Anthropic 调查：91% 员工认为 AI 2030 年前能做出诺奖级发现

Szymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek、Peter McCrory

主要发现

1. 美国成年人预计 AI 能力在未来几年将快速提升；Anthropic 员工预计进步会更快；39% 的美国成年人和 91% 的员工预计，到 2030 年 AI 将能够做出诺贝尔奖级别的发现。
2. Anthropic 员工预计，在 AI 擅长的任务上，AI 带来的生产率提升会大得多。在工作中使用 AI 的美国成年人中，26% 表示某项任务用 AI 只需四分之一或更少的时间，而 Anthropic 员工中这一比例为 59%。
3. 当涉及自己的工作时，超过一半的 Anthropic 员工预计，到 2030 年 AI 将能完成他们当前至少 80% 的工作，而美国劳动者中这一比例仅为 5%。
4. 在美国劳动者和 Anthropic 员工中，预计 AI 能承担自己更多工作的人，都预期失业率会更高。尽管对 AI 未来能力的看法存在差异，但两组人对于 AI 可能如何改变自己工作与更广泛失业之间关联的感知非常相似。
   

引言

AI 在未来几年将如何重塑经济？AI 能力正在快速提升，而未来 AI 模型或许能够构建自己的后继者（递归自我改进），这可能进一步加快进步的速度。这种情况多快会出现、程度如何，尚不清楚。预测差异很大，争论激烈。

关于 AI 未来对经济影响的分歧，核心来源是什么？这主要是因为对 AI 能力提升速度的看法不同？还是反映了对能力转化为现实世界应用的速度和形式存在分歧？哪些关于 AI 未来路径的观点与快速经济增长相一致？

本报告呈现了关于这些问题的新调查证据。2026 年 8 月，我们调查了两组人群：一个具有全国代表性的美国成年人样本，以及 Anthropic 员工。¹问题涵盖的内容包括 AI 的能力、其使用范围会有多广、能节省多少时间、自主性会有多高，以及失业劳动者转行找工作的难度有多大。²Anthropic 的员工每天都在构建和使用前沿 AI。因此，第二项调查展示了最接近这项技术的人如何预判其未来，既包括能力方面，也包括更广泛的经济影响。

我们报告以下主要发现。第一，两组人对 AI 今天能做什么大体一致，但对未来进展的速度存在分歧。Anthropic 员工预期能力提升更快、AI 被更广泛地使用且人类参与更少，并且在任务上节省的时间要多得多。例如，91% 的员工预期 AI 到 2030 年能够做出诺贝尔级别的发现，而美国成年人中这一比例为 39%。

第二，在人们自己的工作上存在显著差异。平均而言，员工预期到 2030 年 AI 能够完成他们当前工作的 75%，而美国劳动者整体这一比例为 28%。

第三，两组人似乎以相似的方式推理劳动力市场：预期 AI 未来会承担自己更多工作的人，预测的失业率更高。并且，在预期 AI 对自身工作的自动化程度相同时，两组人预测的失业率大致相同。

人们预期 AI 能做什么

能力

我们首先考察对 AI 能力的预期。我们询问 AI 何时能在八项任务上达到熟练专业人士的水平，从撰写日常邮件到做出诺贝尔级别的科学发现。美国成年人和 Anthropic 员工对 AI 今天能做什么大体一致，尤其是在更复杂的任务上。两组人对任务难度的排序几乎相同（图 1，A 面板）。

两组人对未来 AI 进展的路径存在分歧。例如，约四分之一的美国成年人和 Anthropic 员工认为 AI 今天就能设计、开展并发表科学研究。但到明年，十分之九的员工预期 AI 能做到这一点，而普通公众中这一比例仅为 38%。到 2030 年，39% 的美国成年人预期 AI 能够做出诺贝尔级别的发现（C 面板），而员工中这一比例为 91%。或许最显著的差异在于，视任务而定，19% 到 40% 的美国成年人表示 AI 将永远无法完成某项给定任务，而员工中这一比例至多为 2%。

部分上，观点差异反映了 AI 使用频率的差异。在经常在工作中使用 AI 的人中（约占受访者的五分之一），56% 预计到 2030 年 AI 至少能完成八个指定任务中的七个。这远高于所有美国成年人（41%）和从未使用过 AI 工具的人（28%），但仍远低于员工的观点（96%）。

