如今，AI助手正悄然改变着工程师们的工作方式。最新的调研结果显示，Claude已经融入了60%的工程师的日常工作流程，它不仅能够接管调试和理解代码等一些低价值的任务，更重要的是，它开辟了27%原本难以完成的新任务。当AI的操作流程从9.8步延长到21.2步时，人类的干预次数反而减少了32%。这样的新型人机合作模式正在催生出一种“拆分任务+委托AI+验证结果”的新能力，也引发了大家对技术能力差距和职业发展方向的深思。
我最近看到一篇非常有趣的文章，特意想跟大家分享一下。
Anthropic对其132名工程师的日常使用Claude的情况进行了调研，量化了他们在不同任务中使用Claude的频率、感受和自我评估的生产力。
同时还分析了20万条Claude Code的对话记录，深入了解工程师们究竟在什么任务上使用AI、这些任务的复杂程度，以及需要多少人类的干预。
01 不是节省时间，而是“做了更多事情”
1. Claude已经在60%的工作流中应用
- 一年前，只有28%的工作会使用Claude，自评效率提升约20%；
- 而到今年，同样的工程师在59%的工作中使用Claude，自评效率提升到了50%左右；
- 大约有14% 的重度用户认为自己的工作产出翻了一倍以上。
更有趣的是，使用场景的排名显示，最常见的任务并不是开发新功能，而是调试和理解旧代码：
- 55%的人每天用Claude查找bug；
- 42%的人每天用Claude理解代码；
- 37%的人每天用它实现新功能。
这说明，AI首先接管的是那些低价值但必须完成的工作，而不是“制造火箭”。
2. 27%的工作原本是不可能完成的
有一个数字特别值得关注：
员工表示，使用Claude完成的工作中，有27%是他们之前根本无法做到的。
这些“从无到有”的任务包括：原本觉得麻烦的文档、测试和重构；不影响KPI的体验优化小工具；“试试”的探索性项目和额外实验。
这也解释了为什么很多团队觉得没明显变得更轻松，反而完成的事情却增多了。
虽然时间有所节省，但更重要的是，AI将那些“总是排在待办事项清单底部”的任务，真正推上了日程。
3. 不是“完全交给AI”，而是“高频协作”
尽管大家都在积极使用，但超过一半的工程师认为，自己能“完全不检查就交给Claude”的任务只占0–20%。
这个观点在数据中也得到了印证：
经过六个月，Claude Code的任务平均复杂度从3.2提升到了3.8（满分5），而每个任务中连续自动执行的工具调用次数从9.8增加到了21.2，而人类的介入次数则从6.2减少到了4.1。
简单来说，AI接手的工作链条拉长了，人类的参与频率减少了，但还远没有达到“不需要人”的程度。
02 行为层面的规律：真正的差距在于是否会使用AI
通过访谈和记录分析，我们可以看出一套清晰的AI使用准则，这套准则实际上就是未来工程师的核心技能。
1. 工程师们通常将什么任务交给AI？普遍来看，大家会将以下几类任务交给Claude：
- 背景知识少且复杂度低：对领域不熟悉，但问题本身简单，比如简单的Linux命令和Git操作；
- 易于验证：结果好坏一目了然的任务，比如格式转换、小工具和简单的SQL等；
- 可以拆分成独立模块：某个子模块与主系统耦合度不高，出错不会影响全局；
- 质量要求不高：一次性调试脚本和研究用代码；
- 枯燥重复且不想做的事情：重构、写文档和制作图表等；
还有一个有趣的现象是：“如果一件事自己10分钟就能完成，很多人宁愿不去打开Claude。”这里的边界其实就是调用AI的启动成本。
2. 大家又会保留哪些工作？大部分人会将以下任务留给自己：
- 产品和架构层面的关键设计；
- 带有组织文化和利益权衡的决策；
- 与“品味”和“风格”相关的工作，比如交互细节；
