本文由个人观点以及AI辅助生成，纯属个人笔记和分享。

同一项技术，今天能做什么，两边看法差不多；差在明天多快、铺开多广、省下多少时间。

2026 年 8 月，Anthropic 研究院拿同一套问题问了两群人：到 2030 年，AI 能抢走你多少工作？

一群是美国成年人，10,980 人，加权到全美人口代表性。另一群是 Anthropic 自己的员工，1,334 人，内部投票。

答案差得离谱。员工平均预期，到 2030 年 AI 能顶掉自己当前工作的 75%；美国工人平均只预期 28%。

但往下看会发现，两边推理「自己被 AI 拿走多少 → 失业率多高」用的是同一套逻辑，梯度几乎重合。差距不在判断力，在每天摸不摸这门技术——大多数 Anthropic 员工已经在跟干完他们大半活的 AI 并肩工作，美国工人里很少有这样的。

这篇文章把这场调查的关键数过一遍。

一 · 这场调查问了谁

先把口径立清楚，不然后面的数没法读。

美国成年人是 Morning Consult 在 8 月 11 日到 23 日跑的，10,980 人，加权到全美成年人口代表性。是在线的自愿样本——上不了网的成年人不在里面，加权校正不了的地方，可能跟全美总体有差。关于未来的问题，一半人问 2027 年，一半人问 2030 年；除另说明外，报告一律用 2030 年那半的回答。

Anthropic 员工是 8 月 9 日到 12 日的内部投票，1,334 人，公司各部门都有，未加权，所有人都问 2030 年。

9 月份 Morning Consult 拿同样的问题又跑了一轮，7,613 人。结果变化不大：中位数回答隐含的 GDP 增长从 5.4% 动到 5.6%，最大的变化是预期 2030 年前出现诺贝尔奖级别发现的成年人比例从 39% 升到 44%。全文按 8 月那轮写。

还有个旁证：Anthropic 官网挂了个在线情景探索器，发布 48 小时内有 23,075 名访客做完测验，来自 140 多个国家。主动找上门来测的人，大概率比普通公众更关心 AI——这个偏差后面第六节要用。

二 · 今天能做什么，两边的排序

问的是八项任务，从写例行电子邮件到做出诺贝尔奖级别的科学发现，AI 什么时候能像熟练专业人士一样干完。

今天能干什么，两组看法几乎一致——连给八项任务排的难度顺序都差不多。分歧全在明天。

到 2030 年，39% 的美国成年人预期 AI 能做出诺贝尔奖级别的发现，员工是 91%。到 2027 年，十分之九的员工预期 AI 能自己设计、开展并发表一项科学研究，公众只有 38%。

还有一个数更扎眼：视任务而定，19% 到 40% 的美国成年人认为 AI 永远完不成某项任务；员工里持这看法的最多 2%。

翻成大白话：美国成年人里差不多每五个就有一个觉得「这个 AI 这辈子学不会」，而离这门技术最近的那群人里，几乎没人这么想。

八项任务之外，还问了活怎么交出去。到 2030 年，在美国成年人预期 AI 能胜任的任务里，他们认为 42% 会实际交给 AI 干，员工预期 65%。五类任务问「谁来完成」：员工里绝大多数预期 AI 要么独立干完、要么由工人检查一遍；十分之四的美国成年人反而预期大部分活还是人亲自干，AI 只搭把手。

不愿交也有原因。九个障碍里最多选三个，「客户更愿意与人打交道」被选得最多，往后是数据隐私和安全顾虑、AI 不够可靠、法律和法规责任。定期用 AI 的那批人把数据隐私和安全排在首位（42%，其余人群 37%）。

三 · 落到自己头上：75% 对 28%

能力是远处的，自己的工作是近处的。

员工在滑块上作答，美国成年人在区间里选、取中点。平均下来：员工预期到 2030 年 AI 能完成自己当前工作的 75%，美国工人 28%。

换个口径看更陡：预期 AI 能完成自己工作 80% 以上的，员工里超过一半，美国工人里只有二十分之一（5%）。

按职业拆，美国工人这边也分：体力贸易、生产和运输的工人预期 25%；计算机、工程和科学职业的工人预期 33%。有意思的是后一组里定期用 AI 的人——只预期 40%，更贴近普通美国工人的平均水平，而不是 Anthropic 员工的 75%。

