夜雨聆风
“一年后，AI 能完成我大部分甚至全部工作任务。”
说这话的不是硅谷极客，不是科技公司 CEO——它是 Anthropic 最新月度报告里，超过三分之一 Claude 用户的判断。这家公司 6 月 30 日发布的 Claude Economic Index 报告，题目叫「Cadences」（节奏），它不靠推演，而是拿出了 9,700 份关联到真实使用数据的问卷，再加上对海量 Claude 会话的微观分析。
结果令人坐不住：接近六成受访者认为，未来 12 个月 AI 能承担的工作任务占比会高于今天；超过三分之一认为，到那时 AI 能搞定大部分甚至全部工作。而这份预期的背后，报告用大量证据表明，AI 已经在"接走一段段任务"的路上走得很远。
一、AI 不是在抢岗位，是在接走一个个交付物
要理解"抢走更多工作"这个判断的基础，先要搞清楚一个问题：用 Claude 的人到底在拿它做什么？
Anthropic 这次给出了前所未有的精细答案。它引入了新的分类器，把每次 Claude 会话的输出归为 30 多种类型，统称为 artifact——不只是一个"回答"，而是一个可识别的交付物。报告发现，93% 的 Claude 对话会产生某种 artifact。
最常见的三类输出分别是 explanations（解释，17%）、documents and reports（文档与报告，15%）和 guidance（指导意见，11%）。Claude 已经不只是一个"问答机器"——它正在生产营销文案、文章草稿、数据库查询，甚至完整的可执行代码。
报告特意区分了这些 artifact 的用途。marketing content 中约 80% 与工作相关，blogs or articles 为 81%，database queries 为 82%。三类输出都不一定属于"高科技岗位"，但无一例外是日常办公室里的小块交付任务。AI 接走工作的真正入口，从来不是公司宣布"全面自动化"——而是这些零散的碎片先被模型接过去。
这一认识贯穿整份报告：CIO 不需要回答"AI 会替代我的行业吗"，他需要回答的是"AI 接走了我手下多少份交付物"。
二、从聊天框到代理界面：交给模型的目标越来越整块
一年前，Claude 的使用场景几乎全是"一问一答"。如今局面大不同。
随着 Claude Code 和 Cowork 增长，Claude 会话越来越表现为长时间运行的代理式任务——用户不再逐句指挥，而是交给模型一个目标，让它自己推进。报告在 31 类输出上衡量了 Claude 的自主性（从 1 到 5），其中 26 类在 Claude Code 上显著高于普通聊天界面。
具体数字：生成脚本和代码片段时，Claude Code 的自主性比 chat 或 Cowork 高出 0.53 分（满分 5 分）；全部对话的平均差距为 0.37 分。一个更有说服力的例证是博客写作：在 chat 或 Cowork 上撰写一篇博客文章，中位数需要 13 轮来回；在 Claude Code 上，只需要一条人类提示。换言之，用户越来越倾向于把整段任务完整托付出去，而不是一点一点地调校结果。
自主性的差距不纯粹来自模型选择。虽然 Claude Code 会话中 54% 由 Opus 驱动（chat 和 Cowork 仅为 10%），但即便控制在同一模型（Sonnet）上比较，Claude Code 的自主性仍高出 0.26 分。这说明产品界面本身的差异——代理式工具鼓励整段委托，聊天框则延续了碎片化协作——也许比底层模型的迭代更能改变使用方式。
三、按工作价值分配算力：任务越"贵"，模型花得越多
报告把 token 消耗量与工作的经济价值做了一次大胆的对照。不必把这个关联理解得太机械——Anthropic 自己都承认它有噪声和离群点——但从统计趋势上看，高工资职业的 Claude 对话确实消耗更多 token。
marketing managers 时薪约 80 美元，editors 约 37 美元，前者的对话消耗约 2.5 倍的 token。反例同样存在：pharmacists 时薪约 68 美元，statistical assistants 约 24 美元，但药剂师相关任务的 token 使用量仅为后者的约二十分之一——法规约束强、任务范围窄，模型不需要那么多上下文就可以完成。
转向输出类型来看更清晰。构建应用的 token 消耗超过中位数对话的三倍；一次典型的解释性说明只有中位数的五分之一。Anthropic 估计，output mix 可以解释 token 消耗中 wage gradient 的约 44%——高工资职业之所以更"吃"算力，部分原因在于它们更常要求复杂、算力密集型的 artifact。
