同样在用AI,为什么有人看到助手,有人看到整个工作的变化?

你说AI挺好用，能帮忙写写邮件。另一个人说，再过几年，大半工作可能都交给它。

两个人不一定是谁没见过世面。他们可能每天都在认真使用AI，只是工作的环境、交给AI的任务，以及遇到的阻力，差得太远。

Anthropic 10月16日发布的《AI预期差距》，把这种分歧摆到了同一张桌上。值得看的不是选边站，而是：我们说“AI会改变工作”时，究竟在预测哪一步？

先把“觉得会发生”与“已经发生”分开

研究比较了2026年8月的美国成年人调查与公司内部调查。总体样本分别为10,980人和1,334人；具体问题的有效样本不同，公众未来题还分为2027、2030两组。公众数据经过加权，员工数据没有加权。

其中，对2030年AI能完成自身现有工作时数的平均估计，美国在职受访者是28%，Anthropic员工是75%。

原文图5｜来源：Anthropic。这里测的是受访者对未来能力的判断，不是已测出的自动化率，也不是公司招聘或裁员计划。两组答题方式不同：员工使用滑杆，公众选择区间后取中点。

这组差距很大，但它没有直接告诉我们谁是对的。

离技术更近的人，可能更早看到能力；也可能习惯了资源充足、同事配合、工具接入顺畅的环境。离它远一点的人，可能低估进步；也可能更熟悉现实业务里难以绕过的约束。

因此，把内部员工当成未来的可靠预言家，或者把普通用户当成落后样本，都太省事了。

调查最有用的地方，是暴露我们正在使用不同的前提。它能帮助定位争论，却不能替未来交卷。

“能做”到“真的用了”，中间还有一家公司

原文图1｜橙色为员工、蓝色为美国成年人；三栏分别问现在、2027年、2030年能否达到熟练专业人员水平。请沿着同一任务横向看，不要把不同年份的预期当成实测进步曲线。

想象一个客户支持场景。模型能写出一封正确答复，只解决了第一步。企业还得决定：它能读取哪些记录，什么时候必须升级给人工，错误承诺由谁处理，客户是否接受这种方式。

这些都不是“模型再聪明一点”就一定能自动解决的事。

同样一句“AI暂时替代不了客服”，可能有两种意思。一种是它经常理解错问题；另一种是它理解对了，但公司还不能放心把权限和责任交给它。第一种更需要能力改善，第二种更需要流程设计。

如果不分开，技术团队可能一直提高回答准确率，业务团队却仍然不愿上线。双方都在工作，瓶颈却没有被碰到。

原文图2｜公众对未来使用障碍的选择，包含客户偏好、隐私、安全、可靠性和责任等。最多选三项，占比不能相加成100%；该题没有询问员工。

所以，看一次演示时，我更愿意追问：它证明的是能力，还是已经证明了这个组织能承接能力？这两个答案，决定了离落地还有多远。

节省时间，也有容易漏算的一半

原文把检查与修改输出的时间纳入了问题。对于AI擅长的任务，59%的员工受访者认为耗时可降到四分之一或更少；使用AI工作的公众受访者中，这一比例是26%。这是自报判断。

原文图4｜比较的是“有多少人认为任务能缩短到四分之一或更少”，不是所有任务平均节省了多少时间。

这个问法比“你感觉效率提高了吗”更有用。因为生成很快，未必交付很快。

一份文档十秒生成，核对来源、修正逻辑、与同事确认要花多久？如果这些时间没有计入，测到的只是文本生产，而不是任务完成。

反过来，如果输入清楚、结果容易验证、错误代价低，AI确实可能节省大量时间。两个人报告完全不同的体验，不一定有人夸张，可能只是他们在做不同类型的任务。

这也是我不太赞成笼统问“哪个模型让我效率翻倍”的原因。先挑出一个重复发生的完整任务，记录从开始到验收的时间和返工，再比较工具，往往更接近自己的答案。

别人的强烈体感，值得试验；但不能直接记进自己的收益账。

对技术乐观，不代表对就业轻松

原文图6｜上图按预期自身工作暴露程度分组，比较2030年失业率预期；下图显示两类受访者分别落在哪些组。所有纵轴数值都是预测回答，不是未来已知结果。

这张图的有趣之处，是把身份标签暂时拿开。原文观察到：当人们预计AI能做更多自己的工作时，通常也预计更高失业率；两类人群呈现类似关系。

因此，“看好技术”与“担心自己的位置”完全可以同时成立。技术能力的判断和利益分配的判断，本来就不是一道题。

再往下想，同一项自动化对企业与个人也可能是不同的故事。企业看到成本下降、可服务的市场变大；个人看到自己熟悉的任务减少，以及重新找到合适工作的难度。承认这两种视角，讨论才不会滑向“你只是害怕变化”或“你只是替公司说话”。

但相似的相关关系也不证明因果。我们不能据此算出：某人的工作每多自动化一点，社会就必然增加多少失业。调查是在描画信念如何组合，不是在运行真实经济。

与其争一个年份，不如把分歧拆开

下次听到“AI很快会做掉大半工作”，我会先拆成几个更小的问题。

到底是哪项任务能做了？企业是否愿意用？是AI起草、人检查，还是能独立承担完整过程？算上验证与返工，实际节省了什么？被释放的人，会进入新的任务，还是需要离开原来的职业？

这些问题不用一次全部回答。价值在于让讨论有明确的落点。

如果分歧在能力，可以设计任务测试；如果分歧在采用，就去看权限、责任和流程；如果分歧在岗位变化，就要观察任务重组与新增需求。用一场模型演示，同时回答这三类问题，往往会过度推断。

本文没有根据这份调查预测中国就业，也没有把受访者的答案当成Anthropic的正式预测。我们能带走的是一种更清楚的讨论方式。

你对AI的判断，可能没有错；但它可能只适用于你眼前那段工作。真正值得更新的，是你愿不愿意把这段经验的边界也说出来。

依据Anthropic于2026年10月16日发布的官方研究整理与分析。

阅读 Anthropic 官方原文