解讀 Claude 對開發者的影響：AI 如何在 Anthropic 改變工作？

近日 Claude 開發公司 Anthropic 發布了一篇《How AI Is Transforming Work at Anthropic》的文章，文章是 Anthropic 在 8 月對內部員工進行調查，通過對 132 名工程師和研究人員的調查、53 次深度訪談，以及對 20 萬條內部 Claude Code 使用記錄的分析，報告了目前 AI 對於工程師的相關影響。

這是一份很有參考價值的數據。

在這裡 Anthropic 使用三種互補方法，確保定量與定性數據的平衡：

透過內部 Slack 渠道（68 份反應）和直接接觸 207 人（64 份反應，31% 反應率）進行，問題聚焦編碼任務頻率、生产力影響和委託策略
針對前 53 名調查受訪者，進行主題分析，探討委託實踐、技能變化、社會動態和職業轉變
使用隱私保護工具分析 20 萬條內部記錄，按任務複雜度（1-5 量表）、類型（如調試、功能實現）和團隊差異分類

文章的核心是 AI 如何重塑工作，分為生產力、新任務啟用、委託實踐、技能變化、社會/職業影響和使用趨勢等，我們可以先簡單看看文章提供的真實數據表格，感受下 AI 對於開發者的影響數據：

每日使用率	當前值	數據含義/備註
調試／修復錯誤	55%	超過一半的員工每天用它修 Bug
理解/閱讀程式碼	42%	用於解釋複雜的程式庫
新功能開發	37%	直接用於寫新 Feature

時間點 / 統計	Claude 使用占比 / 頻率	平均自報生產力提升
一年前	使用率 ≈ 28%	+20% 生產力提升
2025 年（報告時點）	使用率 ≈ 59%	+50% 生產力提升
“Power Users”（表現最好的一部分用戶）	—	有 14% 的人報告生產力提升超過 100%

新任務 & 雜項改進比例	百分比 / 頻率
Claude-assisted work 中，“原本不會做 / 被跳過”的任務 (new work)	27%
Claude Code 任務中 “papercut fixes”（小修小補 / 可維護性／質量提升／工具／文檔等）	8.6%

複雜度 & 自動化程度	平均任務複雜度 (1–5 量表)	平均最大連續工具調用數 (tool calls)	平均 Human Turns (人類互動次數)
6 個月前 (Feb 2025)	3.2	9.8 次連續調用	6.2 次 Human Turns
2025 年 August (報告時點)	3.8	21.2 次連續調用	4.1 次 Human Turns

各任務類別占比變化	Feb 2025 占比	Aug 2025 占比
新功能開發	14.3%	36.9%
設計／規劃	1.0%	9.9%
其他（debugging / code understanding / refactoring / papercuts / …）	剩餘 ≈ 84.7%	剩餘 ≈ 53.2% (大致 = 100 − 36.9 − 9.9)

全棧化 (跨領域)	主用 Claude Code 任務類型 / 占比 (主要任務)
Pre-training team	新功能開發 (building new features) 占比 ~ 54.6%
對齊/安全團隊	前端開發 (front-end development / 數據可視化) 占比 ~ 7.5%
Post-training team	前端開發 ~ 7.4%
Security team	程式理解 / 分析占 ~ 48.9%
非技術人員	Debugging 占 ~ 51.5%；Data science / 數據分析占 ~ 12.7% ，編寫/調試腳本，能夠通過 AI 獲得基礎編碼能力
所有團隊 (“All Teams” baseline)	主要任務為新功能開發、調試 (debugging)、code understanding

通過上面這份數據，可以直觀看到：

生產力提升：

平均 50% 生產力提升（14% 用戶超過 100%），合併拉取請求（pull requests）每工程師增加 67%，任務時間減少（如調試時間縮短），輸出量增加
減少瑣碎工作（如重構），並行探索想法（如同時運行多個 Claude 實例），複雜調試可能需更多善後清理時間，但整體效率更高

啟用新工作：

這是一個有趣的現象，報告裡 27% 的 Claude 輔助工作原本不會發生，包括擴展項目、“錦上添花”任務（如交互式儀表板、文檔、測試）和探索性工作，另外還有 8.6% 為“小修小補”（如可維護性重構）
例如安全團隊用 Claude 分析未知程式含義；非技術員工調試網路或 Git 問題