采用及其障碍

AI 对经济的影响并非仅由原始能力决定。人们和企业需要实际使用 AI，这需要时间和试验。在 AI 能够完成的工作任务中，美国成年人预计到 2030 年将有 42% 由 AI 完成。Anthropic 员工预计未来几年扩散速度明显更快，AI 将被用于所有可使用 AI 的任务中的 65%。

为了解可能阻碍工作中 AI 采用的因素，我们让美国成年人从九个选项中最多选择三个他们认为最大的障碍。普通公众预计，人们的偏好和规则，而非技术限制，可能才是阻碍采用的因素（图 2）。“客户更愿意与人打交道”是最常被选择的障碍，其次是“数据隐私和安全担忧”、“AI 不够可靠”以及“法律、法规或责任”。

值得注意的是，在经常于工作中使用 AI 的美国成年人中，数据隐私和安全问题排在首位（42% 认为它是前三大障碍之一，而其余人群为 37%），并且认为客户偏好与真人打交道的重要性略低（37% 对 42%）。

AI 将有多自主

AI 对劳动力市场的影响，部分取决于 AI 是自主完成复杂任务，还是与人类协作完成。前者往往取代人类工作者。反之，当 AI 补充人类能力时，工作者的生产力会提高。为了解 Anthropic 员工和公众对 2030 年自动化与增强的预期，我们询问了到 2030 年 AI 与人类将如何在从起草邮件到法律合同等各种任务上合作。在 Anthropic，绝大多数员工表示，到 2030 年 AI 将要么独自完成任务，要么由一名工作者评估工作（图 3）。相比之下，十分之四的美国成年人反而预计，人类将自己完成大部分工作，或借助一些 AI 帮助。

节省的时间

AI 能提高多少产出，不仅取决于它能完成哪些任务以及使用范围有多广，还取决于它完成任务的速度快多少、质量好多少。一项仅好到足以取代工作者的技术——Acemoglu 和 Restrepo（2019）称之为“还行”的技术——会取代工作，而 GDP 增幅不大。相比之下，一项能以很小一部分成本或一小部分时间完成任务的技术，则能显著提高 GDP。

为了衡量对 AI 带来生产力提升的看法，我们询问了公众和 Anthropic 员工：一项适合 AI 完成的任务，使用 AI 与不使用 AI 相比需要多长时间。用一半时间完成的任务，相当于每小时产出翻倍。³

Anthropic 员工报告的预期节省幅度要大得多，85% 的人表示只需一半或更少的时间。在职场使用 AI 的美国成年人中，典型答案是只需一半时间，29% 的人表示任务耗时不变或更长，而只有 5% 的员工这样表示。在美国成年人中，职场使用 AI 的人里有 26% 表示任务只需四分之一或更少的时间，职场不使用 AI 的人中这一比例为 21%。对于员工而言，这一比例为 59%（图 4）。

员工可能是在描述他们在工作中的实际体验。详见Anthropic 的就业状况如何变化，Anthropic 员工在采用智能体工具后在某些维度上提高了生产力：工程师在采用编码智能体后的一个月内新增代码行数增至三倍，销售代表在采用 AI 智能体后与客户达成了更多交易。法律和招聘等其他业务职能的人均产出也有所上升。

自身工作与岗位

AI 将能完成其自身工作的多少

或许不出所料，我们发现公众与 Anthropic 员工在 AI 对自身工作的影响方面存在巨大认知差距（图 5）。平均而言，Anthropic 员工表示到 2030 年 AI 将能完成其当前工作时间的 75%。美国劳动者（报告自己有工作的受访者）平均给出的比例为 28%，只有 1/20 的人表示到 2030 年 AI 能完成其 80% 或更多的工作时间。

在美国劳动者中，预期因职业而异：体力行业、生产和运输行业的工人预期 AI 能完成其 25% 的工作时长，而计算机、工程和科学类职业的工人则为 33%。对于后一组人群，经常使用 AI 的人仅预期 40%，这一看法更接近美国劳动者的平均水平，而非 Anthropic 员工的平均水平（75%）。

自身岗位暴露度与失业预测

人们预期 AI 能完成自身多少工作，在很大程度上解释了他们对劳动力市场的预期。我们告知受访者当前失业率约为 4.2%，并要求他们预测 2030 年的失业率。图 6 按受访者预期到 2030 年 AI 能完成其自身工作时长的比例对受访者分组，并显示各组的平均失业率预测。

