Как меняется занятость в Anthropic16.10.2026 03:00

Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory

Как ИИ изменил организацию труда и занятость в Anthropic? Будучи компанией, работающей на переднем крае внедрения ИИ, Anthropic может служить ранним индикатором того, как ИИ изменит организацию труда, найм и спрос на рабочую силу во всей экономике.

Основные выводы

• В Anthropic стали нанимать меньше сотрудников на младшие технические позиции. Это произошло на фоне стремительного роста количества часов работы ИИ-агентов по сравнению с сотрудниками. К августу агенты в интерактивном режиме работали в шесть раз больше часов, чем сотрудники.
• По мере распространения ИИ-агентов в компании Anthropic стала производить больше кода на одного сотрудника, заключать больше сделок на одного торгового представителя и обрабатывать больше контрактов. Если проследить за работой одного и того же сотрудника с течением времени, видно, что после внедрения новых инструментов ИИ его производительность выросла.
• Из-за этого ускорения человеческое внимание становится узким местом, ограничивающим производительность агентов. Даже сотрудникам нетехнических специальностей потребовалась бы половина рабочей недели, чтобы прочитать все результаты работы их агентов Claude. В ответ сотрудники переключаются на «метаработу» — создание инструментов для контроля и мониторинг рабочих процессов агентов.
• Изменения в организации труда отражаются в смене приоритетов менеджеров по найму: они всё чаще делают акцент на самостоятельности и здравомыслии кандидатов, а не на их технической экспертизе и навыках реализации.

Введение

Каких изменений в труде и занятости можно ожидать по мере развития всё более мощного ИИ? Anthropic заслуживает внимания, поскольку компания основательно перестроила свои рабочие процессы вокруг ИИ. Агенты мелькают в чатах Slack и назначают встречи. Они самостоятельно исправляют ошибки и сообща решают масштабные инженерные задачи. Агенты работают в шесть раз больше часов, чем люди. Изменения, происходящие сейчас в Anthropic, позволяют заранее судить о возможном будущем труда и занятости.

В этом отчёте используются обширные внутренние данные Anthropic о занятости, использовании ИИ, показателях производительности, опросах сотрудников, закономерностях внутренней коммуникации, календарях сотрудников и решениях о найме. Количественные данные дополняют интервью с 17 сотрудниками.

Мы выяснили, что, несмотря на рост компании, доля найма на младшие технические позиции сокращается. Производительность как инженеров, так и сотрудников нетехнических специальностей резко выросла, особенно после внедрения ими агентов для программирования. Менеджеры по найму всё чаще ценят в кандидатах самостоятельность и здравомыслие, а не узкую техническую экспертизу. Характерная черта работы в организации, активно использующей ИИ, — постоянное стремление по возможности устранить себя из роли узкого места. Один инженер описал свою работу как взаимодействие с «армией Claude, и каждый требует моего внимания». Сотрудники Anthropic по-прежнему играют важнейшую роль. Но характер их вклада изменился.

Anthropic отреагировала на эти изменения, создав систему раннего предупреждения для отслеживания профессий, которым грозит трансформация, и, по мере изменения рабочих мест, отдав приоритет внутреннему переводу сотрудников на другие должности. Эти шаги, предпринятые на переднем крае как развития ИИ, так и преобразований на рабочем месте, показывают, как конкретные организационные обязательства могут повлиять на воздействие ИИ на занятость. Но они также ставят сложные вопросы о том, какими именно должны быть эти обязательства.

Спрос на рабочую силу на переднем крае технологий

Anthropic быстро росла. Однако на каждый доллар выручки она наняла меньше сотрудников, чем крупные технологические компании предыдущего поколения. В пятилетнем возрасте выручка Anthropic на одного сотрудника в 2–4 раза выше, чем у Meta и Google на пике их собственного быстрого роста.1

Каких должностей стало меньше? В январе 2026 года в технических подразделениях Anthropic начали обсуждать снижение спроса на младших технических специалистов. Команды, которые активнее всего использовали Claude в своей работе, обнаружили, что ему можно передавать всё больше задач по написанию кода и поиску ошибок. Восприятие ситуации изменилось с появлением новых способных моделей: «Больше всего всех поразил прирост производительности инженеров по производительности — практически за одну ночь изменилось то, кого мы искали».

