜当作已经被证明的普遍结论。更准确的判断是,过去依附在基础工作上的成长机会,需要在新流程中被重新设计。企业有机会让新人更快跨越机械劳动,也需要确保他们仍然有路走向真正的专业能力。
被自动化的任务,过去也承担着培养人的作用
很多基础工作看起来只是在消耗时间,实际还承担着另一项不容易被看见的功能:让员工理解业务如何运转。招聘助理整理面试反馈时,会发现不同经理对同一个岗位的要求并不一致;运营专员处理客户问题时,会逐渐分清表面诉求和真实障碍。这些发现未必写在岗位说明书里,却可能成为以后独立判断的起点。
一个新人最初不理解“业务敏感度”是什么意思,往往是在真实任务里慢慢建立认识。他做出的方案被修改,可能因为预算有边界,也可能因为其他部门需要配合,还可能因为一个看似合理的动作会给客户带来新的麻烦。经过解释和再尝试,他才开始理解专业标准为什么存在,以及这些标准在什么情况下需要调整。
这并不意味着所有重复劳动都值得保留。让新人长期复制表格、机械搬运信息,既不天然产生经验,也可能挤占更有价值的学习机会。 值得保留的是其中的观察、判断和反馈,而不是某个必须靠人手完成的动作。
问题在于,自动化通常围绕交付速度展开,培养功能却很少被单独列出来。流程负责人容易看到一份报告从几小时缩短到几分钟,却未必会同时追问:过去制作报告的人,是通过哪个环节发现异常、学习口径和理解业务的?如果这些环节一并消失,就需要为它们安排新的去处。
以招聘为例,可以设想一家企业把简历整理和匹配建议交给AI。新人很快就能拿到一份排序清晰的候选人名单,但如果他只负责把名单转发出去,未必有机会理解什么经历与实际岗位相关,以及为什么有些候选人的优势无法被关键词表达。交付变得顺畅,学习却需要另外设计,才能避免停留在“知道推荐了谁”的层面。
同样的变化也可能出现在薪酬分析、项目管理和客户服务中。过去,人们需要亲自整理材料,才逐渐发现某个指标的适用边界;现在,材料能够直接生成,发现边界的过程便不再必然发生。企业需要区分的,是哪些操作可以交给工具,以及哪些理解仍然需要由员工亲自建立。
这项区分越晚进行,培养成本越容易在以后集中出现。部门当下可能拥有足够多的成熟人才,因此业务运行并不会立刻暴露问题;等到专家转岗、业务拓展或新团队成立时,后备力量是否充足才会变得清楚。人才培养的投入与回报之间本来就有时间差,AI让企业更有必要主动观察这段时间差。
这种时间差,也解释了为什么培养问题容易在效率讨论中被低估。节省下来的时间能够进入当期项目总结,而一位新人获得的业务理解,往往要到以后承担复杂任务时才显示价值。两种收益出现的时间不同,如果只用同一套即时指标衡量,培养投入就很难得到完整评价。
反过来看,一项任务做得慢,也不说明它一定有学习价值。新人反复处理已经熟练的内容,却接触不到原因、结果和改进建议,经验同样可能停留在原地。AI带来的机会,恰好是减少这部分消耗,让人与真实问题之间的距离更近。
因此,讨论初级岗位时,不能只看它们眼下承担了多少可自动化任务。还需要看这些岗位让员工获得了什么经验,以及这些经验以后会在哪些关键责任中被用到。一项任务的执行价值下降,并不意味着它原来承载的培养价值也自动归零。
工作完成得更快,能力未必按同样速度增长
Anthropic今年1月公布的另一项研究,为这个问题提供了一块具体证据。研究招募了52名软件工程师,多数处于初级阶段,让他们学习一个不熟悉的Python库;随后测试中,AI辅助组平均得分为50%,独立编写组为67%,相差17个百分点。AI组完成任务略快,但时间差没有达到统计显著水平。 [2]
这是一项小样本、特定任务下的短期实验,不能据此推断使用AI会普遍削弱员工能力。它更有价值的地方,是让“把工作做完”与“理解自己做了什么”这两件事能够被分别观察。企业在评估工具时,通常更容易记录前者,而人才发展真正需要了解的还包括后者。
同一项研究还观察到,不同使用方式与不同学习表现相关。学习表现较好的参与者,会追问概念、请求解释,或者先建立理解再独立完成部分工作;研究者也提醒,这些使用模式与结果的关系不能直接解释为因果。 [2] 对管理者而言,这意味着培训内容可以更加具体:除了教员工怎样获得答案,还可以教他们怎样围绕答案提出有效问题。
