AI时代的人力规划 如今需要回答一个实际问题：当智能体产出的工作量远超人类能够合理审核的范围时，管理者应如何重新设计产能、监督机制和初级员工的培养？Anthropic的内部研究是一个有价值的运营案例，而不是对所有公司的预测。它说明了为什么仅衡量智能体的活动量是不够的。运营负责人需要把产出与经过验证的质量、业务价值、风险以及人才梯队的健康状况联系起来。

Anthropic的内部数据揭示了什么

在其 2026年10月16日发布的报告中，Anthropic研究了自身员工如何使用AI智能体。到8月，交互式智能体的工作时长已达到员工工时的六倍。随着智能体在技术与非技术工作中普及，该公司报告代码、销售、合同和发票方面的产出均有所提升。

这一比例令人瞩目，但并不意味着智能体为每名员工替代了六个人。智能体工时与员工工时是不同的活动单位。智能体可以快速、并行或长时间运行，但产出的内容仍可能需要人的判断。产出数量也不等同于有用、盈利或安全的产出。生成的合同草稿、销售分析或代码修改，只有在准确、相关并被实际工作流采纳时才会创造价值。

审核负担让这种区别变得具体。Anthropic估计，审核所有智能体产出将占用非技术员工大约一半的工作时间。这改变了约束所在。当生产变得廉价而充裕时，注意力可能成为稀缺资源。团队产生的草稿、分析和操作，可能多于管理者或专家能够负责任地审核的数量。

报告还指出Anthropic技术团队结构的变化。自2025年初以来，初级技术员工的占比从21%降至14%，而技术岗位招聘中初级人员的占比从27%降至9%。Anthropic表示，技术岗位招聘的绝对数量仍在增长。因此，这些数据支持的是一家公司内部人员结构的变化，而不是技术岗位就业整体萎缩的结论。

把智能体产能转化为运营计划

好的计划从需求出发，而不是从工具权限出发。明确组织必须完成的工作、必须维持的服务水平，以及仍由人负责的决策。然后再决定智能体在哪些地方可以扩大产能而不削弱控制。这样可以避免一个常见错误：给每项可用任务都加上自动化，事后才发现审核队列、异常情况和模糊的责任归属成了新的瓶颈。

运营负责人可以采用以下简单的规划步骤：

• 按结果梳理工作。 围绕客户、收入、合规或交付成果来组织任务，而不是围绕软件功能。

• 划分风险与可逆性。 对低风险、易于撤回的工作采用较轻的管控，对法律、财务、安全或面向客户的决策则要求更严格的审核。

• 设定审核预算。 估算每条工作流需要多少合格的人工注意力，并在这部分产能用尽时限制自动化产出。

• 指定明确的负责人。 让一个角色对审批标准、异常、事件和工作流变更负责。

• 衡量被采纳的价值。 跟踪可用产出、周期时间、错误率、返工以及实际实现的业务成果，而不仅仅是提示词、token或智能体工时。

• 保护技能培养。 保留能让初级员工学习背景知识、判断力和审核能力的工作，即使智能体可以更快地完成初稿。

审核预算应与人力成本或基础设施产能一样受到严格管理。如果一条工作流能生成500项内容，但合格的审核人员只能评估100项，那么实际产能更接近100。抽样审核可能适用于低风险、重复性的产出，但应在扩大规模前明确抽样方法和升级规则。高风险产出可能需要全量审核、独立复核或限制自主操作。

指标应追踪工作从生成到结果的全过程。对代码而言，被采纳的修改和生产环境缺陷比生成的代码行数更重要。对销售而言，有效商机和转化质量比撰写的消息数量更重要。对合同和发票而言，准确率、异常率、处理时长和避免的损失，比文件数量更能说明问题。这样， 运营层面的AI工作 才能与业务绩效挂钩，而不是沦为表面活动。

统筹规划岗位、招聘与管控

人力设计不应把人员编制、智能体和治理当作彼此独立的计划。每条工作流都需要一个产能模型，涵盖智能体执行、人工审核、异常处理、维护和培训，还应包括故障场景。一个能加快常规工作、却引发大量棘手异常的智能体，可能只是转移了成本，而不是消除了成本。

Anthropic研究中的初级招聘数据值得关注，因为入门级工作通常同时承担两个目的：完成今天的任务，培养明天的专业能力。如果智能体接手了起草、调试、调研或例行分析，初级岗位可能会失去让人得以学习的重复练习。如果在没有设计替代方案的情况下拿走这些工作，可能会削弱人才接续、内部流动以及未来审核人员的供给。

更好的做法是围绕有监督的判断重新设计初级岗位。员工可以比较智能体的产出、调查异常、检验假设、记录决策，并在客户或运营场景之间轮岗。管理者应明确每个级别的能力标准，并确认员工有足够的实践机会来成长。目标不是无限期保留低价值工作，而是保留有用工作中蕴含的学习机会。

管理者应谨慎对待因果判断。Anthropic的研究基于内部数据和17次访谈，并指出工具的采用并非随机。使用智能体的团队和个人，可能在某些方面本就不同于未使用者，而这些差异同样会影响产出和招聘。该报告可以为假设和管控措施提供参考，但无法证明观察到的每一项变化都仅由智能体的采用所导致。

做规划时，应使用多种情景，而不是单一的生产率假设。保守情景可以假设被采纳的产出小幅增长、审核需求较大。基准情景可以反映部分工作流中已观察到的改进。高产能情景可以检验当智能体产出增长快于监督能力时会发生什么。为每个情景明确招聘需求、审核产能、管控成本以及触发调整的指标，并随着证据积累不断修订模型。

AI时代的人力规划应衡量什么？

在工作被采纳且产生价值的环节衡量产能。一个实用的计分卡会把周期时间、质量、返工、异常、事件和业务成果，与审核所需的人工时长结合起来。再加入按级别的招聘、晋升、技能习得以及管理者的管理幅度等人力指标。这样，权衡取舍就会变得清晰。更快的产出可能值得，但前提是缺陷、审核积压或技能缺口没有以更快的速度增长。

Anthropic的研究适用于所有公司吗？

不。它描述的是一家拥有自身团队、工具和采用模式的AI公司。其结论是促使您检验自身工作流的契机，而不是通用基准。管理者应开展受控试点，将被采纳的结果与基线进行比较，并考察是哪些人在采用这些工具。只有当价值、管控能力和员工发展三者都保持可信时，才扩大规模。