К апрелю инженерные и исследовательские команды стали меньше уделять внимания найму на технические позиции низших уровней. В опросе того же месяца большинство менеджеров сообщили, что из-за ИИ теперь ищут кандидатов с другим набором навыков. Около трети менеджеров по машинному обучению и пятой части менеджеров по разработке ПО заявили, что из-за ИИ стали нанимать меньше сотрудников.

Изменения в доле занятых особенно заметны. На рисунке 1 показано, что с начала 2025 года доля сотрудников младшего уровня в технических подразделениях Anthropic снизилась с 21% до 14%. Доля нанятых младших технических специалистов падала ещё быстрее — с 27% до 9%. С декабря 2025 года количество вакансий для младших специалистов особенно резко сократилось.

Рисунок 1. Сокращение найма начинающих технических специалистов в Anthropic.

Одновременно за последний год снизилась и общая доля сотрудников технических подразделений Anthropic — с 61% до 56%. По мере роста компании абсолютное количество нанятых технических специалистов продолжало увеличиваться, но активный набор сотрудников в отделы продаж, финансов и рекрутинга опережал его. Отчасти это естественное расширение бизнес-функций по мере масштабирования компании. Отчасти это может объясняться тем, что инструменты для программирования всё чаще позволяют сотрудникам нетехнических специальностей самостоятельно создавать программное обеспечение. Например, торговый представитель разработал индивидуальную панель управления и воронку продаж, адаптированные под его работу: «Такая задача была мне не по силам — особенно интерфейс, подключение всех инструментов, MCP. Но я сделал это, наверное, за три-четыре часа, просто дорабатывая результат». Количество сеансов работы с ИИ-агентами, ориентированными на программирование, у сотрудников нетехнических специальностей (то есть тех, кто на исходном этапе не вносил изменений в код, за исключением новых сотрудников) выросло с двух в месяц в августе 2025 года до 90 в мае 2026 года.

Однако изменения в составе нанимаемых сотрудников связаны не только с тем, что автоматизация программирования позволяет распространять ИИ на специалистов из других областей. В технических подразделениях доля сотрудников, которые активно не программируют (то есть не вносили изменений в код за последние 30 дней), за год до апреля 2026 года сократилась почти вдвое. Отчасти это связано с уменьшением доли сотрудников, не являющихся инженерами: например, соотношение инженеров и продакт-менеджеров составляет примерно 17 к 1 и выросло с 2025 года. Число изменений в коде, внесённых менеджерами, также удвоилось. Руководство и координация в технических командах всё чаще включают создание и выпуск кода.

В одной из областей найма нетехнических специалистов — административных функциях, которые обычно расширяются по мере роста компании, — ускорения не произошло. Сочетание помощников-агентов, автоматизированной проверки и передачи обработки заявок на аутсорсинг позволило Anthropic сохранить небольшой административный штат даже при быстром росте. Финансовый менеджер создал агента для проверки заявок на закупку и объяснил коллегам: «Он просто ищет задачи, которые отнимают много часов, чтобы сотрудники могли сосредоточиться на остальном».

Даже административная работа, тесно связанная с личным взаимодействием, росла медленно. Помощник руководителя, создавший персонального агента для планирования встреч и сортировки электронной почты, объяснил: «Думаю, мы уже прошли тот этап, когда Claude избавляет от самых простых административных задач», — и сосредоточился на более сложных задачах, характерных для руководителя аппарата.

Эти изменения уже повлекли за собой перераспределение сотрудников: в 2026 году сотрудники, проработавшие в компании не менее года, переходили из одного подразделения в другое каждый месяц на 50% чаще, чем в 2025-м. Перераспределялись и целые команды, передававшие свою работу агентам. Например, одна команда продуктового дизайна писала тексты вроде приветствий на Claude.ai: «Привет, полуночник!»; «Время кофе и Claude?» Весной 2026 года команда разработала граф контекста, который эффективно направлял агентов при создании привлекательных текстов о продукте. По словам менеджера, это «позволило масштабировать команду», но одновременно поставило вопрос о том, что осталось делать авторам-людям. Затем команда переключилась на настройку запросов для агентов и стала писать оценочные задания для моделей и запросы для Claude. «Авторы, которые использовали язык, чтобы влиять на поведение людей, теперь используют его, чтобы влиять на поведение Claude».

Повышает ли ИИ производительность в Anthropic?

