AI 时代,什么才是真正不可替代的能力?

Anthropic 刚刚用 40 万个真实数据，悄悄重写了职场价值公式。

这份数据来自 2025 年 10 月到 2026 年 4 月，约 23.5 万名真实用户在 Claude Code 上留下的 40 万个工作会话。它不是预测，不是模拟，而是正在发生的现实的切片。

它揭示的核心结论，足以让每一个靠专业吃饭的人重新审视自己的价值坐标：

在 AI 编程时代，决定你能否成功的，不是你会不会写代码——而是你够不够懂你自己的领域。

这个观点之所以震撼，是因为它彻底颠覆了我们对“技术壁垒”的全部直觉。

一、代码壁垒，正在悄悄坍塌

先看一组让人不安的数据。

在分析这 40 万个 Claude Code 会话时，Anthropic 的研究者做了一件有意思的事：他们没有只盯着软件工程师，而是把用户按职业分类——律师、会计、医疗、管理、销售、媒体……然后比较不同职业在 Claude Code 上的任务成功率。

在会产生实际代码的会话中，每一个主要职业群体的成功率，都只比软件工程师低了不超过 7 个百分点。 管理类职业甚至略高于软件工程师。律师、会计、科学家——这些人从未系统学过编程——在 AI 辅助下完成技术任务的成功率，和专业程序员的差距，仅仅是统计噪音量级。

这个数字的含义是什么？

它意味着：代码，作为一道专业壁垒，正在快速瓦解。过去“我会写代码”是一张通行证，是稀缺能力，是十年积累换来的职业护城河。而今天，这张通行证正在被 AI 大规模复印。

一个从未学过 Python 的律师，告诉 Claude 她需要一个脚本自动检查一批合同文件里是否存在缺失的条款——她不会写代码，但她知道法律语言、知道合同结构、知道边界条件在哪里。最终，她完成了任务，成功率和程序员无异。

这是 Anthropic 研究报告里的真实案例。

二、真正的鸿沟，不在职业之间——在领域理解深度之间

我见过太多工程师把“代码能力”当成护城河。这份数据在告诉我们，那道护城河的水，正在退潮。但与此同时，另一道壁垒正在升起——而且更难逾越。

Anthropic 研究者评估用户“专业度”的标准，不是职位头衔，不是编程水平，而是只有一条：你是否真正理解你正在解决的那个问题。

一个精确描述需求、知道该让 AI 验证什么、能在 AI 出错时立刻纠正的用户，无论他是工程师、产品经理还是财务分析师，都会被评为专家级。一个只是笼统说“帮我写个工具”的资深程序员，反而可能被评为新手级。

专业度不等于代码能力。它等于领域理解力。

这个区别，在数据里产生了惊人的落差。

专家级用户发出一条指令，平均会触发 Claude 12 个行动、产出 3200 字的输出。新手级用户发出同样的一条指令，Claude 只做 5 个行动，产出约 600 字。 整整 5 倍的差距，不是因为他们用了不同的工具，不是因为他们付了不同的会员费，而是因为他们给 Claude 的“燃料”完全不同——专家给的是精准的领域知识，AI 因此能跑得更远；新手给的是模糊的任务描述，AI 只能在原地打转。

成功率的差距同样显著。在严格定义的“验证成功”标准下，新手级会话的成功率是 15%，专家级是 28%~33%——是前者的两倍以上。

而当会话遭遇问题时，差距更是触目惊心：19% 的新手级用户在遇到困难后直接放弃，而专家级用户的这一比例只有 5%~7%。 专家不是不会遇到障碍，而是因为真正理解问题，他们知道如何引导 AI 绕过障碍、重新出发。

这就是 AI 时代真正的分水岭：不是你会不会用工具，而是你有没有足够的领域认知，驾驭这个工具。

三、AI 在重新定义分工：你负责“想什么”，它负责“怎么做”

这份报告揭示的另一个核心发现，正在悄悄改写所有知识工作的底层逻辑。

在 Claude Code 的典型会话中，研究者追踪了每一个决策由谁做出——是用户，还是 Claude。结论是：用户承担了约 70% 的规划决策（做什么、用什么方法、什么算完成），Claude 承担了约 80% 的执行决策（改哪个文件、写什么代码、运行哪条命令）。

