11 分鐘閱讀

你的 AI 同事比你多上六倍班？Anthropic 內部數據揭開的「注意力危機」

以下為虛構對話，人物與情節為創作，科學內容來源標註於文末。

▌靠窗那一排

下午三點，店裡沒幾個人。

陽光從落地窗斜進來，正好切在中間那張長桌上。

Cala 把手機舉得很近。

「……八成時間在等人。」

她唸出聲，又唸了一次。

「在等人耶。一直等，等人回它。」

隔兩個座位，Vay 從筆電後面抬了一下頭，又低回去。

「這不就是已讀不回嗎。」Cala 對著螢幕說，「人家 AI 一直在那邊等，結果人類都不回。」

「妳在看什麼？」

Vay 還是忍不住了。

「沒什麼。公司下週要開會，討論要不要全面導入 agent。」Cala 把手機蓋到胸前，「我才沒有要準備，是主管叫大家隨便看看。」

她的筆電開著，三個分頁全是同一份報告。

「主管還說，導入以後新人可能就不招了。」

Vay 把筆電推開了一點。

▌蹲的位置

「新人不招？那以後誰來接？」

他把咖啡杯轉了半圈。

「我以前也是這樣。剛進公司什麼都不會，就先蹲。改別人的 bug、寫測試、整理文件，蹲個兩三年，該懂的都懂了，再跳。」

「先蹲後跳。」

「對。我帶團隊的時候也這樣排新人，雜事就是教材。」

說得很順。那個年代，這套確實養出了一批人。

Cala 沒接話，她在滑。

「可是那份報告說，AI 做的事是人的六倍。」

「六倍產出？」

「對，六倍——」她停了一下，手指往回捲，「……是六倍工時。」

「工時跟產出差很多。」Vay 說，「我以前最怕看工時表，坐最久的通常不是做最多的。」

「所以 AI 是那種很會加班、但不一定有在做事的同事？」

「也不是這個意思。」

「它八成時間都在等人……好可憐。」

「它不是在等人回訊息，是人類審不完它的東西。」

Cala 看著他。

「你怎麼知道？」

「妳那頁下面寫的。光是讀完它的產出，人就要花掉半個工作週。」

Cala 低頭，往下拉。真的寫了。

▌沒有地方蹲

「那剛好啊。」Cala 把螢幕轉過去給他看，「人類讀不完，所以需要更多人。」

「理論上。」

「可是它說，技術部門的新進人員裡，初階的比例從二十七降到九。」

Vay 沒說話。

「二十七，到九。」Cala 又唸了一次，好像數字唸兩次就會變，「那你說的蹲，要蹲在哪？」

「那是 AI 公司吧。」

「它自己也這樣寫。說是極端案例，不能直接套到別的地方。」

「那就對了。」

「但面試現在比較看判斷力，不看你會不會做。」Cala 把手機收回來，「還不會做的人，要去哪裡練判斷力？」

「我才不是為了開會特地查的。」她補了一句，雖然沒人問。

筆電上第四個分頁剛載入完，是另一篇論文。

Vay 看了窗外一眼。

光已經從長桌移到地板上了。

他拿起手機，拇指往下滑了很久。最後，螢幕朝下，扣在桌上。

當 AI agent 的工作時數衝到人類的 6 倍，真正卡住整間公司的不是機器，而是人類有限的注意力。Anthropic 用自家內部資料攤開一張成績單：產出變多、會議變多、初階工程師的位子卻悄悄變少了。

關鍵亮點（Key Highlights）

  • Agent 工時是人類的 6 倍：2026 年 8 月，員工指揮的互動式 agent 工作時數達到人類的 6 倍，但這是「時間比」，不是「產出比」。
  • AI 有八成時間在等人：互動式 session 中，agent 大約 80% 的時間處於閒置狀態，等著人類下一步指示。
  • 初階技術職明顯縮減：技術部門的初階員工占比從 21% 降到 14%，新進人員中初階者的比例更從 27% 掉到 9%。
  • 招募標準轉向：面試官越來越看重自主性與判斷力，領域技能與執行實作的權重下降。

1. 6 倍工時：先搞懂這個數字在算什麼

AI agent 與人類工時對比示意圖 Agent 的「工作時數」暴增，但這個數字背後有不少定義上的細節。

一個很吸睛、也很容易被誤讀的數字

2026 年 10 月，Anthropic 旗下研究單位發表了一份報告，用自家公司的內部資料，檢視 AI agent 如何改變雇用與工作型態。最搶眼的一個數字是：到 2026 年 8 月，員工指揮的互動式 agent 工時，已經是人類工時的 6 倍。

