agent 越能干，人的注意力越稀缺

即使只看员工参与的交互会话，算上 agent 派出去分头做事的子 agent，到 8 月，agent 工时也达到人工时的 6 倍；报告图表中，研究部门达到 19 倍。这个数字比较的是累计运行时间，不是说一个 agent 能抵几个员工。

研究把每名员工每周的工时统一按 40 小时计算。agent 工时包括模型生成回答和调用工具的时间，超过 30 分钟的等待不计入。前面说的「3 月首次超过」包含两类 agent；这里的「6 倍」只算交互会话，不包括无人值守运行的那一类。

同一时期，不少岗位的人均产出都增加了。图表把 2025 年 12 月的产出记为 100，工程师人均代码提交次数达到当时的 5.1 倍，报告正文概括为六个月前的 5 倍。数据科学家人均查询次数、法务人均处理合同数都达到 3.1 倍，销售人均成交数达到 1.7 倍，招聘人员人均招聘人数、应付账款人员人均处理发票数都达到 1.4 倍。

但产出上升了多少，不能直接算成 AI 的功劳。公司同期业务也在快速增长，产品模型更强，本身就可能让销售更容易成交。研究团队因此另外做了一组比较：既看同一名员工使用 agent 前后的变化，也与同月尚未使用 agent 的员工对照，尽量排除员工原有差异和公司整体变化的影响。

这组比较包括 192 名开始使用编码 agent 的工程师，以及 74 名研究期间没有使用的工程师。研究以单月首次达到至少 5 次 agent 会话作为开始使用的时间点。随后几个月，使用者新增的代码量明显上升；销售人员使用 agent 后，成交客户数也增加。

作者同时提醒，谁先用工具并不是随机决定的。准备接大项目的员工可能提前用上 agent，销售机会更多的人也可能更愿意把日常操作自动化。全自主 agent 采用者在采用前，产出就已经快速上升。因此，这些比较仍不能把业务增长和工具作用完全分开。

代码写得多，是否也更容易出错？研究比较了同一员工在同一月份、同一代码目录下提交的两类代码：agent 写的和本人直接写的。两者在后来被删除或回滚的比例上没有差别。这里的「回滚」是撤销一次代码改动。这些指标能反映部分问题，但不能代表代码质量的全部，作者也提醒 AI 的错误可能更难发现。

访谈让这种变化更具体。一位客户经理说，Claude 接手了约 20% 的原有工作，包括起草邮件、对接客户管理软件。另一位把省下来的时间用于面对面交流，能多见 30% 的客户。他的习惯是，每当一件事做了第二遍，就想办法让 Claude 接手，不必再亲自做第三遍。

类似变化也发生在其他岗位。一位律师用 Claude 检查风险、分拣法律问题，并初审对外文案。一位招聘人员让 Claude 帮忙寻找候选人、追踪申请、做分析，自己则有更多时间修改过时的面试题、与候选人见面。

新模型还会让员工尝试更难的任务。研究用 Claude 给去掉身份信息的编码会话评分，以旧模型任务中最难的 10% 为门槛。新模型发布后，超过这个门槛的任务占比从 10% 升到 13%，增幅约 30%，并在随后几周保持较高水平；简单任务那一端变化不大。

员工对 AI 的预期也很高。截至 8 月，他们预计到 2030 年，AI 能完成自己 75% 的工作，其他美国人的预期为 28%。另一个关于工作流程是否让人尽可能高效的问卷中，认可比例从 2024 年末的 44% 升到 2025 年 11 月的 58%。2026 年 4 月为 75%，但那次题目删掉了「尽可能」，不能直接与前两次比较。

员工还在不断补充可以反复使用的书面指令，告诉 agent 应该怎样工作。这类指令从 2025 年 7 月的几百条，增至一年后的 8,500 条。一位律师的变化尤其直观：除了逐个审查法律问题，他开始编写能被客户的 agent 找到的法律指导框架。原文称之为「SEO for legal advice」，借用了搜索优化的说法，重点是让法律意见能被 agent 找到。

报告把这些准备、组织和检查工作称为「元工作」。例如，给多个 agent 写任务计划，让一个 agent 检查另一个的结果，或用看板跟踪整套流程。员工平均用于这类工作的交互会话占比，从 2025 年秋的 10% 升到 2026 年春的 22%。这是会话数量的占比，不是工作时间的占比。

为估算这个比例，研究用自动分类程序分析了 2,000 条单行会话摘要。图表中，基础设施部门达到 29%，安全与信任为 27%，开发者工具和产品工程各为 26%，安全研究为 25%，其他技术为 24%，模型研究为 22%，数据科学为 19%，销售为 15%，财务、法务和市场合计为 12%。

管理 agent 并没有让人与人的协调消失。员工说，追查故障时，常会遇到组织协作、系统设计或过去积累的技术问题，仍然需要人一起讨论、作决定。日历数据显示，员工开会时间的中位数比一年前增加 20%。公司扩张、非技术岗位增多解释了其中一部分；即使只看不担任管理职务的技术员工，会议时间也增加了 16%。

写代码、找故障、记进度、起草邮件逐渐交给 AI 后，一位非技术员工形容，原来只占 20% 的战略性工作，如今成了 90%。这是一位受访者对自身变化的描述。销售沟通、面试、跨部门解决复杂问题等工作，仍然要靠人与人交流。

公司用于沟通的 Slack 也反映出这种分工。agent 出现在近一半活跃的公开频道里。报告展示的一个大部门网络，包含 237 名员工、7,922 个 agent 线程与对话。但 agent 主要活跃在专门的人机频道，原有人际交流的结构和密度变化不大。原本由人发起的讨论中，人的回复数量保持不变，旁边又增加了 agent 的回复。它们更像是各自围绕一名员工工作的助手团队。

不过，人在线下谈妥的事，agent 不会自动知道。会议作了决定却没有纪要或事后说明，agent 就缺少更新目标和判断依据所需的信息。旧文档也会误导它：一位员工早已换了职责，但名字还留在几个月前的 Claude 周边礼品文档上，于是 agent 不断来找他要 T 恤和马克杯。

报告因此强调，人的工作和决定需要留下 agent 能读取的记录。没有记录的会议和私信，会让 agent 缺少关键信息。一位研究员说，这种公开工作的方式与多数组织不同，也要求领导把反馈放到公开场合，接受讨论、解释理由。

作者也承认，这些做法并非处处适用。估值快速上涨的公司更容易让持股员工受益；承诺为现有员工安排新岗位，可能增加成本，也可能让公司更谨慎地招聘新人。优先内部调岗的另一面，是促使公司寻找新任务、新产品，而不只是用 AI 替人省钱。

这些措施仍然无法阻止 AI 改变岗位，也没有直接解决初级招聘放缓。保护已经入职的人，帮不到那些一开始就没被雇用的人。报告因此把再培训和收入支持等政府政策，也列为应对工作变化的一部分。