这是一种清晰的分工：人类负责“想什么”，AI 负责“怎么做”。

但这个分工不是偶然形成的，它是 AI 能力边界的直接映射。AI 极其擅长在一个已知的框架内执行——给定边界条件、给定目标、给定约束，它可以以惊人的速度完成工作。但“框架本身是否正确”这个判断，AI 目前无法自主完成。这一块，恰恰是领域专业知识最核心的价值所在：你知道这个问题值不值得解、这个方案有没有遗漏关键约束、这个结果算不算真正完成了目标。

这才是领域理解力不可替代的根本原因——不只是“AI需要燃料”，而是框架判断这件事，AI做不了，必须由真正懂问题的人来做。

这个分工模型，不只发生在编程领域。它可能是 AI 时代所有知识工作的预演。

想象一下未来几年：一个医生不再需要亲自检索文献，但他必须清楚地知道要验证哪个假设；一个律师不再需要逐字起草合同，但她必须精确地知道哪些条款在商业上不可退让；一个产品经理不再需要亲自画原型，但他必须对用户需求有无可替代的洞察。

那些高价值的“想什么”——定义问题、判断标准、识别边界——这是 AI 目前最难僭越的领地。而这些能力，恰恰深埋在多年领域实践里。

这份数据还告诉我们：专家级用户给出一条指令，Claude 会连续自主完成 12 个行动再回来汇报；而专家越优秀，每条指令解锁的 AI 工作量越大。领域专业知识，正在成为驾驭 AI 杠杆的支点——支点越稳，杠杆撬动的重量就越大。

四、旧价值正在贬值，新价值悄悄升值

想象一下：你花了三年磨练的 debug 技能，正在被 AI 以每月几个百分点的速度吃掉。这不是预言，这是 Anthropic 用七个月的数据记录下来的现实。

在 2025 年 10 月到 2026 年 4 月这七个月里，Claude Code 用户花在“修复 bug”上的会话比例，从 33% 骤降到 19%——几乎减半。曾经占据程序员大量时间的 debug 工作，AI 正在大规模吸收。

但另一组数字同样值得注意：同期，每个典型会话的估算经济价值增长了约 25%，构建类任务涨了 43%，运维类涨了 34%，修复类涨了 32%。

这两组数字放在一起，说明了什么？

数据显示，AI 或许不是在压低人类工作的价值，而是在进行一次精准的价值筛选。 低价值的执行型工作，AI 正在吃掉；高价值的判断型工作，反而因为 AI 的加持变得更值钱。一个真正懂业务的人，因为有了 AI，第一次可以以接近“无限执行力”的状态去实现自己的判断——这是一种前所未有的杠杆效应。

而一个只懂执行、不懂判断的人，会发现 AI 正在把自己最熟悉的那部分工作一口一口吃掉。

五、专业知识的时代，从未像今天这样重要

AI 编程时代，会不会写代码已经不重要了——重要的是你够不够懂你自己的领域。

这句话的另一面是：领域专业知识，是 AI 时代最持久、最难被替代、且回报最高的资产。

那个会计，多年来积累的对财务规则和边界条件的理解，现在能驾驭一个世界级的编程 AI 替他完成技术实现；那个律师，对合同语言的敏感和对商业风险的判断，正在成为 AI 杠杆的支点；那个医生，对疾病逻辑的深刻认知，让她能引导 AI 做人类专家级别的医学分析。

Anthropic 的数据用 40 万个真实案例告诉我们：不是 AI 在削弱专业知识的价值，恰恰相反——AI 正在放大领域专业知识的价值，并且让它第一次从“只能靠自己慢慢执行”变成了“可以调动无限算力来实现”。

但这里有一个关键警示值得注意：

收益的大头，来自“基本够用”到“中等专业”的跃升，而不是从“中等”到“顶尖”。 报告明确指出，新手到中级的成功率提升幅度，远大于中级到专家的提升。这意味着：你不需要成为某个领域的世界顶级权威，才能充分释放 AI 的价值。你只需要真正扎下去、真正搞懂你负责的那一块——而不是停留在表面。

这是一个方向：不要为了用 AI 而学 AI，而是要为了用 AI 而深耕你自己的领域。

AI 给了每个人一台无限马力的发动机。但方向盘，永远在懂问题的人手里。

你的领域积累有多深，你能驾驭的算力就有多大。

参考来源：

Zoe Hitzig， Maxim Massenkoff， et al.， “Agentic coding and persistent returns to expertise”， Anthropic， 2026-06-16.

https：//www.anthropic.com/research/claude-code-expertise