当执行力不再稀缺
Agent 执行能力扩张后，企业怎样协调更多产出，又怎样培养下一代员工的判断力？
AI Native Company #07
一位 Anthropic 工程师说，自己面前仿佛站着一支 Claude 军队，每个士兵都在等待回应。代码不断生成，任务同时推进，人的注意力却成了拥堵点。
2026年10月16日，Anthropic公布内部工作研究：到8月，员工调度的 Agent 运行时长达到按标准工时估算的人类工时的六倍；工程师人均代码提交量在六个月内增至五倍。当然，运行时间不等于劳动生产率，代码提交也不等于商业价值。但一个变化已经清楚：企业能够执行的工作，正逐渐脱离员工数量的束缚。
从产出到价值
执行成本下降，工作更容易被启动。一项需求能生成多套方案，分析反复迭代，待审成果迅速堆积。
代码仍需审核、整合、发布，产品还要有人愿意使用。今年一项覆盖逾50万名 GitHub 开发者的研究发现，采用新一代 AI 编程工具后，代码提交累计增加约240%，实际发布量只增加约30%。这并非自动化失效。它显示，价值链的其他环节并没有同步提速。
数据图：NBER《Writing Code vs. Shipping Code》（2026年9月修订）。两项指标衡量不同层级的产出，不宜直接解释为 AI 的因果净效应。
协调同样没有消失。Anthropic 员工的会议时间中位数同比增加20%，Agent 大量进入 Slack 后，人与人的交流仍在继续。其中也有公司扩张的影响。但当更多工作同时运行，依赖冲突、信息不一致、责任归属都需要处理。
管理 Agent 因而逐渐涉及组织制度：哪些任务可以自行推进？什么风险必须升级？结果由谁验收？一个项目即使能在几分钟内启动，是否就值得启动？
判断力从哪里来
问题也藏在招聘数据里。Anthropic 技术部门初级岗位在新招聘中的占比，从27%降至9%；招聘评价则越来越重视自主性与判断力。这是招聘结构的变化，并不代表初级员工人数按相同比例减少。
判断力常在具体工作中形成：排查一次故障，发现数据错在何处，听懂客户没有说出口的顾虑，经历一次失败后的复盘。这些琐碎经历，让人渐渐理解系统如何运转、如何出错。
Agent 接过基础工作，同时也拿走了学习机会。Anthropic 另一项52人随机实验发现，学习陌生编程工具时，使用 AI 辅助者在后续知识测验中的平均得分为50%，未使用者为67%。不过，主动追问原理、理解输出的人表现较好。实验规模有限，也不能据此断言 AI 阻碍学习；关键在于人如何使用它。
这意味着企业需要同时设计两套流程：一套追求交付效率和价值，一套确保员工能力成长。新员工可以让 Agent 写代码，但仍需解释设计取舍、独立诊断异常；资深员工不只是验收结果，也要让经验得以传递。短期的任务效率与长期的人才供给，不能只用同一套指标衡量。
编辑概念图：交付流程与学习流程需要共同设计；并非 Anthropic 原报告中的组织架构。
下一代组织的难题
当一个人能够同时调度多个 Agent，工作规模迅速扩大，组织却未必拥有相应的判断能力。流程、授权、协作方式需要改变，人才培养也一样。
执行力越容易获得，企业越需要回答：我们该做什么，为什么做，以及未来由谁来判断做得对与错。
今天被省略的学习过程，可能就是未来组织最难补回的能力。
封面为 AI 生成的概念示意。正文图分别为研究数据图与编辑概念模型。点击正文配图可查看原图。
参考
不想错过下一篇
新文章发布时发一封邮件到你的信箱。没有广告，可随时退订。
也可以用 RSS /rss.xml