AI支持新人成长,也有来自其他场景的积极证据。NBER《Generative AI at Work》的工作论文研究了5,179名客服人员,发现使用生成式AI助手后,按每小时解决问题数衡量的生产率平均提高14%,新手及技能较弱员工提高34%。研究认为,AI有助于传播优秀员工的实践经验,并提供了可能促进学习的迹象。 [3]
这两类发现并不矛盾,因为它们观察的是不同任务和不同学习条件。客服人员在服务过程中获得建议,仍然要面对客户反应、推进对话并判断问题是否解决;一个学习新工具的人如果直接获得完整结果,则未必经历同样充分的理解过程。AI能够提供多大帮助,与员工是否参与关键判断、能否获得真实反馈密切相关。
由此看,企业没有必要在“全面使用AI”和“保护员工能力”之间做简单选择。更值得做的是,把AI如何参与交付,与员工如何形成理解,一起纳入工作安排。有些场景适合直接生成结果,有些场景则适合先提供提示、解释差异,或者引导员工比较不同方案。
一个容易实施的变化,是在交付之后增加少量有针对性的追问。员工不必复述整份报告,却需要解释关键结论来自什么证据,哪些假设一旦变化就需要重做,以及自己对哪部分最没有把握。这样才能逐渐看出,一次顺利交付究竟主要依赖工具能力,还是同时增加了员工的理解。
更有价值的检验,发生在条件变化之后。员工能否把方法用于另一类客户,能否识别新出现的数据问题,能否在结果不符合预期时提出下一步检查方向,都比重复完成同一道任务更接近专业能力。 企业所期待的成长,是员工面对新情境时能够作出更可靠的判断。
这还会影响管理者怎样识别一个人的发展需要。以前,一份不成熟的初稿能够直接暴露理解上的缺口;现在,工具可能把表达和结构补得相当完整,经理需要通过讨论关键依据,才能了解员工在哪些地方还需要支持。成果质量提高之后,带教观察也可以变得更深入。
企业需要的专业能力,正在向问题定义和结果判断延伸
人才培养之所以需要调整,还因为工作本身发生了变化。Anthropic的内部用工研究显示,围绕Agent开展的管理和工具建设等“元工作”,在员工交互会话中的占比从2025年秋的10%升至2026年春的22%。这一指标衡量的是会话分类占比,不能直接视为工作时间占比。 [1]
对于普通企业来说,这种变化可以被理解得很具体。员工除了完成业务任务,还需要把目标说明白,给工具准备适当的信息,检查结果是否可用,并决定什么情况下应当由人接手。随着Agent承担更长的工作流程,这些职责会逐渐进入原有岗位,而不只是属于技术部门。
所谓管理Agent,也不能被简化为多写几条提示词。 一次有效委派,需要明确目标、约束、验收标准和升级条件; 一次有效评审,则需要知道结果会被谁使用,以及错误可能沿着什么环节继续传播。这些能力与业务经验有关,也与清晰表达、过程设计和责任意识有关。
人们容易从技术操作的复杂程度判断专业性,但真正重要的问题未必需要最复杂的操作。确认一个分析口径是否适合当前业务,有时只需要很短的对话,却可能决定后续所有计算有没有意义。工具越能承担执行工作,组织越有必要看见这种发生在前端和关键节点上的贡献。
Anthropic今年6月发布的一项研究,分析了约40万次Claude Code会话,发现会话中表现出的领域专业程度越高,成功的可能性总体越高。研究同时观察到,不同职业背景的人都能够借助工具完成编程相关工作,而领域理解仍然有价值。 [4] 这提供了一种更积极的前景:AI可以降低执行门槛,也让更多人有机会把业务认识转化为实际成果。
可以设想,一位HR分析师借助AI搭建了员工流动看板。工具能够帮助处理数据和制作图表,但分析师仍然需要判断哪些人员变化值得关注,某个部门的波动是否与业务周期有关,以及一项建议是否有足够依据。技术实现变得容易之后,业务理解有机会更直接地影响成果质量。