Можно ли объяснить эти изменения влиянием ИИ? В Anthropic люди — лишь тонкий слой поверх растущего числа ИИ-агентов. Согласно телеметрии сеансов агентов, в марте 2026 года общее количество часов автономной и интерактивной работы агентов впервые превысило количество часов работы людей. Отчасти это объясняется тем, что целые флотилии агентов занимаются программной инженерией в промышленных масштабах: проводят бесчисленные плановые тесты и проверки, обслуживают растущий массив инфраструктурного кода и совместно работают над переводом огромных кодовых баз. Но даже если учитывать только агентов, задействованных отдельными сотрудниками, как на рисунке 2, к августу они работали в шесть раз больше часов, чем сотрудники, которыми управляли.

Рисунок 2. Агенты работают больше часов, чем люди. Примечание. Учитываются интерактивные сеансы, инициированные сотрудниками; дочерние агенты включены в общую выборку. Рабочее время агента — это время его выполнения, включая инференс и активное использование инструментов, но без периодов ожидания свыше 30 минут. Часы работы людей рассчитаны исходя из численности сотрудников и предположения о 40-часовой рабочей неделе.

Anthropic производит программное обеспечение, и подавляющая часть токенов, проходящих через этих агентов, расходуется на создание кода. За флотилиями агентов, работающих по всей компании, следят через панели мониторинга. Но персональные помощники-агенты также отслеживают календари и сообщения сотрудников, планируют встречи, составляют списки дел на основе входящих сообщений и автоматически знакомят сотрудников с участниками и темами предстоящих встреч. Токены охватывают всё больше повседневных рабочих задач.

Рисунок 3. Бум производительности в разных подразделениях. Примечание. Сглаженная кривая Лоэсса рассчитана по исходным индексированным данным о производительности.

Что дают все эти токены? На рисунке 3 показана динамика производительности в разных профессиях, где её можно измерить. В соответствии с предыдущими отчётами, в которых проводился опрос инженеров Anthropic и описывалась автоматизация обучения моделей и исследований, быстрее всего выросло число изменений кода на одного инженера — теперь оно в пять раз выше, чем полгода назад. Специалисты по анализу данных также всё чаще обращаются к растущему массиву данных Anthropic, поручая агентам Claude выводить на панели мониторинга показатели в реальном времени для лиц, принимающих решения. Но рисунок 3 показывает, что по мере распространения агентов для программирования выросла и производительность сотрудников нетехнических специальностей: юристы обработали больше контрактов, бухгалтерия по работе с кредиторской задолженностью провела больше счетов, а специалисты по продажам заключили больше сделок.

Но всё ли это связано с использованием Claude? В тот же период компания переживала стремительный рост бизнеса. Заключать сделки проще, если продаёшь мощную модель. Чтобы оценить самостоятельный эффект ИИ, мы сравниваем производительность сотрудников, внедривших инструменты агентного программирования, с производительностью тех, кто их ещё не внедрил. Это позволяет сравнить сотрудников, работавших в компании в одном и том же месяце и, следовательно, находившихся в схожих деловых условиях, но использовавших разные инструменты. Однако следует учитывать, что внедрение инструментов не происходит случайным образом: например, если сотрудники, готовящиеся запустить крупный новый проект, решают освоить инструменты, это может сместить наши оценки.

Мы наблюдаем за 192 инженерами, внедрявшими агентов для программирования, и сравниваем их с 74 инженерами, которые в исследуемый период этого не делали. На рисунке 4 видно, что в течение нескольких месяцев после внедрения таких агентов объём кода, написанного инженерами, резко возрастает. Однако больше кода не обязательно означает более качественный код или влияние на бизнес. Чтобы проверить, не засоряет ли ИИ код низкокачественными фрагментами, мы изучили изменения в коде, внесённые в Anthropic. Мы сравнили код, добавленный одним и тем же сотрудником в одном и том же месяце и одном и том же каталоге, но написанный агентом для программирования, а не непосредственно человеком. У качества кода много аспектов, а ошибки ИИ может быть сложнее выявить, чем человеческие. Тем не менее мы не обнаружили различий в доле строк кода, которые впоследствии удаляли или отменяли.

На рисунке 4 также показано, что происходит после того, как инженер впервые внедряет полностью автономного агента. Те, кто сделал это, и до того демонстрировали гораздо более быстрый рост производительности, чем сотрудники, не внедрившие агентов. Это говорит о том, что сотрудники, переключившиеся на полностью автономных агентов, уже наращивали производительность.