- 任何“一旦出错成本高”的任务。
不过，这条界限并不是绝对的，随着模型能力的提升，可以交给AI的任务范围也在不断扩大。
这一点在日志中同样得到体现：使用Claude进行新功能和代码设计/规划的比例，在六个月内几乎翻了两到三倍。
3. 能力结构的演变：更全能，但也面临“监督悖论”
人工智能让工程师们的技能更加多元化：
- 后端工程师现在可以尝试前端和数据可视化；
- 安全团队能够迅速识别陌生模块的潜在风险；
- 即使是非技术岗位的人，也能借助Claude Code解决一些网络和脚本问题。
不过，这也引发了一个大家的担忧：如果我们把越来越多的任务交给AI，那么自己写代码的机会越来越少，未来还会理解AI写的内容吗？
报告中提到了一个很有意思的概念：监督悖论
有效使用AI，得懂得如何监督它；
但如果过于依赖AI，你可能会逐渐失去这项能力。
有些工程师开始有意识地反其道而行：虽然知道Claude能够胜任，但仍然偶尔坚持手动编码，目的是为了保持那部分“肌肉记忆”。
03 我们可以获得哪三个认知升级？
认知一：AI提高效率并不是单纯地把原有工作加速50%，而是把“没人做的27%”也纳入了工作范围
从数据来看，Anthropic的工程师们并没有把节省下来的时间用来休闲，而是投入到新的任务中：更多的实验、重构以及探索性工作。
对每家公司而言，这意味着：
- 如果你只用AI来减少原有工作的时间，最多只能获得20-30%的收益；
- 但如果利用AI去处理那27%原本没人去接触的任务，比如体验优化、质量提升和风险排查，那么边际价值将会更高。
对于管理者而言：真正要问的问题不是“有了AI，这个项目能节省多长时间”，而是“有了AI，我们能够做哪些以前根本不敢做的事情”。
认知二：真正的核心能力是「拆解任务 + 指派AI + 验证结果」
从这份报告中可以看出，那些生产力翻倍的重度用户有三个共同特征：
- 擅长拆解任务，把大问题分解为多个小模块，方便AI处理；
- 懂得选择任务，只把简单验证且影响可控的部分交给AI；
- 会进行验收，清楚何时需要自己重写，何时只需抽样检查就好。
这三点，实际上是产品思维 + 技术判断 + 风险控制的结合，而不仅仅是会写prompt而已。
未来工程师的竞争力，可能不再是每小时写多少行代码，而是在一个小时内能有效调配多少AI来帮忙，并确保结果不会出错。
认知三：职业发展路径的改变，低阶技能可能被直接跳过
过去学习编程有一条相对固定的路径：从基础语法、数据结构逐步深入到更高层次。
如今，新人可能直接从使用AI编写代码开始。这将带来两个后果：
底层技能的价值重新评估：并不是每个人都需要掌握底层代码，但总需要有一部分人能够理解和修改，这些人将在AI时代成为真正稀缺的“审稿人”。
晋升路径从“写得多”转变为“管理得好”：许多工程师开始自我定位为管理1/5/100个Claude的经理，而不是单纯的高级程序员。
最后，这份调研的结果既在我的预期之内，也超出了我的想象。不过，我还是想给你几点建议：
如果你在做AI开发工具，可以问自己三个问题：
- 你是否能够帮助用户解决那27%原本没人做的任务？
- 你能否将AI融入他们的真实CI/CD、监控和知识库，而不仅仅是个网页？
- 你能否帮助管理者理清“AI为他们完成了哪些事情，并承担了哪些风险”？
对企业来说，现在更重要的问题已经不是要不要上AI，而是：
- 你准备把哪些任务交给AI？
- 谁来监督这些AI？
- 当团队的学习路径、协作关系和职业预期都发生改变时，你是否有新的组织设计和人才策略？
以上，祝你今天愉快。
作者：张艾拉 公众号：Fun AI Everyday
本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可，禁止转载
