这两天，AI行业接连冒出两份数据。单看，各自是一条新闻；放在一起看，正好回答了一个你心里可能嘀咕了很久的问题——为什么用了AI，反而没觉得轻松？
9月16日，OpenAI经济研究团队发布了一份叫《工作前沿》（The Work Frontier）的报告，分析了今年4月到7月美国用户发出的超过150万条与工作相关的ChatGPT消息。国内媒体转载时，标题几乎都抓住了同一句话：打工人用上AI，工作"不知不觉"变多了。36氪
第二天，9月17日，Anthropic公布了一组内部研发测量指标：截至今年8月，Claude已经主导了这家公司26%的AI研发工作，超过九成的任务自动化程度达到"AI协作"级别以上。再配上它前一天披露的工程细节——Anthropic内部80%的代码由Claude写下，工程师每季度交付的代码量是2021-2025年平均水平的8倍。知乎
一边是"人用AI，活变多了"，一边是"AI替人，活接走了"。看似矛盾，其实是同一件事的一体两面。这篇文章把两份数据拆开讲清楚，顺便说说：对每天带着AI上班的人，它们到底意味着什么。
OpenAI查了150万条工作消息，发现活是这么变多的
先说清楚OpenAI这份报告到底测了什么。研究团队从ChatGPT Business注册用户里识别出职业信息，追踪了大约6200名员工，把工作相关的AI使用分成两类：一类是本职工作，程序员写代码、营销写文案；另一类是跨岗位工作——传统上根本不属于你这个岗位的活。
然后他们发现了一个很扎心的趋势：跨岗位任务占所有AI工作活动的比例，4月是13.1%，5月20.5%，6月24.0%，7月25.9%。四个月，接近翻倍。36氪
报告里专门造了个词，叫"borrow expertise"——向AI借专业能力。研究人员注意到，打工人让AI干"别人专业的活"时，提问方式都不一样：跨岗位提示词平均比本职工作短20个字符，更频繁地甩案例和背景信息。翻译一下就是，用户不是在说"教我怎么做"，而是在说"情况大概就是这样，你帮我搞定"。
更关键的是粘性和扩散机制。如果某个员工这个月用AI干过一项跨岗位任务，下个月再用它的概率是23.6%；没干过的相似员工，下个月碰同一任务的概率只有8.4%——将近3倍差距。办公室还会传染：一个工作场所里只要有人用AI做某项跨岗位工作，其他同事下个月跟进的比例是3.1%，没有这种同事的场所只有2.5%。
哪些活最容易被"顺手接走"？报告统计了首次使用某类跨岗位任务后、下个月继续用的概率，排前面的依次是：客户沟通（54.1%）、广告推广文案（44.2%）、制作营销材料（37.3%）。排后面的也很说明问题：向客户解释金融信息（15.0%）、展示商业信息（14.9%）、法律研究（9.9%）。36氪
规律很清楚：试错成本低的活，AI说接就接；出了事要担责的活，大家还是攥在自己手里。这恰恰暴露了AI时代职场的一条隐藏分界线——不是"难和易"，而是"谁来负责"。
这个研究一出来，其实是在给民间吐槽"盖章"。微博上#AI来了为什么你更累了#、#会用AI为何反而让工作变多了#这些话题，从6月一直吵到现在，高赞评论的口径高度一致：“干活越快，活就越多”“以前可做可不做的事，现在能做了，于是都得做”“AI不是减负，是扩岗”。#AI裁员死循环#那条1800多赞的微博说得更直白：人变少，活变多，标准变得更苛刻。36氪那篇转载的评论区里，有位用户的留言特别有代表性："自从有了AI，我明显感觉自己的点子变多了，原先不敢做、需要大量学习才能完成的事情，现在变得容易了——难的是把AI接入自己的模式，每次使用都像在踩雷。"民间体感、平台数据、官方研究，这回对上了。微博36氪
Anthropic的另一面：AI接走的活越多，"验收"越成了瓶颈
再看Anthropic这边。9月17日公布的这组指标，方法本身就值得说一句：他们抽了模型研发部门两成员工，让一个Claude研究智能体去翻这些人的Slack记录和内部文档，捞出一万五千项研发任务，压缩成542个节点，再对着Epoch AI那套从AL0（全人工）到AL5（完全自主）的六级自动化标尺逐档评估。结果：26%的研发工作由Claude"主导"——人给一句宏观要求，剩下的端到端它自己走完；九成以上任务达到人机深度协同级别；但AL5那档完全脱离人的自主闭环，还没摸到。这个平台上，日常并发跑着大约3万个研发智能体。知乎
而真正有信息量的，是前一天工程博客里的那组数字：Claude写下了Anthropic内部80%的代码，工程师季度代码交付量是五年前的8倍——但代价是，测试量增长了10倍，CI（持续集成）任务量在六个月内涨了25倍。写代码不再是瓶颈之后，压力整体转移到了"验证代码对不对"这一环。他们内部有个决定每次变更跑哪些测试的服务，去年10月开始被压垮，团队连续两晚被叫醒，换大机器撑了70天、做分片撑了29天、每日重启撑不到一天，三轮补丁全败——最后反而是Claude建议的内存数据存储架构解决了问题，一位工程师三周搞定，放在一年前这接近一个季度的工作量。知乎