招聘工作的变化也类似。生成访谈提纲和整理面试记录,可以让招聘人员有更多时间理解岗位真正需要解决的问题,也有更多机会与业务经理讨论标准。要让这种机会转化为成长,员工需要参与标准形成和结果复盘,而不只是接收一份已经生成好的结论。
这也意味着,新的成长路径不能一律指向人员管理。一个人可以通过设计可靠的评审方法、建立可复用的业务规则,或者解决复杂例外,持续扩大专业贡献,而不必先获得更多下属。企业保留清晰的专家发展通道,有助于承认这些工作带来的价值。
对于新人,这种变化同样可能打开新的入口。过去需要等待技术支持才能验证的想法,现在可能在较短时间内完成原型;过去只能旁听的业务讨论,也可能因为提前获得背景解释而更容易参与。企业要做的是让工具带来的机会与真实责任逐步连接,使更低的执行门槛成为成长的起点。
校招和初级招聘,需要从补人手转向安排成长
当基础任务能够自动化,校招讨论很容易从培养问题变成数量问题。业务部门提出减少事务性工作需求,HR据此调整招聘计划,这在经营上有其合理性。需要补上的,是另一张图:企业未来需要什么人才,这些人才准备通过什么路径形成。
成熟员工的储备与新人的进入,是两个相关但不同的问题。一支团队眼下能够独立处理业务,不代表它已经为下一阶段扩张准备好了接替力量。企业在讨论招聘规模时,可以把未来的关键责任、内部可培养人选和外部招聘难度放在一起看,而不是只根据当前任务量判断入口是否还需要存在。
外部招聘当然能够提供成熟经验,但企业自身的业务知识仍然需要在内部形成。客户关系如何建立、跨部门分歧如何处理、某些标准为什么沿用至今,都包含难以直接从简历中获得的信息。内部培养的价值,也就在于让员工逐渐把专业知识与组织情境连接起来。
这不要求企业机械保留原有校招数量,也不意味着每个部门都要维持同样的层级。不同业务的变化速度、知识积累方式和人才市场供给都不一样,合适的方案自然会有差别。更有意义的原则,是让初级招聘与未来能力需求之间存在清楚的解释。
岗位设计因此需要比过去更具体。一个初级岗位可以承担哪些有边界的业务问题,会获得谁的反馈,达到什么标准后可以扩大权限,这些内容应当成为岗位安排的一部分。新人需要知道自己的成长目标,直属经理也需要知道带教职责具体落在哪里。
项目分配是其中一个容易被忽略的环节。如果重要项目总是由成熟员工完成,新人只负责工具已经擅长的整理工作,那么参加再多课程也难以补齐实践机会。把一个完整项目中有边界、能获得反馈的部分交给新人,往往比增加抽象的能力要求更有作用。
甄选方式同样值得更新。可以让候选人在允许使用AI的条件下完成一项接近真实工作的任务,再请他解释关键选择,并根据新补充的信息调整方案。这样的过程既能观察工具使用能力,也能看见他如何提问、识别遗漏和面对不确定性。
对于尚未掌握的知识,候选人如何学习,也可以成为评估内容。一个人能够迅速生成完整答案,另一个人会先确认目标、主动核对信息并指出自己的判断边界,两种表现对不同岗位的意义可能不同。招聘评价需要服务于岗位真实责任,避免把表达流畅直接等同于理解充分。
同时,初级岗位仍然需要保留“可以在支持下成长”的空间。若招聘要求把业务判断、跨部门协调和完整流程设计全部提前压给新人,企业实际上是在寻找成熟人才,只是沿用了初级岗位的名称。 清楚区分入职时必须具备的能力与入职后可以培养的能力,有助于让甄选更准确。
外部招聘之外,内部流动也应成为人才供给的一部分。Anthropic在研究中介绍了岗位变化预警和优先内部调配的安排。 [1] 对其他企业而言,这类做法的启发在于:当原有任务发生变化时,可以同时寻找新产生的业务需求,以及现有员工能够迁移过去的能力。
HR在这里能够发挥的作用,是把分散在不同部门的机会连接起来。某个团队减少了材料制作,另一个团队却需要更了解业务的流程设计人员,二者之间未必只能通过外部招聘衔接。任务变化、员工能力和学习安排如果能够一起讨论,组织就更容易把效率提升转化为新的发展机会。
导师制的重点,需要落在员工怎样形成判断
招聘入口调整之后,带教方式也需要跟上。过去,导师可以通过分派基础任务、检查结果和逐次纠错,让新人逐渐熟悉工作;当AI能够快速完成初稿时,这套过程需要增加对理解的观察。 导师需要了解的,是新人看到了什么、相信了什么,以及怎样判断结果可以被采用。
