For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ru/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
16 октября Anthropic опубликовала два отчёта, сопоставляющих использование ИИ внутри компании с общественными ожиданиями относительно этой т...
16 октября Anthropic опубликовала два отчёта, сопоставляющих использование ИИ внутри компании с общественными ожиданиями относительно этой технологии. В одном рассматриваются занятость и работа внутри компании. В другом сравниваются результаты опроса 1 334 сотрудников Anthropic и ответы жителей США.
Разница значительна. Сотрудники ожидают, что к 2030 году ИИ сможет выполнять в среднем 75% их текущих рабочих часов; работающие респонденты из США назвали показатель 28%. Ожидания относительно открытия нобелевского уровня к 2030 году также различаются: 91% среди сотрудников и 39% среди жителей США.
Это разные условия и прогнозы, а не два измерения будущего, которое уже определено. Чтобы понять отчёты, нужно отделять то, что Anthropic наблюдала внутри одной компании, от того, что респонденты считают вероятным в будущем.
В исследовании занятости Anthropic объединены внутренние данные о занятости и результатах работы, телеметрия агентов, сведения о коммуникациях и календарях, оценки при найме, опросы и 17 интервью с сотрудниками. В отчёте описана организация, где использование агентов стало обычной практикой как в технических, так и в нетехнических подразделениях.
В марте 2026 года суммарное время работы автономных и интерактивных агентов впервые превысило оценочное количество рабочих часов сотрудников. К августу только интерактивные агенты, которыми управляли сотрудники, накопили примерно в шесть раз больше часов, чем люди; для исследовательской организации на графике источника показатель составлял около 19 раз.
Для корректной интерпретации этих сравнений важно учитывать определения. Время работы агентов включает инференс и активное использование инструментов, но не учитывает ожидание длительностью более 30 минут; часы сотрудников рассчитаны исходя из численности персонала и 40-часовой рабочей недели. Параллельно работающие программы могут быстро накапливать время. Шестикратное превышение по времени работы не доказывает, что выполнено в шесть раз больше полезной работы или что заменены шесть сотрудников.
Пример сети коммуникаций в Slack одного из подразделений показывает, как изменился обмен сообщениями. Согласно источнику, число сотрудников выросло с 155 до 237, а число диалогов с агентами — со 150 до 7 922. Узлы агентов здесь обозначают ветки обсуждений или сеансы, а не тысячи независимых коллег, эквивалентных людям.
В отчёте показано, что число инженерных коммитов выросло примерно до пятикратного уровня относительно базового показателя за декабрь 2025 года. Также увеличились объёмы запросов специалистов по данным, обработанных контрактов, счетов и результатов отдела продаж. На графике источника число коммитов на одного инженера составляет 5,1 от базового уровня.
Anthropic сравнивает сотрудников, применяющих агентные инструменты, с теми, кто ещё не начал их использовать, отслеживая динамику с течением времени. Такой подход информативнее простого сравнения общих показателей компании до и после внедрения, однако внедрение не было случайным. На результаты сравнения могут влиять рост бизнеса, смена проектов и особенности сотрудников, которые начали использовать инструменты раньше других.
Количество кода также не является точным показателем его качества или бизнес-ценности. Anthropic сообщает, что в проведённых внутри компании сравнениях кода одного и того же сотрудника не было различий по нескольким последующим косвенным показателям удалений и откатов; эти показатели не отражают все возможные дефекты.
Примеры помогают конкретнее представить организационные изменения:
Это конкретные внутренние результаты с определёнными границами применимости и отдельные свидетельства сотрудников. Утверждение, что ожидания по объёму работы за одну неделю соответствуют трём месяцам где-то ещё, — это сравнение, приведённое участником интервью, а не измеренный коэффициент производительности для всей экономики.
Более быстрая генерация создаёт ещё одну проблему: люди не могут проверять неограниченный объём результатов. Согласно оценкам на графике источника, чтение всего еженедельного объёма вывода Claude в инженерном и исследовательском подразделениях заняло бы примерно 424 часа на человека.
Это эквивалентное время чтения, рассчитанное на основе объёма сгенерированных токенов с использованием предположений о 0,75 слова на токен и скорости чтения 250 слов в минуту. Это не означает, что сотрудники действительно работали 424 часа или должны были прочитать каждую сгенерированную строку.
