When AI Stops Answering and Starts Doing: Anthropic Economic Index Report: Cadences

“AI 已经替代了多少工作？”这个问题总会回来。它像是该有一个干脆数字：多少岗位消失，多少人被模型顶掉，多少行业最危险。

可眼下最先变化的，往往不在这些地方。它更像是工作里的小动作被悄悄换了顺序：一封邮件还要不要自己从头写，一次代码迁移要不要让 Agent 先跑，做报告的人是在问模型一个问题，还是把一份半成品交给它继续往下做。公司的人数、工资和招聘迟早会受到影响，但那是后面的账。前面的账先发生在任务怎样被拆开、谁来做、谁来验收。

Anthropic 在 2026 年 6 月发布的第六期 Anthropic Economic Index report: Cadences，就停在这个更早的现场。它没有去算“AI 已经取代了几个人”，而是去看 Claude 用户何时出现、带走什么产物、又把多少执行交给模型。读完全文，我觉得它补上的不是一个更大的结论，而是一组更小、更具体的观察：工作开始从聊天和问答，变成产物、环境和委托。

这也决定了该怎么读它：能看见变化从哪儿冒出来，但读不出变化最后会落到哪里。

图 1：关于 AI 与工作的证据不能混在一起读。数据来源与研究范围见文末。

开始之前

AI 和工作之间至少隔着三层数据。

最靠前的是使用行为。谁在什么时候打开模型，用的是聊天框、桌面工具还是 API，让它解释、写文档、写代码，还是连续做一段事。Anthropic 的报告主要落在这一层。它能告诉我们工具是否真的进了日常工作，也能让我们看到某种使用方式有没有开始变得常见。

再往后才是任务效果。同一类工作在有 AI 和没有 AI 时，速度、质量、出错率会不会不同？这类问题不能只靠日志回答。研究者得找到相似的人、相似的任务，尽量把“本来就更会做的人更爱用 AI”这类差异剥开。

最后才轮到劳动市场结果：工资、工时、招聘、岗位数量和职业流动究竟有没有变。它走得最慢。今天有人用 Claude 写完一份报告，不会立刻出现在就业统计里；公司会不会因此少招人、改岗位、把收益留给股东还是员工，也要经过预算、管理和需求变化。

所以，“AI 很强，工作要没了”这句话里，常常揉进了三种不同的东西：眼前的使用体验、局部效率提升和对未来的担心。把它们混起来，讨论很快就会失去重心。Anthropic 的报告站在第一层，偶尔向后两层伸出去一点。我们可以顺着它看，但别替它跨过去。

再看样本，能少掉很多不必要的误解。这期报告使用持续采样、经隐私保护处理的 Claude 使用数据，因此能按天、按小时追踪节律。第 2 章的 Chat 与 Cowork 数据覆盖 2026 年 4 月 10 日到 6 月 10 日；比较委托程度时，还纳入了同一时期的 Claude Code 会话。职业工资来自美国劳工统计局 2025 年 5 月的职业工资统计。（Anthropic，2026，第 9、18 页）

Anthropic 不是让研究者逐条阅读聊天记录，而是用分类器把会话标成工作、个人、课程用途，或者识别用户最后带走的产物，再过滤观察数太少的单元格。它能画出总体轮廓，却给不了完整语境。分类器也会错，把这些数字当作一张分辨率有限的地图会更合适。至于调查部分，Anthropic 将回答与使用模式做隐私保护关联，每位用户随机抽取最多 20 个会话样本，最后得到约 9,700 名、至少有 5 次会话的受访者。电脑与数学职业约占其中 30%，在美国就业里却只占约 4%；管理者也明显偏多。（Anthropic，2026，第 19-21 页）

这是一批活跃 Claude 用户的图像，不是美国劳动者的缩影，更不能直接搬来解释中国就业。边界写清楚了，里面的观察才值得看。

和上一期《Learning Curves》比，变化在哪里

Anthropic 的上一期 Economic Index 是 2026 年 3 月 24 日发布的《Learning Curves》。那期抽取 2026 年 2 月 5 日至 12 日的数据，盯着两个问题：Claude 的采用是不是从少数技术任务扩到更多用途；用得久的人是不是更会用 AI。