一个可行的做法,是在关键任务开始前,让新人先说清自己的初步理解。他可以提出准备使用哪些信息、预计会遇到什么问题,以及目前有哪些不确定之处,然后再借助AI推进工作。这样,后续反馈就能够落到判断变化上,而不只是在最终文件上做修改。
比如制作人才盘点材料时,新人可以先解释准备如何理解岗位要求和评价证据。AI生成材料后,导师再与他比较:哪些内容得到了支持,哪些看起来完整却缺少依据,哪些需要回到业务现场核实。一次任务由此同时形成交付成果和可讨论的学习证据。
用于练习的材料,可以从真实工作中经过处理后获得。企业可以选择已经结束的项目、去除敏感信息的案例,或者后果可控的小范围任务,让新人比较不同判断及其结果。练习越接近真实业务,导师就越容易解释专业标准为什么适用于这里。
练习安排还可以保留适度难度,让员工有机会发现自己的认识需要调整。一次没有后果的机械模仿,很难帮助人理解复杂工作的边界;一次有支持、有反馈的尝试,则可以把不确定性变成具体经验。关键在于任务范围与员工当前能力相匹配,并且有人能够及时提供帮助。
AI本身也可以参与带教,但使用方式需要围绕学习目标设计。员工可以请它解释不同方案的适用条件,提供反例,或者提出能够检查理解的问题。对重要结论,再由导师或可靠业务资料核对,能够让工具提供的即时帮助与企业自己的标准连接起来。
导师时间更适合用在关键分歧和边界问题上。那些可以反复查询的流程信息,可以通过知识材料和工具提供;关于为什么选择某种方案、何时需要停止推进的讨论,则值得保留给有经验的人。这样的分工,有机会让带教更集中,也让新人得到更有价值的反馈。
反馈还需要在一段时间后重新出现。员工刚刚完成任务时能够解释答案,几周后遇到相似但不同的问题,是否还能作出合理判断,是另一种重要信息。通过后续项目中的自然观察,导师能够了解哪些理解已经稳定,哪些仍然依赖眼前的提示。
带教效果也不宜只按谈话次数或培训时长评价。新人能够独立承担的任务范围有没有扩大,是否更早识别信息缺口,是否知道何时需要请教,都更接近实际成长。把这些变化记录在正常项目反馈中,往往比增加一套繁复的学习打卡更有帮助。
对于导师,组织也需要安排时间并承认贡献。如果带教只是附加责任,而交付目标完全没有相应考虑,那么再好的培养理念也很难稳定落实。管理者可以在项目安排、目标讨论和晋升评价中,为培养后备人才留下明确位置。
培养关系也离不开员工愿意暴露不理解的地方。当新人担心一个问题会被视为能力不足,他可能更倾向于提交一份看起来完整的答案,而不去确认其中的重要假设。允许员工带着问题讨论,并对主动核查给予明确反馈,能够让工具使用与真实学习更好地结合。
这种安排最终会改变新人提问的质量。员工逐渐能够带着自己的理解、证据和备选方案来请教,导师也能够把经验讲到具体决策上。人与工具各自发挥作用,成长便不必依靠重新制造大量机械劳动来实现。
评审AI的人,也需要练习独立判断
当企业把更多责任放到结果评审上,还需要回答一个更深的问题:评审者的判断是否真正独立。Anthropic在10月27日公布的一项研究中,让50名使用Agent的专业分析师完成统计分析,并随机设置Agent对若干合理选项的倾向。四项分析选择合计,分析师选择与Agent倾向一致的比例达到86%。 [5]
研究者明确指出,实验人为强化了Agent的倾向,而且只涉及一个领域、一个任务和一种模型,不能将这一比例直接套到日常工作中。 [5] 它所提出的管理问题仍然值得讨论:当结果表达完整、论证流畅时,一个人如何确认自己真正审视了其中的重要选择?有经验的人同样需要适合的流程和充分的信息,才能履行评审责任。
在企业里,很多重要问题原本就不只有一个合理答案。员工流失分析可以采用不同观察周期,人才评价可以给予不同证据不同权重,客户策略也可能在增长目标与服务投入之间作出不同取舍。评审的任务因而不只是找出事实错误,还包括判断这些选择是否符合业务目标。
