Anthropic 首席经济学家：未来一年 AI 更可能增强工作，而非大规模取代岗位
据 IT之家 7 月 23 日报道，Anthropic 首席经济学家彼得·麦克罗里（Peter McCrory）近日在 X 平台发文称，从当前观察到的情况看，人工智能尚未造成失业率明显上升，即便是在更容易受到自动化影响的职业中，也没有出现显著变化。他认为，现阶段 AI 更像是在帮助人类提升效率，而不是大规模替代人类岗位。美国企业家马克·库班（Mark Cuban）也参与讨论，强调人类在实时判断、理解后果和“读懂现场”等方面仍具有明显优势。
这一观点对于正在关注 AI 工具落地的企业和从业者具有参考意义。过去一年，生成式 AI 在文本、代码、客服、办公自动化等场景中快速普及，外界对“AI 是否会替代白领工作”的讨论持续升温。但从 Anthropic 经济学负责人的判断来看，短期内更值得关注的并不是简单的岗位消失，而是工作流程如何被 AI 重组。
AI 当前更像“能力放大器”，高技能人群受益更明显
麦克罗里表示，目前 AI 呈现出“偏向高技能人才”和“增强劳动能力”的特征。换句话说，越是具备专业判断、行业经验和任务拆解能力的人，越能把 AI 工具用出价值。AI 可以帮助用户更快生成草稿、整理信息、辅助分析、编写代码或进行方案推演，但它仍需要人类设定目标、判断质量并承担最终责任。
这也解释了为什么许多企业在部署 AI 后，并不一定立刻减少岗位，而是先尝试把 AI 接入既有流程。例如，内容团队可能用模型完成初稿和资料归纳，研发团队用 AI 辅助代码补全与调试，运营团队借助自动化工具处理重复性任务。真正影响效率的关键，往往不是“AI 能不能生成内容”，而是员工能否把 AI 输出转化为可靠成果。
来源显示，麦克罗里还指出，Claude 目前无法胜任的一些任务，通常涉及人与人之间的协调、面对面交流，或与现实物理世界互动。这些场景要求对语境、关系、风险和现场变化作出判断，而不是单纯依赖信息检索或模式生成。
为什么短期内不容易出现大规模替代
从技术产品角度看，大语言模型已经在许多数字任务中表现出较强能力，但“完成任务”和“独立承担岗位”之间仍有距离。岗位通常包含沟通、责任、合规、现场反馈、跨部门协调以及不确定性处理，AI 工具目前很难完整覆盖这些环节。
- 协作仍是核心：许多业务结果依赖人与人之间的沟通、协商和信任，而不仅是信息处理。
- 现实世界交互存在门槛：需要面对面交流、操作设备、处理现场情况的工作，仍高度依赖人类。
- 责任与后果判断不足：AI 可以给出建议，但无法像员工一样理解错误决策可能带来的职业、组织和法律后果。
- 实时信息与现场感有限：模型获取信息存在延迟，对眼前正在发生的变化缺少人类式感知。
麦克罗里也并未否认长期变化。他提醒，随着 AI 模型持续进步，人类专业知识的重要性可能会下降。不过他的判断是，至少在未来一年内，AI 不会对整体失业率造成实质性影响。这一表述较为谨慎，也意味着企业和个人仍有时间调整技能结构。
库班：企业竞争力来自“AI 生产力 + 人类判断”
马克·库班在讨论中提出，人类至少在两个方面仍优于 AI：一是人知道行为后果，知道哪些事情可能导致自己丢掉工作；二是人能够理解眼前正在发生的事情，而 AI 模型获取信息存在延迟。他认为，这些能力对于企业商业决策至关重要，尤其是在判断现场氛围、揣摩他人反应等方面。
在库班看来，企业应该思考如何把 AI 带来的生产力与人类实时判断能力结合起来，从而形成竞争优势。这一观点与当前很多企业的 AI 落地路径相吻合：不是让模型独立替代团队，而是让员工在工具辅助下更快完成分析、沟通和执行。
值得注意的是，库班虽然强调企业必须拥抱 AI，但也曾对科技行业大规模建设 AI 基础设施提出过风险提醒，认为随着能源效率提升，未来可能出现算力过剩。也就是说，AI 的产业价值并不只取决于模型能力，还取决于企业能否找到可持续、可验证的应用场景。
解读：AI 对工作的影响，正在从“替代焦虑”转向“协作能力”
对于中文科技从业者和企业管理者而言，这场讨论的核心启示是：短期内与其担心 AI 直接替代大量岗位，不如关注哪些岗位会因为 AI 使用能力不同而拉开差距。同样的模型工具，在不同水平的人手中，可能产生完全不同的效果。
未来一段时间，AI 更可能改变工作内容和绩效标准。会使用 AI 的员工，可以把更多时间投入到判断、沟通、创新和决策；不会使用 AI 的员工，则可能在重复性任务上逐渐失去效率优势。企业层面也需要建立相应的工具规范、数据安全流程和质量审核机制，避免把 AI 输出直接等同于可靠结论。
总体来看，Anthropic 经济学负责人和库班的观点都指向同一个趋势：AI 的短期价值主要体现在增强人类，而不是替代人类。真正的竞争分水岭，可能不是“是否拥有 AI”，而是企业和个人能否把 AI 融入真实业务，并与人类判断形成稳定协同。