聽起來像是「一個人配六個 AI 同事」？先別急著腦補。

分子、分母、排除條件

要讀懂任何統計數字，第一件事是問：分子是什麼？分母是什麼？哪些東西被排除了？

這個 6 倍有幾個重要的計算前提：

  • 只算互動式 session：也就是員工直接下指令、一來一往的那種工作階段，不含完全自主運作的 agent。
  • 子 agent 合併計算：一個 agent 底下再派出的小 agent，工時會合在一起算。
  • 排除超過 30 分鐘的等待：agent 掛著不動太久的時間不算進去。
  • 人類工時用每週 40 小時估算：這是假設值，不是實際打卡紀錄。

最關鍵的是：6 倍是「時間」的倍數，不是「產出」或「品質」的倍數。Agent 跑得久，不代表做得多；做得多，也不代表做得好。

另外報告也提到，早在 2026 年 3 月，自主加上互動式 agent 的總工時，就已經首度超過人類。

2. 瓶頸大搬家：從「做事」變成「看事」

人類注意力成為瓶頸的示意圖 AI 產出速度越快，人類讀不完、審不完的問題就越明顯。

AI 有八成時間在發呆

產出確實變多了：每位工程師提交的程式碼（commits）是六個月前的 5 倍，業務、法務、財務部門處理的案件量也都上升。

但報告裡有個很有意思的發現：在互動式 session 中，agent 大約有 80% 的時間是閒置的，在等人類輸入。

換句話說，AI 不是做不快，是人類跟不上。

讀完 AI 的產出要花多久？

研究者做了一個估算：以每個 token 約 0.75 個英文字、每分鐘閱讀 250 字來計算，就算是非技術職的員工，光是讀完 agent 產出的內容，也要超過半個工作週。

這就是所謂的人類注意力瓶頸：過去公司裡稀缺的是「把事情做出來的人力」，現在稀缺的變成「有空看、有能力判斷的人類注意力」。

外部研究也看到類似現象

這不是 Anthropic 一家的特殊狀況。經濟學者 Demirer、Musolff 與 Yang 分析超過 50 萬名 GitHub 開發者的資料，發現 AI 編碼工具讓 commits 增加了 240%，但真正發布出去的版本（releases）只增加 30%。程式寫得多，不等於東西上線得多——中間卡著的，正是需要人類審查與決策的環節。

（值得一提：這份研究的兩位作者曾在 Microsoft 擔任博士後，目前是該公司的付費研究顧問，研究也用到 Microsoft 內部的 Copilot 資料。）

3. 元工作崛起：管理 AI 也是一份工作

什麼是「元工作」？

元工作（meta-work）指的是「不是做事本身，而是讓 AI 能把事做好的工作」，例如：

  • 替 agent 寫計畫、審查它的產出
  • 建立可重複使用的技能與流程
  • 做監控儀表板
  • 把工作流程記錄下來

報告發現，元工作在互動式 session 中的占比，從 2025 年秋天的 10%，升到 2026 年春天的 22%。

常設指令暴增、會議也變多

另一個指標是常設指令（長期給 agent 的固定規則）：從 2025 年 7 月的數百條，一年後暴增到 8,500 條。

人類之間的協調也沒有變少。行事曆資料顯示，開會時間的中位數增加了 20%。在職滿一年的員工，每月跨部門調動的機率也比 2025 年高出 50%。

管理 AI 的工作，也在被 AI 化

更有趣的是，連「管理 agent」這件事本身也開始被工具化。報告提到一種叫 agent chief of staff 的做法：讓一個監督型 agent 先篩選任務，再把需要判斷的部分交給人類。

新創造出來的工作，很快也成為自動化的對象。

非技術員工也開始寫程式

另一個變化：非技術部門員工的「寫程式型 session」，從 2025 年 8 月的每月 2 次，暴增到 2026 年 5 月的每月 90 次。AI 讓「會不會寫程式」的界線變得模糊。

4. 初階職缺縮水：沒被雇用的人去哪了

初階職位占比變化示意圖 初階工作往往最先被自動化，但它們也是培養資深人才的起點。

數字會說話

指標 過去 現在 變化
技術部門初階員工占比 21% 14% 減少 7 個百分點
技術部門新進人員中初階占比 27% 9% 只剩約三分之一
元工作占互動式 session 比例 10% 22% 翻倍以上
常設指令條數 數百條 8,500 條 大幅暴增
開會時間（中位數） 基準 +20% 協調成本上升
面試重視的能力 領域技能、執行實作 自主性、判斷力 標準轉移

招募標準正在改變

面試官現在更重視自主性與判斷力，領域技能與執行實作的權重則下降。這很合理：當 AI 能處理大量執行工作，人類的價值就落在「判斷 AI 做得對不對」和「決定接下來要做什麼」。

報告自己承認的缺口

這份報告難得坦白：公司現有的措施，沒有直接處理初階職缺縮減的問題。保障在職員工的做法，幫不到那些「根本沒被雇用的人」。

這帶出一個長遠的問題：如果初階工作先被自動化，未來的資深人才要從哪裡來？很多判斷力，本來就是在初階工作中磨出來的。

外部研究的對照

史丹佛數位經濟實驗室的 Brynjolfsson 等人分析薪資系統資料，發現 22 到 25 歲、在高 AI 暴露職業工作的年輕人，就業表現相對低暴露同儕落後 19%（2026 年 8 月修訂版數字；初版為 13%）。不過作者強調這是描述性證據，不是因果估計，修訂版也寫明目前沒有證據顯示整體經濟出現大規模職位被取代。