可以考虑让关键项目的负责人在查看AI建议之前,先明确目标和主要约束。看到结果后,再比较哪些建议改变了原来的判断,改变依据是什么,以及是否还有值得认真考虑的方案。保留这些思考,有助于让评审成为可解释的专业过程。
要求工具提供替代方案,也可能帮助打开讨论,但替代方案本身仍然需要核查。几份答案措辞不同,不代表它们使用了不同假设;多个工具给出相似建议,也不能单凭一致性判断结论可靠。评审者需要回到关键证据、业务情境和选择后果上。
以员工调研为例,一份生成报告可能把某个指标下降解释为管理沟通问题。HR仍然需要核对样本变化、调查时间和部门业务状况,并通过适当沟通了解员工的真实体验。AI能够帮助整理线索,而解释是否充分,需要结合企业的具体情况判断。
这也说明,评审责任需要与时间、信息和权限相匹配。若一个人被要求快速确认大量结果,却无法接触必要背景,也没有权力要求补充验证,签字本身就难以代表充分判断。 组织设计需要让负责人能够提出异议、获得支持,并在必要时暂停流程。
成熟专家同样需要持续接触真实问题。参与复杂案例、复盘判断差异、在新条件下检验原有方法,都有助于保持专业敏感度。企业培养下一代专家时,也可以同时更新现有专家的工作方式,使经验继续在实践中发展。
在跨部门项目中,不同专业之间的讨论尤其值得保留。财务、业务和HR可能对同一项建议关注不同后果,这些差异本身能够帮助团队澄清目标。Agent可以协助整理意见,但让相关负责人直接讨论取舍,仍然是一种重要的共同学习过程。
晋升标准,需要看见员工能够承担什么责任
当AI显著提高交付能力,原有绩效和晋升指标可能需要重新解释。完成材料数量、响应速度和项目参与度仍有参考价值,但它们越来越难单独说明员工的专业水平。企业需要进一步观察,员工在这些交付中承担了哪些判断,以及能否把方法用于新的业务情境。
一位员工能够让AI生成大量分析,另一位员工能够发现分析中的口径问题、修正方案并帮助业务作出合理选择,两种贡献都值得具体评估。前者体现了执行效率,后者体现了质量与责任,两者结合才能形成稳定的业务价值。晋升讨论可以围绕这种完整贡献展开,而不只比较可见产出。
对初级员工,成长目标可以体现为逐步扩大的责任范围。最初能够解释一个结论,随后能够独立处理有明确边界的任务,再逐渐承担包含例外情况的小流程。 每一次权限扩大,都对应能够被观察的能力证据,新人也因此更容易理解下一步需要怎样进步。
权限与责任同步增长,也能让晋升更容易被理解。员工获得更高职级,是因为能够在更复杂的条件下维持质量、协调资源和处理不确定性,而不仅因为使用了更多工具。这样的标准可以适应工具持续变化,同时保留专业成长的连续性。
对员工,价值则可能体现为让更多人可靠地完成工作。他能够将经验转化为可用标准,帮助团队识别高风险情形,设计有效评审,并培养可以接替部分职责的人。这样的贡献未必表现为个人提交了多少成果,却会影响团队能否持续提高效率。
经验被整理成材料之后,还需要在使用中更新。一个标准在原有业务中有效,面对新客户或新产品时可能需要补充条件,因此知识沉淀也应包括适用范围和最近一次验证。让新人参与这些更新,既能改善组织知识,也能让他们理解标准形成的过程。
技能认证也可以围绕真实责任设计。完成课程可以作为学习记录,承担某类任务则需要通过适当实践,展示理解、验证和处理例外的能力。评估时可以允许使用日常工具,同时通过补充信息、改变条件和追问依据,了解员工的实际掌握程度。
评价过程应当尽量贴近正常工作,避免为了证明能力而增加大量额外材料。项目复盘、成果评审和导师反馈,本来就能够提供丰富证据;把这些证据与岗位责任连接起来,通常更容易得到业务部门支持。培养体系越能帮助完成工作,越有可能长期运行。
企业也需要避免用新的简单指标取代旧的简单指标。调用次数、运行时长和管理Agent数量,都不能直接代表业务价值或专业成熟度。真正需要讨论的,是成果是否被有效采用,质量是否稳定,以及员工是否能够解释和承担关键选择。
职称可以随着组织实践变化,但能力标准需要保持清楚。无论相关职责被放在业务岗位、运营岗位还是专门团队,目标定义、结果验证、过程改进和协同能力都需要有明确归属。这样,员工的成长不会依赖追逐某个新名称,而是依赖可迁移的专业积累。