四 · 省下来的时间：59% 对 26%

问题是想一项当今 AI 很适合的任务，比如总结文档、起草邮件，用 AI 做要花多长时间——包括检查和修改 AI 成果的时间——跟不用 AI 比。

85% 的员工说耗时减半或更少；29% 的在工作中用 AI 的美国成年人说耗时相同或更长，员工里只有 5% 这么说。耗时降到四分之一或更少的：员工 59%，工作中用 AI 的美国成年人 26%，不在工作中用 AI 的美国人 21%。

这里有个经济学上的老区分：一项刚好够替换人、但快不了多少的技术，替掉工作却不大幅提高 GDP；能以极小成本或一小部分时间干完同样活的技术，才能显著提高 GDP。省时间这组数，分的正是这条界。

旁证是 Anthropic 自家的口径：工程师用上 AI 编程工具后一个月内，新增代码行数是原来的三倍；销售代表用上 AI 工具后，跟客户达成了更多交易。这是公司自己发的数，当旁证听。

八项指标，两边各自的答案 美国成年人 Anthropic 员工 0 25 50 75 100 % 诺贝尔级发现 2030 39% 91% 科研全流程 2027 38% 约 90% 八项任务至少七项 2030 41% 96% AI 干可胜任的活 2030 42% 65% 自身工作被完成 2030 平均 28% 75% 自身工作 ≥80% 2030 5% 过半 耗时降到四分之一 适合的任务 26% 59% 「永远做不到」 视任务而定 19–40% ≤2%
图 1. 八项指标，两边各自的答案（%）。前四项问 AI 能干什么，后四项问落到自己头上和干活时间。最后一行是区间：视任务而定，19%–40% 的美国成年人认为 AI 永远完不成某项任务，员工里最多 2%。「AI 干可胜任的活」问的是 2030 年 AI 将完成的工作任务占可胜任任务的比例。

五 · 从自己的活儿推到失业率

告诉受访者当前失业率约 4.2%，让他们预测 2030 年。

预期 AI 完成自己一半以下工作的美国工人，预测失业率 7%–8%；预期被完成得越多，预测越高。预期自身工作 80% 以上被 AI 完成的人，平均预测 12.2%——高于金融危机期间的峰值。在美国工人里，自身工作每多 10 个百分点被 AI 拿走，预测失业率就高 0.4 个百分点。

员工里是同一套梯度，数值跟普通人群高度接近。两组并不持有关于「AI 怎么同时影响自己的工作和整体劳动力市场」的不同理论——他们对 AI 能力的亲身体验不同，预期才不同。

还有一个排除项：对 AI 的普遍乐观解释不了这条梯度。把自身工作暴露度固定住之后，「预期 AI 掌握八项任务的比例」跟失业率预测就不再相关。

预期自身工作被完成得越多，预测失业率越高 0 4 8 12 预测 2030 年失业率 % 0 25 50 75 100 预期 AI 能完成自己工作的比例 % 当前失业率 4.2% 低暴露组 7–8% ≥80% 组平均 12.2% 每多 10 个百分点 → 失业率 +0.4 个百分点
图 2. 预期自身工作被 AI 完成得越多，预测的失业率越高——两群人的梯度重合。12.2% 是高暴露组（预期自身工作 80% 以上被完成）的平均预测，高于金融危机期间的峰值。

六 · 换算成经济增长：5.4% 对 17.1%

调查最后要把回答塞进一个模型，才能换成经济数字。模型看五个维度：AI 能干什么、铺开多快、多少活交出去、省多少时间、被换下来的人转行有多难。除这几个维度取受访者的回答，其他参数一律固定在「显著」情景。

能答全关键问题的受访者：3,259 名美国成年人（只含被问 2030 年的那一半）和 1,093 名员工。

跑出来：美国成年人中位数回答隐含 2030 年 GDP 年增长 5.4%；员工中位数隐含 17.1%——约合每四年半翻一番，原文称这是变革性的、历史上前所未有的变化。美国成年人那边，也超过典型增速的两倍以上。

当作参照，模型自带的三个情景是：温和 2.4%、显著 5.4%、极端 15.4%。公众的中位数恰好落在「显著」上。而开头那个在线测验，23,075 名访客的中位数隐含 12.5%，落在两群之间——更关心 AI 的人，预期也确实往员工那边偏。