Рисунок 4. Рост производительности, рассчитанный на уровне отдельных сотрудников при поэтапном внедрении ИИ. Примечание. Коэффициенты сравнивают сотрудников, внедривших агентов для программирования, с теми, кто этого не сделал; применяются двусторонние фиксированные эффекты для сотрудников и календарных месяцев. Срок внедрения определяется как первый месяц, в котором у сотрудника было не менее пяти сеансов работы с агентом. Полосы показывают 95-процентные доверительные интервалы на основе стандартных ошибок, сгруппированных по сотрудникам. На панели качества сравнивается код, написанный непосредственно человеком, с кодом, созданным агентом для программирования того же сотрудника. В качестве косвенных показателей качества используются доля строк, удалённых по любой причине в течение 90 дней; доля строк, удалённых специально для исправления ошибки; факт явной отмены всего изменения; добавление комментария, отключающего проверку линтером; добавление заметки о необходимости исправления;, а также пометка о том, что тест нужно пропустить, повторить или разрешить ему завершиться с ошибкой.

Выходят ли эти закономерности за пределы программирования и свидетельствуют ли о более масштабной трансформации интеллектуального труда? Торговые представители Anthropic постепенно начали внедрять ИИ-агентов в сентябре прошлого года. На рисунке 4 видно, что после этого они стали заключать сделки с большим числом клиентов. Отчасти это может объясняться тем, что автоматизацию выбирают представители, у которых больше возможностей для продаж. Но причиной также может быть автоматизация регистрации данных и рутинной переписки. Один менеджер по работе с клиентами рассказал, что автоматизация с помощью Claude взяла на себя составление электронных писем и интеграцию с программным обеспечением для управления клиентами, заменив около 20% прежних рабочих задач. Другой отметил, что подобная автоматизация освободила время для личных встреч и позволила общаться на 30% больше с клиентами, чем раньше: «Когда делаешь что-то во второй раз, думаешь: ладно, как использовать Claude, чтобы в третий раз мне уже не пришлось этого делать?»

Помимо отдела продаж, юрист Anthropic создал серию автоматизированных процессов на базе Claude для выявления рисков и возможностей, сортировки юридических вопросов и первичной проверки текстов для широкой аудитории на соответствие юридическим требованиям. Рекрутер использовал Claude для поиска кандидатов, отслеживания заявок и анализа, который занял бы «может быть, пару недель». Это позволило ему обновить устаревшие вопросы для собеседований и встретиться с большим числом кандидатов.

Всё это говорит о том, что по мере развития возможностей ИИ его влияние распространяется на множество профессий в Anthropic. Если судить по данным, найм младших специалистов замедляется в тех профессиях, где Claude используют для наиболее сложных задач (рисунок 5).

Рисунок 5. Рост занятости младших специалистов в зависимости от сложности задач, выполняемых Claude. Примечания. Данные представлены на уровне профессий. Рост рассчитывается по численности сотрудников в январе и июле 2026 года. Сложность задач для ИИ определялась с помощью автоматического анализа журналов агентов (за период до сокращения занятости, с октября по декабрь 2025 года) и переводилась в процентили. Размер точек пропорционален числу сотрудников в этой профессии в январе; линия регрессии рассчитана по взвешенным точкам.

Узкие места и рабочие процессы: новые и старые задачи в условиях активного использования ИИ

Активное внедрение ИИ меняет не только занятость и производительность. Оно также постоянно преобразует рабочие процессы, порождает новые задачи и меняет представления сотрудников о своём рабочем месте. Один сотрудник назвал это «непрекращающимся давлением в Anthropic: нужно работать как можно быстрее и использовать Claude для всего», а другой отметил, что «задачи, на выполнение которых у нас отводится неделя, в других местах заняли бы три месяца». Во внутреннем опросе сотрудников спрашивали, позволяют ли рабочие процессы в Anthropic работать с максимальной производительностью: в конце 2024 года с этим согласились 44% сотрудников, а к ноябрю 2025 года — 58% (в апреле 2026 года утвердительно ответили 75%, но формулировка вопроса стала менее строгой: из неё убрали слова «с максимальной производительностью»). По состоянию на август сотрудники Anthropic ожидали, что к 2030 году ИИ сможет выполнять 75% их работы; среди остальных американцев этот показатель составил 28%.