有意思的是，另一份 Brynjolfsson 等人研究 5,179 位客服人員的論文發現，AI 讓新手進步最多，對資深者幾乎沒幫助。AI 能幫新手追上來，但雇主卻開始少雇新手——這兩件事放在一起看，張力很明顯。

5. 這些數字能信多少：選擇偏誤的陷阱

192 vs. 74 的比較

為了檢驗 AI 工具到底有沒有提升生產力，研究者比較了 192 位採用者與 74 位未採用者，並使用雙向固定效果模型——簡單說，就是在比較時控制「每個人本來就不一樣」和「每個月的整體狀況不一樣」這兩種差異。

問題在於：是誰選擇用 AI？

這裡有個關鍵限制：員工是自己決定何時採用 AI 工具的。

想像一下：會主動嘗鮮新工具的人，很可能本來就比較積極、產出本來就在上升。這時候把他們的進步全部算在 AI 頭上，就會高估工具的效果。這就是選擇偏誤。

報告也承認，完全自主 agent 的採用者，在採用之前就已經呈現陡峭上升的產出軌跡。

隨機對照實驗也有自己的難題

那做隨機對照實驗不就好了？研究機構 METR 在 2025 年做過一次：16 位資深開發者隨機分組，結果用了早期 AI 工具的人反而多花 19% 時間，但參與者自己覺得快了 20%。

不過 METR 已在網站上標註這份研究不再反映當前 AI 工具的影響。更關鍵的是，他們在 2026 年 2 月公開說明後續實驗遇到嚴重的選擇偏誤：開發者不願意在「禁用 AI」的條件下工作。連設計好的實驗，都會被「人想用 AI」這件事干擾。

程式碼品質呢？

報告比較同一人、同一月、同一目錄下的程式碼，發現人寫的和 agent 寫的，被刪除或回復（revert）的比率沒有差異。但報告也承認，品質有很多面向，這只是其中一種量法。

Anthropic 是極端案例

最後要記得：Anthropic 本身就是 AI 公司，使用 AI 的程度極深。報告作者自己也說，許多做法無法直接套用到整個經濟體。它比較像一個「未來可能長什麼樣子」的預覽，而不是普遍現況。

常見問題（FAQ）

Q1：「agent 工時是人類 6 倍」是不是代表一個人可以抵六個人用？ 不是。這是工作時間的比例，不是產出或品質的比例。而且計算方式包含子 agent 合併、排除長時間等待、用每週 40 小時估算人類工時等前提，不能直接換算成生產力。

Q2：既然 AI 有 80% 時間在等人，為什麼不讓它自己做完？ 因為很多決策需要人類判斷，AI 的產出也需要有人審查。這正是報告所說的瓶頸轉移：限制產能的不再是執行速度，而是人類能投入的注意力。

Q3：初階工程師的工作真的會消失嗎？ 在 Anthropic 內部，初階技術職的占比確實下降，招募也更重視判斷力。但這是單一 AI 公司的資料，史丹佛的研究也強調目前只是描述性證據。報告本身並沒有提出解方，只描述了現象。

Q4：什麼是 so-so automation？ 這是經濟學者 Acemoglu 與 Restrepo 提出的概念，指那種只比人力好一點點、卻沒有創造太多新價值的自動化。這種自動化會取代工作，但不會帶來足夠的新任務來吸收被取代的人力。Anthropic 報告在討論組織建議時也引用了這個框架。

Q5：Anthropic 員工對 AI 的預期跟一般人一樣嗎？ 差很多。同日發布的問卷研究顯示，Anthropic 員工預期到 2030 年 AI 能做 75% 的工作，一般美國人的預期只有 28%。

結論

這份報告最值得注意的，不是 AI 有多厲害，而是它揭露了生產力提升之後，稀缺資源會換人當。

過去公司缺的是能把事情做完的人手；現在 AI 補上了執行力，缺口就轉移到人類的注意力、判斷力，以及讓 AI 正確運作的元工作。會議變多、常設指令暴增、管理 AI 的工作本身也開始被 AI 化，都是這個轉移的痕跡。

真正懸而未決的，是初階職位的問題。當入門工作先被自動化，培養下一代資深人才的路徑就變窄了。Anthropic 的報告誠實承認自己沒有答案，而這可能是接下來幾年，所有大量導入 AI 的組織都要面對的課題。

另外也別忘了：這是一家 AI 公司的內部資料，帶有選擇偏誤，也不能直接代表整個經濟體。它是一扇窗，不是一面鏡子。

延伸搜尋

參考資料來源

您可能也會有興趣