他们的工程团队由此留下一条建议，值得所有用AI干活的团队抄走：永远按指数规划，假设两个季度内负载涨25倍。
把Anthropic的故事再压一层，你会发现一个反直觉的结论：AI把"执行"打到八倍速之后，公司里最缺的不是产出，而是判断产出对不对的人。瓶颈从"写"迁移到了"验"。
两份数据说的其实是同一件事：任务边界在膨胀
现在把两边拼起来。
OpenAI的数据说明：对个人，AI把"你不会的活"变成了"你顺手能接的活"，于是每个人的任务集合在膨胀——四个月里跨岗位任务占比从13.1%涨到25.9%，就是这个膨胀的直接读数。Anthropic的数据说明：对组织，AI把"执行"的成本打下来之后，组织的产出暴涨8倍，但验收、测试、担责这些环节的负载跟着涨了10倍、25倍。
两边指向同一个机制：AI降低的是执行成本，但执行成本降低不会让任务总量减少，只会让"可做可不做"的事变成"都做了"，让"一个人干不了"的事变成"一个人顺手干了"。经济学里这叫杰文斯悖论——蒸汽机让煤的使用效率提高，结果煤的总消耗量反而暴涨。周鸿祎6月那条视频说的也是这个意思：AI提高了效率，但如果工作方式没变，效率提升很容易变成任务加码。所以"用AI变累"和"AI接走工作"不矛盾：被接走的是标准化的执行，被塞给你的是膨胀出来的新任务，外加AI产出之后必须有人做的检查、修正和兜底。知乎上那条高赞回答说得很糙但准："结构清晰、逻辑自洽、路径明确的任务都让AI拿走了，剩下的都是散乱、未知、矛盾、高风险的东西——当然觉得活多了。"对普通人来说，这里面藏着一个真正值钱的判断：AI时代，执行型劳动的定价在往下走，判断型劳动的定价在往上走。定义问题、验收结果、承担责任——这三件事AI暂时接不走，而且AI产出越多，它们越稀缺。Anthropic那份报告里，人类专家干的活是什么？从十万份可疑日志里挑出50起做最终裁决。这个比例本身就说明了"判断"在链条里的位置。微博知乎
对号入座：三种人，三种做法
如果你是执行占比高的岗位（照着既定方案做：填表、套模板、初级代码、基础文案），OpenAI那份任务清单就是你的风险地图。客户沟通类、营销材料类任务54.1%、37.3%的月复用率说明，这些活一旦有人用AI跑通，就会快速变成所有人的日常——包括抢你活儿的人。现在值得做的是给自己算一笔"暴露度"：把一周的工作列出来，标出哪些是执行、哪些是判断。执行占大头，不是说马上失业，而是定价权在慢慢流失，该往上挪了。
如果你是已经在重度用AI的人，注意OpenAI报告里那个细节：跨岗位任务的提示词更短、更依赖"你帮我搞定"。借来的专业能力有个隐藏账单——验收成本。36氪评论区那位"做一张表格花半小时"的用户，踩的就是这个坑：AI把做的成本降了，但检查、修正、整合进自己工作流的成本没降，甚至更高。建议把两件事分开算账：哪些"借来的能力"值得沉淀成自己的可复用流程（复用率高的那几类），哪些用完即走别恋战。别让自己变成一个什么都接、什么都要验的"人肉CI"。
如果你是带团队的人，Anthropic的教训最实用：给团队配了AI之后，最先崩的不是产出环节，是验收环节。测试量10倍、CI任务25倍就是预演。在把"效率提升"直接兑换成"任务加码"之前，先检查你们的评审、测试、质检带宽够不够——不然8倍产出配1倍验收，出来的就是8倍的返工。
值得持续盯的信号有三个：一是OpenAI这类报告会不会出下一期，跨岗位任务占比是继续涨还是在25%附近见顶；二是"验收型岗位"（测试、质检、合规审查）的招聘量和薪资会不会开始抬头——瓶颈迁移最终会反映到工资单上；三是你自己的任务清单里，"判断"的占比有没有真的在变高。
最后泼两瓢冷水：这两份数据的边界在哪
按惯例，下结论前先说清楚证据覆盖到哪里。
第一瓢泼给OpenAI的报告。样本是美国ChatGPT Business注册用户——愿意在公司邮箱里登记岗位、高频使用AI的人群，本身就是自选样本，不能代表所有打工人；时间只有4月到7月四个月。更重要的是，报告的原话其实很克制：它测的是"跨岗位任务占比上升"“岗位边界模糊”，并没有直接测工作时长——"工作变多了"是媒体标题的转译。占比上升和总量上升是两回事，这个区分要留在心里。
第二瓢泼给Anthropic的数据。这是一家AI公司用自己最强的模型研发AI，属于全行业最极端的样本，26%和80%不能外推到传统行业；而且"主导26%“不等于"独立完成26%”，AL5级别的完全自主他们自己承认还没摸到。至于3万智能体并发、单日十亿次决策拦截这些数字，听听就好——配套的阻断率是0.002%，说明绝大部分时候系统还是按人的意志在跑。
冷水泼完，结论反而更清晰了：AI没有让工作消失，也没有让工作变轻松，它在重排工作——执行的部分交给机器，判断的部分留给人，然后往每个人手里塞进一堆昨天还"不值得做"的新任务。累，是重排期的阵痛；但方向是明确的：往判断走，往担责走，往"定义什么算做对"走。
这两份报告最值钱的不是那些百分比，而是它们把一句模糊的体感变成了可以对照的数据。下次再有人说"AI让你效率更高了"，你可以反问一句：效率高了，然后呢——是少干了，还是多接了？