预期 AI 能完成其不到一半工作的美国劳动者，预测失业率为 7% 至 8%。超过一半时，预测值随 AI 可承担工作的比例上升而增加。那些预期 AI 能完成其 80% 或更多工作的人，平均预期 2030 年失业率为 12.2%，高于大金融危机期间的峰值。在美国劳动者中，受影响工作比例每增加 10 个百分点，预测失业率相应高出 0.4 个百分点。对 AI 的总体乐观态度并不能解释这一点。在自身工作暴露度固定的情况下，劳动者预期 AI 能掌握的八项任务所占比例与预测无关。

尽管他们自己报告的暴露程度要高得多，但 Anthropic 员工中也出现了同样的梯度，其预测与普通人群的预测高度一致。因此，这两个群体似乎并不持有不同的理论来解释 AI 将如何同时影响他们自己的工作以及更广泛的劳动力市场。他们对 AI 能力是什么有着不同的体验，进而有着不同的预期。

招聘与再就业

尽管 Anthropic 员工预期 AI 能完成他们的大部分工作，他们也预期 Anthropic 会继续招聘。95% 的 Anthropic 员工预期未来 12 个月员工人数将增长，员工预期中位数为增长 66%，27% 的人预期至少翻倍。这些是员工在一项内部民意调查中的个人预期，不代表 Anthropic 的计划或其对自己员工人数的看法。即便如此，它们表明自动化任务和裁减岗位是不同的预测，至少在一家前沿 AI 实验室是如此。

然而，对于被 AI 取代的劳动者能多快找到新工作，Anthropic 员工比美国成年人略为悲观。我们询问，一个在 2030 年因 AI 自动化而失去工作、且需要转换职业的人，需要多长时间才能找到新工作。⁴Anthropic 员工的预期中位数是，被 AI 取代的劳动者需要 12 个月才能在新职业中找到职位。相比之下，美国成年人的回答中位数在 7-12 个月区间。

对 AI 的预期及其经济影响

将调查回答映射到模型隐含的经济情景

在变革性 AI 的经济情景我们引入了一个结构化框架，用于评估 AI 能力与扩散的不同未来路径可能如何转化为经济结果的差异。该模型使我们能够将每位受访者在五个维度——能力、扩散、自动化、生产率和劳动者转型摩擦——上的回答转化为模型隐含的经济结果。⁵在美国成年人样本和 Anthropic 员工样本中，我们识别出了所有回答了关键模型输入相关全部问题的受访者（3,259 名美国成年人和 1,093 名员工）。随后，我们针对每位受访者评估其回答所隐含的经济情景，下文重点关注对 2030 年 GDP 增长的影响。

根据该模型，美国成年人回答的中位数隐含 2030 年 GDP 增长 5.4%。员工回答的中位数隐含到 2030 年 GDP 增长加速至 17.1%。各组内部存在显著差异，因此分布广泛重叠（图 7）。附录中的图 A1 展示了每种信念对这一差距的贡献程度。

来自在线情景探索器测验的回答

图 7 还展示了网站访客提供的输入所隐含的经济情景，这些访客使用了一个基于该经济模型的交互式情景探索器，该探索器发布于www.anthropic.com/institute/econ-scenarios2026 年 9 月 9 日。

该交互式探索器采用了我们于 2026 年 8 月向美国成年人和 Anthropic 员工提出的问题的简短版本。发布后的前 48 小时内，共有 23,075 名访客完成了调查，他们来自全球 140 多个国家。这些访客主动选择来到 Anthropic 网站上的页面并参加测验，因此他们可能比普通公众更关注 AI。事实上，他们的回答使他们介于美国成年人和 Anthropic 员工之间：访客回答的中位数隐含 12.5% 的增长。

实验室内部

员工对 AI 能力更乐观的一个原因，可能是他们对开发过程有更高的可见度。Anthropic Institute 最近发布了一份关于递归自我改进（RSI）进展的报告，RSI 是指 AI 系统日益提升自身能力的过程（Favaro and Clark, 2026）。