При этом интерактивные сеансы примерно 80% календарного времени ожидали ввода от человека. Это показатель простоя, а не уровень неудач в выполнении задач, равный 80%. Эти два наблюдения описывают узкое место, связанное с вниманием: агенты могут создавать больше результатов, но людям по-прежнему нужно решать, что поручать, что проверять и на что реагировать.
Сотрудники отвечали на этот вызов, создавая агентов для сортировки результатов других агентов, панели мониторинга и повторно используемые инструкции. Число зафиксированных постоянных инструкций за год выросло с нескольких сотен до 8 500. По оценке отчёта, доля сеансов, посвящённых подобным инструментам и координации, увеличилась с 10% до 22%.
Важно также поддерживать актуальность организационного контекста. Сотрудник, чьё имя осталось в старом документе о сувенирной продукции, продолжал получать запросы от агентов на футболки и кружки уже после изменения его обязанностей. Рост активности программного обеспечения сам по себе не обеспечивает точную институциональную память.
Число ежедневных объединённых изменений кода в монорепозитории Anthropic выросло примерно с 2 500 в мае до более чем 30 000 в сентябре. В инженерном описании говорится о переходе монорепозитория на новую систему контроля версий Scion, а также о разработке инструментов для проверки кода и других связанных задач.
Команда из семи человек разработала системы и завершила переход за пять месяцев. В одном конкретном примере ранняя версия переписывания конвейера передачи данных из Git в Scion с использованием Mythos Preview потребляла в 20 раз меньше памяти и работала в четыре раза быстрее предыдущего прототипа команды. Эти коэффициенты относятся к сравнению данного конвейера, а не ко всей инженерной работе.
В августе Anthropic провела опрос сотрудников, параллельно с которым Morning Consult опросила 10 980 жителей США. Выборка по США была взвешена для представления взрослого населения страны; опрос сотрудников не взвешивался. Вопросы о будущем для респондентов из США были разделены на горизонты 2027 и 2030 годов.
В оценках нынешних возможностей ИИ группы были ближе друг к другу, чем в ожиданиях будущих возможностей. Примерно четверть респондентов в каждой группе считала, что ИИ уже способен разработать, провести и опубликовать научное исследование. В прогнозах этой возможности к 2027 году разрыв увеличивался: около 90% среди сотрудников и 38% среди жителей США.
Сотрудники за пределами Anthropic, занятые в сфере вычислительной техники, инженерии и научных исследованиях, ожидали, что к 2030 году ИИ сможет выполнять 33% их работы. Среди регулярно использующих ИИ работников этих специальностей оценка достигла 40%, что всё ещё ниже 75%, названных сотрудниками Anthropic.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Различались и оценки экономии времени. Отвечая на вопрос о задаче, хорошо подходящей для ИИ, с учётом проверки и исправлений, 59% сотрудников заявили, что она занимает четверть исходного времени или меньше. Среди жителей США, использующих ИИ на работе, такой ответ дали 26%; ещё 29% сообщили, что с ИИ задача занимает столько же времени или дольше.
Эти ответы относятся к подходящим для ИИ задачам, а не ко всей работе. На них могут влиять различия в инструментах, рабочих процессах, выборе задач, доступе к моделям, организационной поддержке и ожиданиях респондентов.
Сотрудников также спросили о более широкой работе по созданию передовой модели следующего поколения начала 2026 года, включая выбор исследовательского направления, эксперименты и оценку. Медианная оценка доли работы, которую на тот момент мог выполнять ИИ, составляла 51%; к концу 2027 года она возрастала до 80%, а к концу 2030 года — до 95%.
Показатель 95% — это личный прогноз, полученный в ходе внутреннего опроса. Это не результат аудированной оценки и не официальное обязательство Anthropic оставить людям ровно 5% работы по разработке. Фиксированная отправная точка в начале 2026 года также отличается от вопроса о том, какая доля работы потребуется для создания того, что в 2030 году будет считаться передовой моделью.