每组内部的分布都很宽，两组大幅重叠。中位数之差，不等于每个人之差。

回答换算成 2030 年增长 Modest 2.4% Substantial 5.4% Extreme 15.4% 0 5 10 15 20 GDP 年增长 % 5.4% 美国成年人 中位数 12.5% 在线测验 访客 17.1% Anthropic 员工 中位数
图 3. 同一套模型跑两群人的回答：员工中位数隐含 17.1% 的年增长，约合四年半翻一番；美国成年人中位数 5.4%，恰好等于模型里的 Substantial 参照情景。三条竖线是模型的三个参照情景（2.4%／5.4%／15.4%），访客中位数 12.5% 落在两者之间。

七 · 一边预期扩招，一边把活交出去

同一群员工，还答了两组看着矛盾的问题。

95% 的人预期未来 12 个月 Anthropic 员工人数还在增长，中位数预期增长 66%，27% 的人预期至少翻倍。注意这是内部投票的个人预期，不代表公司计划。

同时，他们预期 AI 在构建前沿模型的工作里占的份额：今天中位数 51%，2027 年底 80%，2030 年底 95%。最接近模型构建工作的研究团队，今天给的均值是 60%，其他所有受访者 53%——团队内部的差异比团队之间还大。

这两组数放一块，说的是同一件事：自动化任务和裁员是两回事，至少在前沿 AI 实验室目前是这样。

还有一个更宽的口径：合并进 Anthropic 代码库的代码，超过 80% 由 Claude 编写——但构建前沿模型还涉及研究方向、实验设计和评估，「AI 干了多少活」比「AI 写了多少代码」要广。

被换下来的人多久找到新活？正常时期的失业者约 3 个月能再就业；问到 2030 年因 AI 自动化要转行的人，员工中位数预期 12 个月，美国成年人落在 7–12 个月区间。

构建前沿模型的工作，AI 干了多少（员工中位数） 0 25 50 75 100 % 51% 今天（2026-08） 80% 2027 年底 95% 2030 年底
图 4. 员工中位数：今天构建一个前沿模型的工作已有 51% 由 AI 完成，预期 2027 年底到 80%、2030 年底到 95%。这是 2026 年 8 月内部投票的个人预期，不是 Anthropic 的测量结果或公司预测。

八 · 差距会变小吗

收口之前，先看一条中间带的数。

工作中定期用 AI 的美国成年人（约占受访者五分之一），预期到 2030 年 AI 能完成八项任务里至少七项的占 56%——高于所有美国成年人的 41% 和从没用过 AI 的人（28%），但仍远低于员工的 96%。自身工作那题也一样：定期用 AI 的人预期 40%，夹在普通工人和员工中间。

原文的读法是：随着 AI 使用扩散，公众预期可能朝员工那边移动。能移动多远，取决于 AI 在别处是不是也像在前沿实验室里一样包掉那么多活。

三条局限得摆在明处：

  • 这是预期，不是测量——答的是「你觉得」，不是「数据显示」；
  • 员工的答案来自内部投票，是个人看法，不是 Anthropic 的立场；
  • 美国成年人是自愿在线样本，上不了网的人不在里面。

而且这只跑了一轮，看不出预期自己怎么移动。Anthropic 自家那些生产率数——代码三倍、更多成交——是公司口径，不是独立测量。

附 · 数据口径与来源

项 口径
调查时点 2026 年 8 月（员工 8 月 9–12 日；美国成年人 8 月 11–23 日）
样本 美国成年人 N=10,980（Morning Consult，加权）；Anthropic 员工 N=1,334（内部投票，未加权）
未来问题时点 一半问 2027 年、一半问 2030 年；全文按 2030 年那半
9 月复测 N=7,613；GDP 中位数 5.4%→5.6%，诺贝尔 39%→44%
模型换算 《Economic Scenarios for Transformative AI》（Anthropic Institute Working Paper No. 2026-02）五维度；其他参数固定「显著」情景
GDP 组内样本 3,259 名成年人＋1,093 名员工答全关键问题

来源：Sacher, S., Cotter, T., Jones, C. I., Korinek, A. & McCrory, P. (2026). The AI Expectations Gap: Public and Frontier Lab Views on AI's Impact on Work. The Anthropic Institute. https://www.anthropic.com/research/ai-expectations-gap