Эти постоянно растущие ожидания по поводу производительности ярко проявляются при выпуске внутренних моделей. Как только становится доступна новая модель, сотрудники Anthropic начинают решать более сложные задачи в интерактивных сеансах с агентами для программирования. Мы измеряем это с помощью автоматической оценки Claude, которая анализирует обезличенные сеансы и оценивает сложность задач с учётом их глубины, масштаба и количества задействованных систем. Доля задач, сложность которых превышает 90-й процентиль для предыдущей модели, резко возрастает примерно на 30% (с 10% до 13% от общего числа задач) и остаётся повышенной в течение нескольких недель после выпуска новой модели. Доля простых задач, поручаемых агентам, почти не меняется.

Стремительный рост производительности агентов оборачивается потоком результатов, требующих внимания людей. Один инженер сравнил это с присмотром за детьми:

Они такие: «Мне нужно открыть коробку сока, и это срочно, откройте мне коробку сока». И говорят об этом с такой же тревогой, как ребёнок, который порезал палец и истекает кровью. […] Когда присматриваешь за детьми, каждый приходит со своей проблемой и требует столько же внимания, сколько остальные. Разные [Claude] ведут себя так же.

В апрельском опросе 2026 года, где сотрудников просили в свободной форме рассказать о влиянии ИИ на повседневную работу, 27% упомянули рост производительности благодаря инструментам Claude, а 20% — изменение своей роли: вместо непосредственного выполнения работы они стали управлять Claude.

На фоне ускорения, обусловленного развитием моделей, человеческое внимание постоянно становится узким местом. В интерактивных многоэтапных сеансах большую часть времени агенты вообще не работают, а ждут. Мы отслеживаем время простоя, вычитая активное рабочее время каждого агента из общей продолжительности интерактивного сеанса. Около 80% времени сеансы Claude проходят в ожидании ответа человека. Как выразился один инженер, люди «становятся узким местом для агентов».

Сколько именно времени потребовалось бы, чтобы прочитать все результаты работы Claude в интерактивных сеансах? Для каждого сеанса мы переводим количество выходных токенов агента в число слов, исходя из средней скорости чтения человека. На рисунке 6 показано, что за последние шесть месяцев объём результатов работы агентов для программирования в технических подразделениях резко вырос. Но даже в нетехнических отделах интерактивные сеансы с Claude дают столько текста, что на его чтение ушло бы больше половины рабочей недели. Поток текста от Claude необходимо систематизировать.

Рисунок 6. Чтение результатов Claude как работа на полную ставку. Примечание. Часы рассчитаны путём перевода выходных токенов в слова из расчёта 0,75 слова на токен и скорости чтения 250 слов в минуту.

Одно из решений проблемы потока результатов — дальнейшая автоматизация. Но для этого требуется работа другого рода. Число письменных постоянных инструкций для агентов выросло с нескольких сотен в июле 2025 года до 8 500 год спустя. Один инженер создал агента — руководителя аппарата, который сортирует запросы других агентов. Другой написал отзыв о работе своей команды Claude: «Давай обсудим, что работает и что не работает в нашем стиле общения». Рекрутеры с помощью агентов создали интегрированные панели мониторинга, которые выявляют проблемы и инициируют действия. Один юрист переключился с рассмотрения юридических вопросов на «SEO для юридических консультаций — нужно писать материалы так, чтобы агенты [клиентов] могли их находить».

На рисунке 7 видно, что доля такой метаработы среди интерактивных сеансов Claude среднего сотрудника выросла с 10% осенью 2025 года до 22% весной 2026-го. В основном этот рост был связан именно с управлением агентами: составлением спецификаций для работы нескольких агентов, настройкой одного агента на проверку результатов другого и мониторингом рабочих процессов. Во всех подразделениях участие людей всё чаще смещалось от работы над конкретным фрагментом кода или текстом к созданию инструментов, необходимых для эффективного выполнения задач агентами.

Рисунок 7. Становясь менеджерами Claude. Примечание. Оценки метаработы основаны на автоматическом анализе выборки из 2 000 однострочных сводок чатов. Анализатор определял, посвящены ли они созданию навыков Claude, планов и оценок для других агентов, панелей мониторинга рабочих процессов агентов и описанию методов работы, в отличие от непосредственного выполнения самой работы.