它得到的画面很像学习曲线这个标题本身。Claude.ai 的前十类任务占比从 2025 年 11 月的 24% 降到 19%，使用在变散；使用更久的人更常把 Claude 用在工作和更高教育要求的任务上，也有更高的任务成功率。早期采用者可能更技术化，留到今天的人也可能本来就更适合用 Claude，所以“用得久”这件事里，同时混着学习、筛选和幸存者偏差。（Learning Curves，pp. 2-4, 15-20）

《Cadences》没有翻掉这些结论，只是把问题拉近了一点。上一期看的是采用与学习：哪些任务在扩散，什么样的用户更会选模型、更愿意迭代。这一期开始盯着工作怎样被重新组织：人在哪个时段使用 AI，离开时拿走解释、报告还是代码，又把多少判断交给模型。

对比维度	3 月《Learning Curves》	6 月《Cadences》
主要问题	使用是否扩散；经验是否提高使用效果	AI 怎样进入日常节律；用户拿走什么产物；委托有多深
数据形态	以 2 月一周样本比较任务、平台、模型选择和用户使用时长	持续采样，能够看日/小时变化；加入产物分类、跨产品比较和关联调查
关键发现	Claude.ai 用途变散；老用户更常迭代、工作用途更多，成功率更高	从聊天到 Agent，产品环境会让相近任务被更深地委托；用户开始把模型输出当成工作产物
仍然不能回答	这些学习差异是否由使用本身造成	这些委托变化是否已经转化为工资、工时或就业变化

两期都绕不开自动化，AI 能不能替人做事，本来就是每个用户最关心的问题。3 月那期把互动拆成 directive、feedback loop、task iteration、validation、learning 五种，再合并成 automation 和 augmentation 两类，看的是人和模型怎样配合。它的结论是：老用户更常迭代和学习，并没有简单地把任务一股脑扔给模型。其中 automation 多出现在调用 API 的 Agent 式用法里，augmentation 更像 Claude Code 这类工具里的人机协作。

6 月新增的 autonomy 是另一把尺子：模型在一段任务里要自行做多少决定，量的是委托的深度。Claude Code 的自主性更高，并不和“老用户更会协作”打架。一个人完全可以在高风险或复杂任务上保留反馈和验收，同时把边界清楚的一段执行交给 Agent。两期量的是两样东西，结论自然不冲突。

Anthropic 没有宣布 AI 正在替代人。它只是把镜头从“谁在学会用 AI”推到“人正在把工作里的哪一段交给 AI”。劳动重排也从一句宏观判断，变成了几个可以具体观察的东西：使用的时间、带走的产物、委托的深度，还有人留在手里的反馈环节。

Claude 的使用节律，已经像工作和生活本身

报告第一章读起来像一张日常生活的热力图：早上问新闻，上午写商务沟通，傍晚找菜谱，报税截止日前突然挤进大量税务问题。这些请求看着琐碎，却恰好说明 AI 已经跟着人的作息走了，成了生活的一部分，不再只是偶尔打开一下的聊天框。

工作日里，Claude Chat 和 Cowork 中被判为个人用途的会话约占 35%；到周末，这个比例升到接近 50%。商务沟通、营销文案和幻灯片之类的工作请求少了，情感支持、医疗问题、投资建议变多。按小时看，新闻请求集中在早晨，商务沟通的高点落在工作日上午，菜谱请求则在傍晚六点达到平时约 2.3 倍。（Anthropic，2026，第 4-7 页）

图 2：Anthropic 原始 Figure 1.2。各柱表示请求簇在该小时的相对频率，虚线为各请求簇自身的平均水平；数据限于 Claude Chat 与 Cowork。来源：Anthropic Economic Index report: Cadences（2026），第 6 页。