委託實踐：

整體 Claude 使用頻繁提升，但完全委託只占了 0-20%，大多數情況還是需主動監督，開發者還是優先委託易驗證、低風險或枯燥任務（如拋棄式調試代碼），在逐步信任逐步後，才有從簡單到複雜的過程。
邊界：調查報告裡主要反饋還有高風險、戰略思考或“品味”任務（如設計決策）需要保留人類處理

技能擴展與退化：

這也是比較經典的調查結果，現在的工程師更“全棧化” ，處理專長外任務（如後端工程師快速構建複雜 UI，研究人員用 Claude 創建前端可視化，對齊團隊用 Claude 實驗，安全團隊分析程式影響）
當然，對於 Claude 的開發者而言，他們也有技能退化的憂慮，擔心這樣大幅度減少了動手實踐，胡導致程式編寫和審閱技能弱化，影響監督能力，一些工程師反應會通過定期“無 AI 練習”應對焦慮

社會與職業轉變：

AI 帶來的最直接影響之一，與人互動變少了，每個人都更像是一個獨立的“超級個體”與 AI 結對編程，而非與團隊協作
受訪者情緒分裂：短期多數人對擴展能力與效率提升持樂觀，但也有人擔心長遠會被 AI 替代或角色被徹底改寫

可以看到，職業認同的危機不只是外部開發者有， Claude 內部開發者也有這個焦慮，這種心態大概是：

“我以為我喜歡寫程式，其實我只是喜歡程式跑通的結果”。

所以未來 AI 對於開發者的影響，還可能會帶來新的職業價值觀的重構，所以有人感到迷惘：如果寫程式這個動作本身不再重要，那麼以後作為軟體工程師的身份認同建立在哪裡？

另外，AI 也不是完完全全就減少了開發者的工作時間，在報告裡可以看到，因為 AI 也導致了一些開發者的工作隨機反著增加了：

正向的“更多時間” ：以前因為太難或太繁瑣而通過“放棄”來處理的任務，現在工程師願意花時間去攻克了
負向的“更多時間” ：盲目信任 AI 生成的程式，結果把自己逼進了死胡同，最後不得不花大量時間去調試和清理 AI 留下的爛攤子，這也增加了“認知負荷”，畢竟閱讀和理解別人（或 AI）寫的程式，往往比自己寫更累

可以看到，Anthropic 這篇數據雖然只是內部調研，但是也很直觀反映了當前的一些情況，隨著 AI 的流行，整個開發結構也在發生變化，最明顯就是開發者的邊界在慢慢打破：

後端可以通過 AI 構建 UI ，算法團隊可以自己搭建可視化數據拓展，開發者的邊界越來越模糊，工程師變得更 “full-stack”，更敢去處理以往不熟悉的領域（前後端、資料庫、數據可視化等），因為 Claude 能覆蓋很多低上下文或易校驗任務
AI 很擅長做大量“papercut”（小修小補、局部消重構、寫測試、生成文檔）以及加速調試/理解程式，從而讓同一時間段內“輸出量”提升明顯，開發者更聚焦在需求理解和業務領域

另外，報告裡也提到了：

“人們通常把 AI 當作一輛更快的車，但如果你擁有一百萬匹馬，你可以同時測試無數個想法。”

這也是一個典型代表，在 AI 時代的工程模式發生了轉變，以前從線性的“構思-編碼-測試”，可以轉變為並行的“多路徑探索”，工程師的角色從“搬磚者”變成了“指揮官”，指揮 AI 牛馬去嘗試不同的解決方案，然後人類來挑選最好的那一個。

這對於不缺 token 的 Claude 內部員工來說無疑是 Free 的。

當然，Anthropic 員工是“內圈”樣本，結論不能直接外推到非科技行業或不同規模公司，但是從報告所反映的短期/中期效應，長期勞動力結構變化、工資分配與職業路徑變化都有不錯的參考價值：

AI 能顯著增加產出並擴展個人可承擔任務的範圍，但同時帶來技能退化風險、團隊協作減少與職業不確定感。

總的來說，Anthropic 的這份報告可以反射出一個正在發生的現實：

AI 已經不僅僅是工具，它已經在慢慢改變你的工作方式和職業生涯
紅利與債務並存：使用 AI 在獲得了巨大的生產力紅利（產出增加、門檻降低），但也背負了潛在的隱性債務（技能空心化、社交隔離）
未來的關鍵能力：在 AI 時代，工程師的核心競爭力可能不再是“寫出完美的語法”，而是 “定義問題”、“設計驗證機制”以及“跨領域的系統性思維” 等

所以，這不僅是 Anthropic 內部的故事，也是整個軟體行業即將面臨的“預告片” 。