AI投入与人才投入,需要在同一张经营计划里讨论
这些调整最后会回到经营决策。企业为AI配置预算时,通常会讨论工具成本、接入范围和效率收益;人才培养也可以在同一场讨论中进入视野。工作流发生变化后,需要什么能力、谁来形成这些能力,以及需要投入多少支持,都与项目能否持续产生价值有关。
一个部门试点AI工作流时,可以同时观察业务结果和人员成长。前者包括交付周期、采用情况和返工原因,后者则包括员工能够独立处理的问题范围、发现关键遗漏的能力和对新任务的适应。两类信息放在一起,才能更全面地判断试点带来了什么。
试点时间也需要给学习留下观察空间。上线初期的顺利交付,可以证明工具与流程能够运行,却未必足以证明员工已经形成稳定理解。随着更多真实任务进入,团队可以逐渐发现哪些环节适合扩大自动化,哪些环节需要补充训练或调整责任。
这种观察不必成为复杂的监督体系。经理与员工在正常项目回顾中讨论一次关键判断,记录一个需要继续练习的能力,再在后续任务中验证,就可以积累有用信息。重点是让学习进入真实工作,而不是让员工为了证明学习增加负担。
不同员工获得工具和项目机会的条件,也会影响成长结果。仅凭最终产出比较能力,可能忽略了有人能够接触更完整的背景、获得更多导师反馈,或者使用更适合的工具。HR在观察发展差异时,把这些支持条件一起考虑,能够更准确地找到改进空间。
人才计划也需要比年度岗位表更灵活。某项任务逐渐自动化之后,员工可能适合参与评审、流程改进或新的客户工作,而这些机会未必会立即以正式岗位出现。HR与业务负责人持续讨论任务变化,有助于更早安排能力补充和内部尝试。
这里的“初级”,指的是在某个领域的经验与责任阶段,不应简单等同于年龄。转岗的员工面对新业务时,同样需要基础理解和反馈;年轻员工也可能在某些新工具或新场景中拥有值得分享的经验。围绕具体能力设计支持,能够让更多人参与新的工作方式。
当企业把业务机会、工具投入和人才发展连接起来,AI就可能成为培养体系的一部分。 员工可以更快获得背景解释,更容易尝试原本需要较高执行成本的方案,也能够借助及时反馈修正认识。 组织提供真实问题、可靠标准和适当责任,工具则帮助人更充分地利用这些学习资源。
Anthropic这份研究带来的价值,在于让企业能够更早讨论这些选择。对于高管和HR来说,一个值得带进经营会议的问题是:当基础任务越来越少依赖人工,我们准备让员工通过哪些实践获得承担复杂责任的能力?把这个问题落实到岗位、项目和导师安排里,人才战略就能够与AI战略一起向前推进。
企业最终需要的,是能够借助AI做出更好成果,也能够理解成果、解释选择并承担责任的人。基础工作可以改变,成长所需要的真实参与、及时反馈和逐步授权仍然值得认真安排。新的晋升路径,将在这些具体的工作设计中形成。
参考来源
[1] Anthropic,How employment is changing at Anthropic,2026年10月16日。
[2] Anthropic,How AI assistance impacts the formation of coding skills,2026年1月29日。
[3] Erik Brynjolfsson、Danielle Li、Lindsey R. Raymond,Generative AI at Work,NBER Working Paper 31161,2023年11月修订版。本文引用该版本的样本与估计。
[4] Anthropic,Agentic coding and persistent returns to expertise,2026年6月16日。
[5] Anthropic,How AI agents shape experts’ judgment calls,2026年10月27日。
原文链接:https://mp.weixin.qq.com/s/nL2G1Ov4qAEgm1AlwCts1Q
[返回上一页]