税务那段尤其直观。美国 4 月 15 日是联邦个人所得税申报截止日；4 月 14 日，美国用户的税务相关会话占比约为 5 月普通一天的八倍，4 月 15 日仍然很高，4 月 16 日迅速回落。（Anthropic，2026，第 7-8 页）这不能用来计算 AI 替税务人员做了多少工作。它只是把一个很普通的现象照出来：现实生活里一旦出现集中、明确、又适合在线处理的压力，人会先把 AI 当成一个随手可用的入口。

晚上和周末的工作请求还有一个规律：它们更偏向高工资职业对应的任务；和低工资四分位职业相关的任务占比反而下降。AI 的使用程度跟着职业报酬走，这一点《Learning Curves》里已经见过；这一期把数据切到了小时粒度，又看出了新的节律。

它只提醒我们一件事：AI 不会均匀地渗进所有工作。它会先贴着已有的时间安排、数字化环境和任务边界长出来。

从“回答得好”到“交付了什么”

这期报告里，我最在意的改动是它开始记录用户离开会话时到底带走了什么。

Anthropic 把一段对话的主要产出叫作 artifact，可以把它理解成可拿走的工作产物。它可能是一段解释、一份报告、一封邮件、一份演示文稿、一段代码，也可能是一个网站。这个词不太日常，却比模型回答更贴近工作现场。

报告识别出 93% 的 Chat 和 Cowork 会话都产生了某种明确产物。最常见的是解释，占 17%；文档和报告占 15%；建议和指导占 11%。（Anthropic，2026，第 9 页）这不等于模型写出的内容都被采用了，但问题已经往前挪了一步：用户拿模型产出做什么。

图 3：报告已披露的高频产物类别；“产生可识别产物”与三类具体产物不是同一层级，未将它们相加。

同一种产物可以落到完全不同的用途上。一份计划可能是旅行攻略，也可能是融资方案；翻译既可能为了个人阅读，也可能是日常工作。报告再按工作、个人和课程用途切一次后，差别就出来了：工作用途最常拿到文档和报告，其次是解释、邮件草稿、分析和总结；个人用途则更常得到解释和推荐。（Anthropic，2026，第 10-12 页）

过去讨论聊天模型，大家常常盯着答案够不够好、幻觉多不多。这些问题没过时，只是工作流里多了一步：模型的输出开始被转发、粘贴、运行、修改和提交，有时甚至直接成了一份半成品交付物。

报告还把 token 消耗与职业工资放在一起看。整体上，映射到高工资职业的工作会话会用掉更多 token，高计算量产物也更常出现在这些职业中。这个相关性值得看，但别把它读成“token 等于经济价值”。职业映射本身有误差，模型选择会影响 token，药剂师等职业还是明显反例。更稳妥的说法是：当用户让 AI 处理更复杂、更开放、需要持续判断的产物时，模型和人往往都会投入更多。

同一件事，被交出去的程度不同了

artifact 让我们看见用户带走什么；这一章后半段的 autonomy 问的是另一件事：用户把多少判断交给了模型。

Anthropic 用 1 到 5 的量表评估一段会话里的 AI 自主性。翻译、计算、问答通常很低，因为人几乎把答案和边界都说清了。做应用、网站、游戏和演示文稿更高，模型得在很多可选方案里作取舍。这个分数不管模型有没有工具权限，也和模型有没有意识无关，它只描述一件事：这段任务里，模型替人做了多少选择。

最值得盯住的比较，发生在 Chat/Cowork 与 Claude Code 之间。几乎所有产物类型中，Claude Code 的平均自主性都更高；全体会话的平均差距是 0.37 分。即使只比较使用 Sonnet 的会话，Claude Code 仍高出 0.26 分。（Anthropic，2026，第 14-16 页）这组数字把注意力从“哪一个模型更强”拉回了产品本身：人会怎样使用模型，取决于界面给了什么能力，也取决于任务被放进了怎样的工作流。

