Anthropic 剛發布了一份「AI搶飯碗報告」：學歷越高越「被搶」
Anthropic 昨天剛在官網發布《經濟指數報告》。
報告不僅關注人們在用 AI 做什麼，更關注 AI 到底在多大程度上真正替代了人類的思考。
這次他們引入了一套被稱為「經濟基元」（Economic Primitives）的全新維度，試圖量化任務的複雜度、所需的教育水平、以及 AI 的自主程度。
數據背後折射出的職場未來，比單純的「失業論」或「烏托邦論」都要復雜得多。
越難的活，AI 幹得越快
在我們的傳統認知裡，機器通常擅長重複性的簡單勞動，而在涉及高深知識的領域會顯得笨拙。
報告顯示，對於那些只需要高中學歷就能理解的任務，Claude 能將工作速度提升 9 倍；
而一旦任務難度提升到需要大學學歷的門檻，這一加速倍率直接飆升到了 12 倍。
這意味著，原本需要人類苦思冥想數小時的白領精英工作，正是 AI 目前「收割」效率最高的領域。
即便我們將 AI 偶爾產生幻覺的失敗率考慮進去，結論仍然不變：AI 對複雜任務帶來的效率暴漲，足以抵消它出錯帶來的修補成本。
這解釋了為什麼現在的程序員、金融分析師比數據錄入員更離不開 Claude ——因為在這些高智力密度的領域，AI 展現出的槓桿效應是最強的。
19 小時：人機協作的「新摩爾定律」
這份報告中最令人震驚的數據，莫過於對 AI「耐久度」（任務時長，Task horizons，以 50% 成功率衡量）的測試。
通常的基準測試如 METR（Model Evaluation & Threat ReseARch，模型評估與威脅研究）認為，目前的頂尖模型（如 Claude Sonnet 4.5）在處理需要人類耗時 2 小時的任務時，成功率就會跌破 50%。
但在 Anthropic 的實際用戶數據中，這個時間界限被顯著拉長了。
在 API 調用的商業場景下，Claude 能在涉及 3.5 小時工作量的任務中保持過半的勝率。
為什麼會有如此巨大的鴻溝？ 秘密在於「人」的介入。
基準測試是 AI 獨自面對考卷，而現實中的用戶會將一個龐大的複雜工程拆解成無數個小步驟，通過不斷的反饋循環修正 AI 的航向。
這種人機協作的工作流，將（以 50% 成功率衡量的）任務時長上限從 2 小時推到約 19 小時，接近 10 倍。
世界地圖上的折疊：窮人學知識，富人搞生產
如果把視野拉升到全球，我們會看到一條清晰且略帶諷刺的「採納曲線」。
在人均 GDP 較高的發達國家，AI 已經深度嵌入了生產力和個人生活。
人們用它寫代碼、做報表、甚至規劃旅遊行程。
但在人均 GDP 較低的國家，Claude 最主要的角色是「老師」，大量的用途集中在課程作業和教育輔導上。
除了貧富差異，這更是一種技術代差的體現。
Anthropic 提到，他們正與盧旺達政府合作，試圖讓那裡的人們跨過單純的「學習」階段，進入更廣泛的應用層。
因為如果不加干預，AI 很可能會成為一道新的壁壘：富裕地區的人用它指數級地放大產出，而欠發達地區的人還在用它補習基礎知識。
職場隱憂：「去技能化」的幽靈
報告中最具爭議，也最值得警惕的部分，是關於「去技能化」（Deskilling）的討論。
數據表明，Claude 目前覆蓋的任務，平均需要 14.4 年的教育背景（相當於大專學位），遠高於整體經濟活動平均所需的 13.2 年。
AI 正在系統性地剔除工作中的「高智力」部分。
對於技術撰稿人或旅行社代理人來說，這可能是災難性的。
AI 接管了分析行業動態、規劃複雜行程這些需要「腦子」的活，留給人類的可能只剩下畫草圖、收發票等瑣碎工作。
你的工作還在，但工作的「含金量」被抽空了。
當然，也有受益者。
比如房地產經理，當 AI 搞定了記賬和合同比對這些枯燥的行政工作後，他們可以將精力集中在需要高情商的客戶談判和利益相關者管理上——這反而是一種「再技能化」（Upskilling）。
Anthropic 謹慎地表示這只是基於現狀的推演，而非必然的預言。
但它敲響的警鐘是真實的。
生產力回歸「黃金年代」？
最後，讓我們回到宏觀視角。
Anthropic 修正了他們對美國勞動生產率的預測。
這看起來比之前 1.8% 的樂觀估計縮水了三分之一，但千萬不要小看這 1 個百分點。
這足以讓美國的生產率增速重回 1990 年代末互聯網繁榮時期的水平。
而且，這僅僅是基於 2025 年 11 月的模型能力。 隨著 Claude Opus 4.5 的入場，以及「增強模式」（即人們不再試圖把工作全丟給 AI，而是更聰明地與 AI 協作）在用戶行為中逐漸佔據主導地位，這個數字還有巨大的上行空間。
結語
翻閱整份報告，最讓人感慨的不盡然是 AI 變得多強，更多是人類適應得有多快。
我們正在經歷一場從「被動自動化」到「主動強化」的遷徙。
在這場變革中，AI 就像一面鏡子，它接管了那些需要高學歷卻可以通過邏輯推演完成的任務，從而倒逼我們去尋找那些無法被算法量化的價值。
參考資料：
https://www.anthropic.com/research/economic-inDEX-primitives
https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