为了解员工自己是否预期这会发生，我们询问了 Anthropic 员工：如今构建一个 2026 年初的前沿模型的工作中，有多大比例由 AI 完成，以及他们预期未来会是多少（图 8）。⁶在受访的 Anthropic 员工中，如今的中位数答案是 51%，到 2027 年底为 80%，到 2030 年底为 95%。

对 AI 在 AI 开发中所完成工作比例的估计，在团队内部的差异远大于团队之间。尽管如此，最接近模型构建工作的研究团队员工，对 AI 如今所占比例的估计略高：平均为 60%，而其他所有受访者为 53%。这与信息发挥了一定作用的说法一致，不过研究人员——由于其工作性质——也可能比其他员工在自己的工作中更多地使用 AI。

与招聘预测一样，这些回答是员工在 2026 年 8 月面向 Anthropic 员工开展的一项内部民意调查中的个人观点。

结论

美国成年人和 Anthropic 员工对 AI 今天能做什么的看法基本一致。然而，他们在 AI 会以多快的速度进步、会被多广泛地使用，以及以节省时间衡量的生产力提升会有多大这些问题上存在分歧。通过变革性 AI 的经济情景这一模型的视角来看，美国成年人答案的中位数意味着一种美国经济以超过其典型增速两倍以上增长的情景。而在处于 AI 开发与使用前沿的 Anthropic 员工中，他们对 AI 进展、采用和知识工作自动化的预期，意味着一种变革性的、历史上前所未有的经济变化：到 2030 年，GDP 规模大约每四年半翻一番。

那些预计未来几年 AI 会承担自己更多工作的人，也预计失业率会更高。这一点在美国公众和 Anthropic 员工中都成立；平均而言，Anthropic 员工预计自己的工作会更快被自动化，进而导致更高的失业率。我们发现，这种预期上的分歧与 Anthropic 员工和公众之间在未来几年自己的工作会有多大比例被自动化这一问题上的看法差异密切相关。

两个群体与 AI 的日常接触程度差异很大。大多数 Anthropic 员工已经在与承担其大部分工作的 AI 协同工作，而这样做的美国劳动者很少。那些已经这样做的人，其预期更接近 Anthropic 员工的预期，这表明随着 AI 使用的普及，公众的预期可能会发生转变。转变幅度有多大，将取决于 AI 在其他地方承担的工作能否像在一家前沿实验室里那样多。

建议引用格式

@techreport{sacher2026expectations,
	author = {Sacher, Szymon and Cotter, Tess and Jones, Charles I. and Korinek, Anton and McCrory, Peter},
	title = {The {AI} Expectations Gap: Public and Frontier Lab Views on {AI}'s Impact on Work},
	institution = {The Anthropic Institute},
	type = {Technical Report},
	year = {2026},
	month = oct,
	url = {https://www.anthropic.com/research/ai-expectations-gap}
}

致谢

Scott Booth、Meredith Callan、Yena Cho、Adam Farina、Ben Fowler、Ryan Heller、Aisling Keenan、Eva Lyubich、Maxim Massenkoff、Matt Mohn（Morning Consult）、Matt Monday（Morning Consult）、Kerry Persen、Sarah Pollack、Santi Ruiz、Monika Tuchowska、Heather Whitney、Nathan Wilmers、Kim Withee、Charles Yang、Jack Clark、Dario Amodei

参考文献

Acemoglu, D. 和 P. Restrepo（2019）。"Automation and New Tasks: How Technology Displaces and Reinstates Labor." Journal of Economic Perspectives 33(2), 3–30。

Favaro, M. 和 J. Clark（2026）。"When AI Builds Itself." The Anthropic Institute。https://www.anthropic.com/institute/recursive-self-improvement。

Korinek, A.、C. I. Jones、S. Sacher、T. Cotter 和 P. McCrory（2026）。"Economic Scenarios for Transformative AI." The Anthropic Institute Working Paper No. 2026-02。

Massenkoff, M.、E. Lyubich、S. Sacher、Z. Hitzig、S. Zhang、R. Heller 和 P. McCrory（2026）。"Anthropic Economic Index report: Cadences." The Anthropic Institute。https://www.anthropic.com/research/economic-index-june-2026-report。

Wilmers, N.、R. Catipon、M. Massenkoff 和 P. McCrory（2026）。"How Employment is Changing at Anthropic." The Anthropic Institute。https://www.anthropic.com/research/employment-at-anthropic。

附录

可在此处此处。