博客和文章是一个很好懂的例子。Chat 和 Cowork 中最终产生博客或文章的中位数会话，要经过 13 轮往返；Claude Code 中同类产物的中位数只有 1 条人类提示。大约三分之二的自主性差距，不是因为 Claude Code 用户在做另一批任务，而是因为相近的任务被交给模型的方式不同。（Anthropic，2026，第 15 页）

聊天界面会让人一轮轮补充需求、看回复、继续改；能读文件、调用工具、连续执行的 Agent 环境，则让人更容易把目标、边界和验收条件一次性交出去。讨论 AI 替代时，大家习惯只盯模型能力，这一层产品和工作流的变化反而看得少。

这也接上了我之前写过的两篇文章。《生成式 AI 不会直接终结工作，它先重排劳动，再放大需求》里的判断是，AI 先压缩的是任务，不是完整职业；现在这份报告给了任务层面的画面，工作被拆成产物，产物再被放进不同程度的委托关系里。《AI Agent 的未来不是完全自治，而是可治理的委托》关心的也不是人要不要退出，而是人应该留在目标、边界、验收和责任上。新数据没有证明这两套判断，却让它们少了一点抽象味。

用户觉得自己在被帮助，还是被替代

第三章开始问人，而不只看日志。

接近六成受访者认为，未来 12 个月里，AI 能够独立完成的工作任务占比会比现在更高；超过三分之一的人预计，AI 到那时可以完成自己大部分或几乎全部的工作任务。（Anthropic，2026，第 22-25 页）数字看上去很猛，但它测量的是受访者的预期，不是对其岗位的独立评估。

使用方式和感受之间，也没有出现直觉里那种悲观的对应关系。自动化使用占比更高的人，往往认为 AI 会给未来收入、再就业机会、工作意义和自主性带来更积极的影响；他们也更常说 AI 提高了自己技能的市场价值。报告还提到，许多用户自报获得了速度、工作范围和质量上的提升。（Anthropic，2026，第 27-28 页）

这很容易被讲成一个顺口的故事：越把工作交给 AI 的人，越不害怕 AI。可能是自动化确实让这些人看到了好处，也可能是原本更乐观、更愿意尝试新工具的人，才更愿意交出完整任务。即使控制用户使用 Claude 的时间，选择效应也没有被排除干净。

另一面没有消失。约 10% 的受访者认为，自己在未来一年失去想保留工作的可能性高或很高；也有人更担心初级同事和其他人，而不是自己。（Anthropic，2026，第 26-27 页）这很像技术变迁里常见的心态：工具已经在帮我，但我也能看见它会先挤压谁，尤其是那些经验更少、工作更容易被拆成明确步骤的人。

这里没有一个整齐答案。AI 同时带来效率、焦虑、学习机会和岗位担忧，并不奇怪。每个人面对的任务不同，手里的背景知识不同，能否检查模型输出也不同。

这份报告不能证明什么

最该先写出来的，是它没有证明 AI 已经造成了多少就业替代。

报告没有观察公司的人数、工资单和招聘决策，也没有把用户随机分成“使用 AI”和“不使用 AI”两组。它看到的是 Claude 用户的行为、分类器推断出的任务属性，以及一批用户的自我报告。我们可以从中判断 AI 正在进入哪些任务，却不能据此说某个职业会在几年内消失。

自动化与乐观的关系也不是因果。自动化占比高的人，可能本来就在更适合 AI 的岗位，有更好的工具条件，或者更愿意相信技术。报告把这种相关性摆出来已经很有价值，但它回答不了“多委托一点，会不会让一个人更有安全感”。

token 不是产出价值，产出也不是被采用的成果。模型为了写一份应用方案消耗更多计算，不说明方案更好，更不说明它为公司创造了相同比例的价值。用户能否验证、组织是否采纳、任务是否进入真实流程，这些才会慢慢决定经济影响。

