Anthropic 研究所在 2026 年 10 月 16 日发布调查报告，标题直译是“AI 预期差距”。调查在 2026 年 8 月完成，一边是 10,980 名具全国代表性的美国成年人，一边是 Anthropic 自己的员工。两组人对 AI 今天能做什么判断接近，分歧全在速度：91% 的员工认为 AI 能在 2030 年前做出诺贝尔奖级别的发现，公众的这一比例是 39%；员工平均预计到 2030 年 AI 能做掉自己 75% 的工作，公众的对应数字是 28%。
对今天的判断接近，对明年的判断已经分叉
问卷让两组人评估八项任务，从写日常邮件到做出诺奖级发现。双方对任务难度的排序几乎一致，对“现在能不能做”也大体同意，比如都约有四分之一的人认为 AI 今天已能独立设计、执行并发表科学研究。但时间一拉开就分叉：认为明年就能做到的，员工有九成，公众只有 38%。更刺眼的是“永远做不到”这一档：公众对不同任务有 19% 到 40% 选了永远不能，员工最多只有 2%。使用频率能解释一部分差距：工作中常用 AI 的公众里，56% 认为八项任务中至少七项能在 2030 年前实现，从未用过 AI 的人只有 28%，但仍远低于员工的 96%。
差距最大的一项，是 AI 能做掉自己多少工作
员工中过半数预计 2030 年 AI 能承担自己至少 80% 的工作，美国在职者只有 5% 这么想；计算机、工程和科学类职业的在职者平均给出 33%，其中常用 AI 的人给到 40%，依然离员工的 75% 很远。省时幅度的自报同样悬殊：员工 59% 表示适合 AI 的任务用 AI 后只要四分之一或更短时间，在工作中用 AI 的公众是 26%，且有 29% 的人说耗时差不多甚至更长，员工这一比例只有 5%。扩散速度上，员工预计 2030 年 AI 能做的任务里 65% 会真的用上 AI，公众预计 42%。公众列出的最大障碍依次是客户更愿意和人打交道、数据隐私与安全、AI 不够可靠、法律法规与责任；常用 AI 的人把隐私与安全排在第一位，占 42%。
两组人对失业的推理方式，其实是同一套
问卷先告诉受访者当前失业率约为 4.2%，再让其预测 2030 年。规律在两组人身上一致：预计 AI 能做掉自己工作越多的人，预测的失业率越高。美国在职者中，预计 AI 能做 80% 以上自己工作的人，平均预测 2030 年失业率 12.2%，高于金融危机时期的峰值；暴露预期每高 10 个百分点，失业率预测平均高 0.4 个百分点。关键发现在于，在自报暴露程度相同的人之间，员工和公众给出的失业预测几乎一样。这说明双方吵的不是“AI 自动化会不会推高失业”这套因果，而是“到底会有多少工作被自动化”这一个输入。
员工一边预计工作被做掉，一边预计公司继续招人
看似矛盾的一组数字是：95% 的员工预计 Anthropic 未来 12 个月人数会增长，中位数预期增幅 66%，27% 的人预计至少翻倍。报告特意注明，这是员工在内部问卷中的个人预期，不代表公司计划。另一头，员工对被替代者的再就业略更悲观：他们预计 2030 年因 AI 失业且需要换职业的人找到新工作的中位时间是 12 个月，公众的中位回答落在 7 到 12 个月之间。把五项预期输入 Anthropic 此前发布的经济情景模型后，中位数公众的答案对应 2030 年美国 GDP 增速 5.4%，中位数员工对应 17.1%；9 月情景探索页上线 48 小时内完成问卷的 23,075 名网站访客落在中间，是 12.5%。报告还问了员工对递归自我改进的判断：他们估计构建一款 2026 年初前沿模型的工作中，AI 今天承担的中位数是 51%，预计 2027 年底 80%、2030 年底 95%，研究团队自报的今天值更高，平均 60%。
读这份报告该保留的分寸
这是一份预期调查，不是预测，更不是实测产出数据。员工样本全部来自一家前沿实验室，他们的日常经验是编程智能体上线一个月后工程师新增代码量变为三倍这类事，经验本身会把预期推高；作者的结论也只是：随着 AI 使用普及，公众预期可能会向员工一侧移动，移动多远取决于 AI 在其他行业能不能做到实验室里这个程度。对普通读者，它最大的用处是把争论拆开：下次再看到对 AI 经济影响的极端判断，先问对方争论的是能力、扩散速度，还是失业的传导机制，三者在这份调查里并不是一回事。