В отдельном исследовательском обзоре Anthropic приводит более узкие примеры прогресса:
| Эксперимент или пример | Заявленный результат | Границы сравнения |
|---|---|---|
| Оптимизация кода для обучения небольшой модели | Mythos Preview увеличила исходную скорость примерно в 52 раза; квалифицированный специалист добился примерно четырёхкратного ускорения за четыре-восемь часов | Это фиксированная задача по оптимизации кода, а не 52-кратное ускорение обучения реальной передовой модели. |
| Исследование слабого надзора за сильной моделью | Агенты закрыли 97% определённого разрыва в результатах, затратив в совокупности 800 часов и около 18 000 долларов на вычислительные ресурсы; два человека за неделю закрыли около 23% разрыва | Люди выбрали задачу и критерии оценки, а результат не удалось напрямую перенести на модели производственного масштаба. |
| Выбор следующего шага в исследовании | Предложение Mythos Preview было признано более удачным в 64% из 129 отобранных случаев | Случаи специально отбирались так, чтобы исходное решение человека можно было улучшить. |
Последнее условие отбора особенно важно. В отдельной выборке из 127 случаев, где выбор человека уже был сильным, предложения модели признавались более удачными только примерно в 20% случаев. Результаты подтверждают улучшение отдельных компонентов исследовательской работы, но не дают основания утверждать, что ИИ в целом превзошёл человеческие исследовательские суждения.
В целом Anthropic значительно выросла, но структура технического найма изменилась. Согласно отчёту о занятости, доля сотрудников начального уровня в технических подразделениях сократилась с 21% до 14%, а доля нанятых специалистов начального уровня — с 27% до 9%.
Сокращение доли само по себе не означает уменьшения абсолютного числа сотрудников. Однако оно поднимает отдельный вопрос: как люди будут получать опыт, если меньше задач по реализации на начальном уровне превращаются в рабочие места? В отчёте компании обсуждаются внутреннее перераспределение сотрудников и контроль за задачами, подверженными риску автоматизации. При этом признаётся, что сохранение рабочих мест нынешних сотрудников не помогает людям, которых никогда не наняли.
Сотрудники в целом не ожидали, что общий найм в компании прекратится: 95% предполагали, что в течение следующего года численность персонала вырастет. Это ожидания сотрудников, а не план найма.
В отчёте об ожиданиях ответы опроса также используются в экономической модели. Входные данные медианного жителя США подразумевают рост ВВП США на 5,4% в 2030 году; данные медианного сотрудника Anthropic — на 17,1%. Эти цифры представляют собой условные сценарии модели, а не измеренный темп роста или безусловный прогноз.
В заключении источника высказывается предположение, что Anthropic опережает более широкое внедрение примерно на 18 месяцев. Это можно рассматривать как экономическую интерпретацию, однако отчёты не устанавливают универсальный график внедрения на 18 месяцев для других компаний. Распространение технологий будет зависеть от надёжности, безопасности, затрат, регулирования, предпочтений клиентов и организации труда.
Нет. 95% — это медианное ожидание сотрудников относительно конца 2030 года в ответ на вопрос о создании передовой модели следующего поколения начала 2026 года. В отчёте прямо говорится, что это личные оценки, а не измерение или прогноз компании.
Нет. При сравнении времени работы учитывается выполнение программ, а часы сотрудников оцениваются по численности персонала. Чтобы установить экономию труда, нужно оценить результаты задач, качество, затраты времени на проверку и сопоставить их с корректной моделью выполнения задачи человеком.
Показатель примерно в пять раз относится к количеству коммитов на одного инженера относительно определённого базового уровня. Он не доказывает такого же прироста для каждой должности, а больший объём кода — неполный показатель полезного результата.
Объём вывода пересчитан во время, необходимое для чтения с учётной скоростью. Этот пример показывает масштаб сгенерированного текста, а не фактические рабочие часы сотрудников и не обязанность прочитать всё.
Оно свидетельствует об изменении структуры найма в одной быстрорастущей компании, занимающейся ИИ. Результаты в более широком масштабе зависят от внедрения технологий, спроса, создания новых задач и того, как работодатели выстраивают обучение и карьерные траектории.
Это сценарий, полученный на основе ответов медианного сотрудника в модели. Он зависит от предположений о возможностях ИИ, темпах внедрения, экономии времени, автономности и переходе работников на другие задачи.
Внутренние данные Anthropic показывают, что агенты применяются всё шире, результаты по нескольким показателям растут, всё больше работы уходит на контроль агентов, а доля начинающих специалистов среди технических сотрудников сокращается. Опрос сотрудников также показывает, что они ожидают значительно более быстрого развития ИИ, чем респонденты из общественного опроса.
Отчёты наиболее полезны, если отдельно рассматривать наблюдаемые изменения на рабочем месте, эксперименты для конкретных задач и личные прогнозы.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
