AI Agent 工時是員工 6 倍，初階新聘占比下降：Anthropic 研究揭示工作的轉向

一家最懂如何部署 AI 的公司，正在改變自己的用人方式。Anthropic 於 2026 年 10 月 16 日公開內部勞動研究：到了同年 8 月，互動式 AI Agent 的工作時數已約為員工工作時數的 6 倍；技術部門的初階員工占比下滑，初階技術新聘占比下滑幅度更大。這一連串變化值得注意，但也最容易被誤讀成「AI 已取代 6 倍的人」。研究從未做出這項結論。^{來源 01}

這份資料有特殊價值：它不只問員工「覺得 AI 有沒有幫助」，還使用招聘紀錄、工具使用記錄、產出、行事曆、員工問卷，以及 17 位員工訪談。不過，它研究的是 AI 使用密度極高、又快速成長的一家公司，而不是台灣所有企業的代表性抽樣。應把它視為組織變化的「領先觀測站」，不是勞動市場的預言。^{來源 01}

6：1 究竟量到什麼？先拆開「AI 工時」與「人力需求」

AI Agent 可以並行產出程式碼、搜尋資料、執行工具與反覆測試，因此多個 Agent 的活動時間加總，可能大於人類員工的上班時間。這不代表 AI 產出的所有內容都被採用，更不代表企業可以用一名員工替代六名員工。比較 AI 與人類「運作時數」時，兩者的任務品質、成果粒度、錯誤率及複核成本並不相同。

若公司想在管理報告中引用這個數字，應至少同步顯示四種指標：AI 啟動與運作時數、產出的可驗收件數、人類複核與返工時間、最終交付的業務價值。只有把分母與交付一致化，才能回答 AI 是否真正改善了工作，而不只是增加可生成的文字。^{來源 01}

初階員工從 21% 降到 14%，不代表所有初階工作消失

Anthropic 報告指出，自 2025 年初以來，技術部門中的初階員工占比由約 21% 降到 14%；技術職新聘人員裡，初階人才占比由約 27% 降到 9%。^{來源 01} 這兩個比例分母不同。前者問的是「現有技術團隊怎麼組成」，後者問的是「新招募的人偏向什麼資歷」。若公司整體招聘同步擴張，即使初階比例下降，也不能直接推論初階人員絕對數已減少。

比較值得關注的是工作項目重新分配。當新進工程師原本負責的整理、測試、初步程式實作能交由 Agent 完成，企業可能更重視能界定問題、審查方案與整合跨系統的工作者。但這也帶來另一個悖論：若初階職缺縮減，公司要如何培養下一代有能力審查 AI 的資深人才？企業若只有短期用人成本邏輯，可能犧牲長期的人才梯隊。

AI 提速之後，最稀缺的是人的注意力

報告另一項值得管理者閱讀的發現是：Agent 產出提高後，員工反而面臨持續監督與核對需求。研究估算，某些互動式 Agent session 約 80% 的經過時間處於等待人類輸入的狀態；公司員工的開會時間中位數較一年前增加約 20%，技術個人貢獻者增加約 16%。^{來源 01} 這些變化也可能受到組織擴張及職務結構影響，不能單獨歸因於 AI。

這是企業 AI 導入的下一個成本問題：如果一位主管同時接收十條 Agent 工作流，每條工作流都提出需要判斷的例外，主管的時間可能從「親自做」變成「到處核准」。沒有例外分級、證據摘要與自動驗收，導入大量 Agent 反而可能讓決策品質下降。

企業該改變哪些能力指標？

天地人建議把培訓設計從「會操作某套 AI 工具」轉向 4 個可被工作成果驗收的能力。第一，能把模糊需求拆成有輸入與驗收條件的任務。第二，能辨識高風險資料及動作，知道何時停止自動化。第三，能以來源、測試、例外與版本檢查 Agent 的交付。第四，能把個人學到的方法轉成團隊可重用的工作流程。

這不是要每位行政、行銷或人資人員變成工程師，而是將工作經驗寫成可交付給 AI、又能被人類查核的規格。對組織而言，較有價值的 KPI 是「每週通過驗收的流程成果」、「人工複核時間」與「因 AI 引入的返工或例外」，而非只計算每位員工發出幾次 Prompt。

研究界線：這是領先企業個案，不是全面就業預測

另一篇同日發布的 Anthropic 報告調查不同群體對 2030 年 AI 能力的預期。公司員工平均認為 AI 將能做自己現有工作約 75%，美國受訪勞工為 28%。^{來源 02} 這反映經驗與預期差距，並非證明 2030 年真的會完成多少比例的工作，更不能視為裁員比例。

更可靠的企業決策是做三個月試辦：先選 2 至 3 個明確流程，記錄原始人力時間與錯誤成本；再引入 Agent，核對完整交付與人才培養成本；最後調整招聘、培訓與升遷標準。唯有真正的組織資料，才能把這篇報告從新聞變成決策。

常見問題

Q：AI Agent 工時比人類多 6 倍，就是生產力提升 6 倍嗎？ 不是。兩者時間並非同品質的交付分母，必須另看人工驗收、返工、成果與成本。

Q：企業是否應停止招聘初階人才？ 不應據此決定。研究只描述單一公司結構轉變，人才梯隊、內部培養與產業差異仍要評估。

Q：公司如何檢查 AI 是否造成主管負荷？ 同時追蹤 Agent 的例外數、人工審核時間、待決佇列與交付缺陷，而非只有生成量。

企業行動與延伸

企業若要把 AI 工具使用轉成團隊工作能力，可先從企業培訓聯絡信箱提出工作情境、資料限制與期望的驗收成果，再決定是否需要培訓或流程重設。這裡的建議是編輯分析，不代表 Anthropic 為任何課程背書。

英文原文與來源

^{來源 01} Nathan Wilmers、Regina Catipon、Maxim Massenkoff、Peter McCrory，How employment is changing at Anthropic，Anthropic，2026／10／16。英文研究全文。原文短摘：「Agent hours worked outnumber human hours 6 to 1.」

^{來源 02} Szymon Sacher 等，The AI expectations gap，Anthropic，2026／10／16。英文研究全文。原文短摘：「On average, staff members expect AI to be able to do 75% of their current work by 2030」

^{來源 03} Anthropic，Working at the frontier shapes expectations for the future，2026／10／16。英文雙報告導讀。

編輯方法：原始英文研究、數據與推論分開處理。主張與圖表由 TARAISG 整理，非原文或研究圖版轉貼。本文使用 AI 工具協助製作，未經獨立具名真人或領域專家審閱。

企業培訓聯繫：若要將本文議題轉成企業內訓或導入計畫，請先準備工作情境、資料權限與預期交付成果，再透過 service@tiandiren.tw 或 02-2396-0514 聯繫團隊。亦可先查看企業內訓主題指南。