另一个值得注意的发现是，在高工资职业相关的对话中，Claude 每轮输出约为 1.34 倍，用户互动轮次约为 1.53 倍，启用 extended thinking 的比例为 34% 对 31%。这三个数字说明同一个事实：在最高价值的工作中，不是"AI 越来越多、人越来越少"，而是两边的投入都在增加。Claude 输出更多，用户参与更深。这看起来更像是劳动增强（labor-augmenting）而非劳动替代（labor-displacing）——但报告没有回避一个事实：增强和替代之间的界线，会随自主性提高而模糊。
四、用户自己怎么看？“AI 能做的事越来越多，丢工作的不是我”
报告最重头的部分在于首次把使用数据和用户感知连接起来。Anthropic 在 4 月启动了 Economic Index Survey，从 5 月中旬到 6 月初为每名受访者随机采样最多 20 次会话，排除不足 5 次的低频用户，最终获得约 9,700 人的关联样本。
先看预期：接近六成受访者认为，一年后 AI 能完成的工作占比会高于今天；超过三分之一认为 AI 能完成大部分甚至全部工作任务。不同职业对"未来的增量"估计惊人地一致——报告称之为"rising tide"（涨潮效应）：不只是程序员认为 AI 会进步，其他岗位也预期水位同步上涨。
但人们对自身命运的预判差异显著。高收入国家受访者报告的任务份额比低收入国家低约 10 个百分点；至少 15 年经验者报告的份额也比刚入职者低约 10 个百分点。年资越高，越清楚有哪些判断、协调和责任难以被模型替代——回应开放式问题时，资深用户点名了判断力（judgment）和人际信任（building trust and managing people）这两项 AI 复制不了的能力。
如果把"抢走工作"理解为失业，那数据比标题温和得多。仅有 10% 的受访者认为自己在未来一年失业的可能性较大。但这个数字不该被轻描淡写：超过三分之一的受访者认为岗位职责将发生显著变化；在认为自己可能失业的人中，38% 将原因直接归因于 AI。对初级同事的担忧尤其显著——超过三分之一的人认为初级同事明年丢工作的概率超过 60%。
一个颇为反直觉的发现是：越是把工作整段委托给 Claude 的人，对未来反倒越乐观——无论薪资、工作安全、就业能力，还是工作意义和自主性，他们在六个维度上的预期都优于不常委托的人。这个关系在控制用户使用时长之后依然成立。一个可能的解释是：敢于把整段任务交给 AI 的人，恰恰因为亲眼看到了模型的能力和局限，反而对自己的市场价值更有底气。
五、三种节奏的重叠处，才藏着真正的信息
“AI 会在未来一年取代更多工作”——这份报告确实给出了这样的数字信号。但读懂它需要三个边界。
第一，数据来自 Claude 用户，不能直接外推到全社会。计算机与数学类职业在受访者中约占 30%（美国就业占比仅 4%），管理层占 23%（就业占比 7%）。劳动密集型和线下服务岗位几乎缺席。报告更像是一份"AI 高频用户"的态度快照，而非劳动力市场的仪表盘。
第二，"AI 能做任务"和"AI 替代岗位"之间不是等式。93% 的对话产生 artifact、Claude Code 上更高的自主性、超过三分之一用户预期 AI 能完成大部分工作——这些都不是裁员数字。它们是有用的压力计，但压力计不等于地震仪。
第三，报告含金量最高的地方，是它揭示的三种节奏的重叠。清晨五点的睡眠建议、下午六点的食谱请求、报税截止日前的飙升，这是个人使用节奏。Claude Code 上单条提示完成博客、26 类输出自主性更高，这是工具进化节奏。高工资职业更长的互动轮次、更多的 extended thinking 使用，这是专业工作节奏。这三组节奏一旦重合，说明 AI 不只是在某个维度上变"强"了——而是在嵌入人们一天里的不同时段、不同界面和不同类型的工作块。不是替代，是渗透。
回到标题那个问题：一年后 AI 会抢走更多工作吗？这份报告的答案是"是"——但"更多工作"不是说更多人失业，而是更多任务块被模型接了过去。人会不会因此被替代，取决于接走的是琐碎还是核心，取决于你有没有意识到，任务正在一块一块地搬走。
参考链接
- Anthropic Economic Index report: Cadences
- Anthropic 在 X 上发布 Claude Economic Index 月度更新
- Anthropic Economic Index Survey 首次介绍
