# Anthropic 研究40万次 Claude Code 后发现：未来最值钱的程序员，不是写代码最快的人

最近看到 Anthropic 发布了一篇研究报告，他们花了好几个月时间，分析了大约40万次 Claude Code 的真实使用数据，覆盖了23万多人。这篇报告想回答一个很多人都在琢磨的问题：当 AI 能帮你写代码的时候，到底什么样的人才能把它用好？是程序员占优势，还是说其他行业的人也能玩得转？

读完之后，我觉得里面有好几个观点特别值得聊聊。

## 人和 AI 之间，有一条很清晰的分工线

报告里最直观的一个发现是：在人和 AI 协作的过程中，分工其实非常明确。人负责决定“做什么”，AI 负责决定“怎么做”。

具体来说，大约70%的规划类决策是人做的，比如这个项目要实现什么功能、走哪条技术路线、什么算完成。而80%的执行类决策交给了 AI，比如改哪个文件、写什么代码、用什么命令。

你可以把它想象成一个老板和一个特别能干的员工的关系。老板说“我要一个能自动对账的工具”，员工就去选语言、搭框架、写逻辑、跑测试。老板不需要知道具体怎么实现，但他得非常清楚自己要什么。

这个分工模式其实暗示了一件事：如果你连自己要什么都说不清楚，AI 再强也帮不了你太多。

## 决定成败的，是你对问题本身的理解深度

这可能是整篇报告里最核心的发现了。研究团队给每次使用打了一个“专业度”评分，从新手到专家分成五档。结果发现，用户展现出的领域专业度越高，任务成功的概率就越大。

这里说的“专业度”有个很重要的细节：它指的是你对当前这个具体任务有多懂，跟你的职业头衔没什么关系。一个资深工程师如果第一次写 Rust，那他在这个任务上就是个新手。反过来，一个从没学过编程的会计，如果他能精确地告诉 AI“这个对账规则有哪些边界情况，月末结算要注意什么”，那他就是这个任务上的专家。

数据很能说明问题：专家级用户每发一条指令，AI 平均会执行12个动作、输出3200个词。新手呢？只能触发5个动作、600个词。同样是一句话，懂行的人能让 AI 干出好几倍的活。

想想也合理。你越清楚自己要什么，给出的指令就越精准，AI 就越不需要猜，自然能一口气干更多事情。

## 遇到问题的时候，专家更能把事情扳回来

写代码这件事，出错是家常便饭。报告里专门看了一个场景：当任务遇到麻烦的时候，不同水平的人表现有多大差异。

结果很明显。新手遇到困难后直接放弃的比例是19%，也就是说将近五分之一的人卡住了就不干了。而中级以上的用户，放弃率只有5%到7%。

更有意思的是，在那些遇到了麻烦但最终还是成功的会话里，专家级用户的成功率是新手的好几倍。说白了，懂行的人知道 AI 在哪里容易犯错，也知道怎么把它拉回正轨。AI 给了一个不对的方案，专家能马上发现问题，换个角度重新引导。新手可能根本看不出哪里不对，只能干着急。

这让我想到一个比喻：AI 就像一个执行力超强但有时候会走偏的助手。你得有能力判断它走偏了没有，还得知道怎么把它拽回来。这个能力，本质上就是你对这个领域的理解。

## 好消息是：你不需要成为顶尖高手

报告里还有一个让人松口气的发现：从新手到中级水平的提升，带来的收益是最大的。而从中级到专家，差距反而不算大。

具体来说，中级用户的“验证成功率”大概在28%到33%之间，专家也差不多是这个范围。但新手只有15%。换成更宽松的成功标准（至少部分成功），中级和专家都在91%到92%，新手是77%。

这意味着什么呢？你不需要成为某个领域的绝对权威，只要有扎实的工作理解和基本的专业判断力，就能把 AI 用得相当好。门槛没有想象中那么高，但确实存在一个最低门槛。

对于很多想借助 AI 转型或者拓展能力边界的人来说，这其实是个好消息。你不需要读到博士，不需要十年经验，但你得真正理解你要解决的问题是什么。

## 各行各业的人，写代码的成功率其实差不多

这个发现可能会让很多程序员感到意外。在所有产出代码的会话中，软件相关职业的“验证成功率”是34%，其他职业是29%。如果用更宽松的标准（至少部分成功），两者分别是89%和88%，几乎没有差别。

报告里列出了使用量最大的十个职业群体，包括管理岗、商业金融、艺术设计、生命科学等等。每个群体的成功率都在软件工程师的七个百分点以内。管理岗位的人甚至在严格成功率上略高于程序员，研究者猜测这可能跟管理者更擅长“指挥”有关，毕竟指挥 AI 和指挥团队在某些层面是相通的。

这说明一个趋势正在发生：编程正在从一个专属于程序员的技能，变成每个行业的人都能借助 AI 完成的工作。律师可以让 AI 帮他写一个自动审查合同条款的脚本，科研人员可以让 AI 帮他处理实验数据，老师可以让 AI 帮他搭建一个课程管理工具。关键不在于你会不会写代码，在于你能不能把需求说清楚。

## 七个月里发生了什么变化

从2025年10月到2026年4月，报告追踪了一些明显的趋势变化。

首先，花在修 bug 上的时间占比从33%降到了19%，几乎腰斩。这说明 AI 写代码的质量在快速提高，出错越来越少了。

其次，更多时间被花在了“代码周边”的工作上。部署运维从14%涨到了21%，数据分析和写文档的占比也翻了一倍，从10%涨到了20%。人们开始用 AI 做更完整的工作流，不只是写一段代码那么简单了。

第三，任务的平均经济价值涨了大约25%到27%。如果用自由职业市场的定价来估算，人们交给 AI 的活越来越值钱了。构建新功能、运维部署、修复问题这几类任务的价值分别涨了43%、34%和32%。

这些变化合在一起看，说明 AI 编程工具正在快速成熟。人们对它的信任在增加，交给它的任务越来越复杂，也越来越敢让它独立干活了。

## 所以，这一切意味着什么

读完这篇报告，我觉得有几个东西值得认真想想。

第一，“会写代码”这件事的稀缺性正在下降。当各行各业的人都能通过 AI 完成编程任务，而且成功率跟程序员差不了太多的时候，纯粹的编码能力就不再是一个很强的护城河了。

第二，真正有价值的东西，是你对某个领域的深入理解。你知道业务逻辑是什么，知道边界情况在哪里，知道什么方案在现实中行得通、什么行不通。这些东西 AI 目前还给不了你，得你自己带到桌面上来。

第三，学会“指挥”AI 可能是一项越来越重要的能力。这不是说学什么 prompt 工程的技巧，更多是说你能不能把一个模糊的需求拆解成清晰的指令，能不能在 AI 走偏的时候及时纠正，能不能判断 AI 给出的结果是不是靠谱的。这些能力的底层，还是你对问题本身的理解。

第四，门槛没有想象中那么高。你不需要成为专家中的专家，有扎实的中级水平就能获得大部分收益。这对于想要借助 AI 拓展自己能力边界的人来说，是一个非常积极的信号。

说到底，AI 工具在变强，但它放大的是你已有的理解力和判断力。你懂得越多，它能帮你做的就越多。你什么都不懂，它再强也只是一个你不知道该怎么用的工具。这个逻辑，可能在很长一段时间内都不会变。
#科技先锋官##How I AI#