Claude 的使用数据也没有天然的全球代表性。它很适合观察已经接触并主动使用前沿模型的人。中国的产品入口、企业软件环境、行业结构、劳动制度和支付方式都不同。把这份报告当作国际知识工作的一扇窗是合理的；把它直接变成中国就业预测，就太快了。

放回更大的证据里，画面会稳一些

单看 Claude 的日志，容易顺着它外推；和几项外部研究对着看，判断会克制一些。

NBER 的《Generative AI at Work》看的是一个很具体的场景：5,179 名客服人员接入生成式 AI 助手后，平均每小时解决的问题数提高了 14%；新手和低技能员工的提升约为 34%，资深高技能员工的变化很小。（NBER Working Paper 31161）这不说明所有白领任务都会得到同样的效果。它说明，在任务标准比较清楚、反馈又快的地方，工具可以把高绩效者的一部分做法扩散给经验较少的人。

另一篇 NBER 研究《Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI》看的是丹麦劳动市场。ChatGPT 发布两年内，收入和记录工时没有显著变化，研究设计能够排除大于 2% 的影响；但工作结构已经在动，内容生成、AI 监督、AI 集成等新任务出现，采用者也在流向与聊天机器人更相关、报酬更高的职业。（NBER Working Paper 33777）

“水面平静，水下有急流”这个标题很贴切。它和 Anthropic 的报告并不冲突。前者说宏观劳动指标暂时没有明显波纹，后者让我们看见波纹下面的任务和工作流正在被重新安排。

国际劳工组织的《Generative AI and Jobs: A Refined Global Index of Occupational Exposure》给了更宽的背景：全球约四分之一劳动者处于“有一定生成式 AI 暴露”的职业中，落在最高暴露类别的全球就业只占 3.3%；ILO 判断，大多数职业仍由需要人类投入的任务构成，因此工作被改造比工作被整体消灭更可能发生。（ILO，2025）

暴露同样不等于失业风险。它只说一个职业里有多少任务可能被生成式 AI 碰到。是否采用、效率收益最后落到谁手上、组织如何重新分工、有没有新的需求冒出来，仍然要由之后的数据来回答。

变化已经开始，只是它还没有长成一句口号

如果只用一句话概括这份报告，我会说：AI 对工作的早期影响，先表现为人把更多执行交出去，而不是职业突然整体消失。

这句话没有“AI 将取代人类”那么刺激，却更接近现在能看见的东西。聊天界面里的回答，正在变成文档、代码、方案和连续执行的任务；人和模型的关系，也从你一句我一句的协作，慢慢变成目标设定、环境接入、执行、检查和接管。

这会重排许多东西。新人过去靠重复执行积累的经验，可能更容易被 Agent 接手；资深工作者的判断、验收和定义边界的能力会更显眼；组织也得重新决定哪些任务需要人亲手完成，哪些可以交出去但必须留痕。可这些还不是对就业总量的判决书。

接下来值得追的是几件更具体的事：被稳定委托的任务，有没有从草稿和一次性分析走到会影响真实状态的流程；谁在为模型输出负责，公司又有没有为审阅、验收、补救和权限管理投入新的岗位与时间；初级劳动者原本靠重复执行获得的训练机会，是被替代了，还是被改造成了新的学习路径；效率收益最后流向员工、公司还是消费者。

Anthropic 这份报告没有替我们回答这些问题。它先做了一件基础但很必要的事：把工作这个模糊名词，拆回人每天正在做的动作。

前两个问题决定效率能否进入组织，第三个关系到下一代人怎样长出判断力，最后一个决定收益落到谁手上。这些问题，要留给未来慢慢回答。

参考资料

• Anthropic, Anthropic Economic Index report: Cadences, 2026-06-26。
• Anthropic, Anthropic Economic Index report: Learning Curves, 2026-03-24。
• Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, Generative AI at Work, NBER Working Paper 31161。
• Anders Humlum, Emilie Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI, NBER Working Paper 33777。
• Pawel Gmyrek et al., Generative AI and Jobs: A Refined Global Index of Occupational Exposure, International Labour Organization, 2025。