原文：How AI is transforming work at Anthropic（2025-12-02）。数据采集于 2025 年 8 月，当时最强模型是 Sonnet 4 与 Opus 4。 这是 01 里“8 倍代码”那类数字的更早、更细的来源。
一句话
在被 AI 改造得最深的一群人身上，提效是真的，但“提效”主要来自做得更多，而不是每件事更快；同时出现了技能萎缩、师徒关系变淡这两个副作用。
怎么研究的
- 问卷：132 名工程师与研究者。
- 访谈：其中 53 人。
- 行为数据：20 万条内部 Claude Code 会话，对比 2025 年 2 月与 8 月。
作者自己列了偏差：样本是自家员工、不匿名、靠回忆 12 个月前的数据、METR 也发现开发者会高估提效。所以下面这些数字要当成“有方向的信号”，不是精确测量。
几个关键数字
| 指标 | 12 个月前 | 现在（2025-08） |
|---|---|---|
| 日常工作中使用 Claude 的比例 | 28% | 59% |
| 自报生产力提升 | +20% | +50% |
| Claude 参与的工作中“本来不会做”的比例 | — | 27% |
| 能“完全委托”的工作比例 | — | 多数人只有 0–20% |
行为数据更能说明“委托程度”：
- 单次会话中 Claude 连续调用工具的次数：9.8 → 21.2（+116%）。
- 人类发言轮次：6.2 → 4.1（−33%）。
- 任务复杂度（1–5 分）：3.2 → 3.8。
- 用 Claude 实现新功能的比例：14.3% → 36.9%；做设计/规划：1.0% → 9.9%。
- 8.6% 的任务是在修“小毛病”（重构、终端快捷键、可视化小工具）。
一个细节：不同团队都用 Claude 补自己的短板——预训练团队主要用它跑额外实验（新功能占 54.6%），安全团队主要用它读代码（48.9%），非技术员工主要用它排错（51.5%）。
四个张力
1. 时间省了，但分布是两极的。 总体上每个任务类别都省时间，但一部分人反而花更多时间：调试 AI 写的代码、理解不是自己写的代码。省下的时间去了哪里，数据看不出来。
2. 技能在变宽，也在变浅。 后端工程师能做前端，研究员能做可视化；同时有人担心“产生输出太容易，反而没耐心真正学一样东西”。文章引了一位资深工程师的话：如果自己更年轻，会更担心。
3. 监督悖论。 要安全地使用 Claude，需要监督能力；而监督能力恰恰可能因为过度使用而萎缩。一位受访者说，他更担心“监督问题”，而不是自己的技能。
4. 师徒关系变淡。 Claude 成了问问题的第一站，80–90% 的提问不再找同事；资深工程师发现年轻人来得少了。有人欢迎这种“不占用同事时间”，也有人明确不喜欢。
和 01 的关系
01 说 2026 年 Q2 人均代码量是 2025 年前的 8 倍；这篇提供了 2025 年的基线：提效主要体现为产出量上升，单任务时间只是略降。两篇合起来看，“8 倍”更像是“同样的时间，做了更多事”，而不是“每件事快了 8 倍”。
这也解释了一个反直觉的现象：工具越强，评审、验证、协调反而越可能成为瓶颈——01 里的 Amdahl 定律说的就是这件事。
值得追问
- 59% 的“使用比例”是自报，如果按 token 或会话数算，会是多少？
- 27% 的“新工作”里，有多少是真正的新增价值，多少是把以前不做的小事翻出来做？
- 如果技能萎缩是真的，谁来评审越来越强的模型输出？这正是 02 里“监督指标”想回答的问题。