Несмотря на рост надёжности агентов и значительные инвестиции в инструменты для надзора за ними, доверие людей и их ответственность по-прежнему критически важны. Один сотрудник объяснил, что поиск ошибок всё чаще «выявляет организационные, системные проблемы или технический долг, для решения которых нужны обсуждение и принятие решений людьми, а также механизмы управления». В каждом интервью сотрудники подчёркивали, что личное взаимодействие и координация незаменимы. Согласно данным календарей, средний сотрудник проводит на встречах на 20% больше времени, чем год назад. Отчасти это связано с ростом компании и увеличением числа нетехнических должностей, предполагающих множество встреч. Но даже среди сотрудников технических специальностей, работающих индивидуально, время на встречи за последний год выросло на 16%. Масштабные стратегические вопросы затрагивают множество важных направлений и обычно требуют обсуждения и взаимодействия с другими людьми. Перерыв в управлении агентами чаще всего означает переход к совещанию.

В целом как в технических, так и в нетехнических профессиях автоматизируются практические составляющие работы: написание кода, поиск ошибок, регистрация прогресса, составление электронных писем. Инженеры рассказывали, что становятся лидерами и менеджерами агентов; сотрудники нетехнических специальностей — что всё больше занимаются стратегическими аспектами своей работы: «Те 20%, которые были стратегическими, теперь составляют 90% работы». Однако для многих нетехнических профессий основная практическая работа также связана с взаимодействием между людьми: звонками по продажам, собеседованиями, согласованием действий разных подразделений при решении сложных задач. Всё это по-прежнему остаётся за людьми.

Обратите внимание и на каналы Slack, где публикуются как основные сообщения, так и внутренняя переписка Anthropic. Агенты распространились по Slack и в итоге появились почти в половине активных публичных каналов. На рисунке 8 показана коммуникационная сеть одного крупного подразделения, построенная на основе всех публичных каналов Slack, в которых общались его сотрудники. На ней связаны люди и агенты, участвовавшие в одной ветке Slack. Рисунок наглядно демонстрирует стремительный рост числа агентов: оранжевые точки множатся и начинают доминировать в сети.

Агенты непропорционально часто появляются в специальных каналах для взаимодействия Claude с людьми, а не активно пишут в давно существующих каналах для общения сотрудников. Структура и плотность человеческой коммуникации почти не меняются. Агенты не заменили общение между людьми, а дополнили его: в ветках этого подразделения сохранилось прежнее число ответов от сотрудников, к которым добавились ответы агентов. Для отдельных сотрудников агенты становятся командами, а не узлами, активно взаимодействующими сразу со множеством сотрудников.

Работая бок о бок с растущим флотом ИИ-агентов, люди вынуждены переносить рабочие процессы в доступные агентам каналы. Если решение принято на личной встрече, но заметок или отчёта по её итогам нет, агенты не получают важнейший контекст, необходимый для корректировки целей и предположений. Один сотрудник рассказал, что из-за его имени в документе о сувенирной продукции Claude, созданном несколько месяцев назад, агенты продолжали обращаться к нему с просьбами заказать футболки и кружки, хотя его обязанности уже изменились. В условиях активного использования ИИ конфиденциальная работа, незадокументированные встречи и личные сообщения остаются невидимыми, создают путаницу и не поощряются. Один исследователь отметил, что установка на открытость крайне важна для всеобъемлющей интеграции ИИ в Anthropic: «Большинство организаций так не работает, и я считаю, что это серьёзный сдвиг, потому что руководителям приходится открыто обсуждать обратную связь». Чтобы обеспечить ИИ контекстом, необходимо, чтобы работа людей и принимаемые ими решения были видны.

Кто будет преуспевать на таком рабочем месте? Изменение содержания работы в Anthropic отражается и на том, какие навыки менеджеры по найму считают приоритетными. Мы использовали автоматический анализатор для обработки оценочных листов по итогам собеседований, заполненных менеджерами по найму для тысяч сотрудников, нанятых в Anthropic с 2024 года. Эти комментарии — качественные оценки интервьюеров, анализирующих результаты кандидатов. Самое очевидное изменение — возросшее внимание к тому, продемонстрировали ли кандидаты творческий подход к использованию инструментов ИИ. В 2024 году менеджеры по найму отмечали опыт кандидатов в работе с инструментами ИИ примерно в 5% оценок кандидатов на технические должности и в 7% — на нетехнические. К 2026 году эти показатели утроились для технических должностей и учетверились для нетехнических. Менеджеры по найму всё чаще обращают внимание на то, насколько эффективно кандидаты используют ИИ.

Заметны и более глубокие изменения в оценке кандидатов. На собеседованиях с кандидатами на технические должности сильнее всего выросло число комментариев об их самостоятельности и здравомыслии. Доля обсуждений профессиональной экспертизы в общей оценке сократилась. Как объяснил один менеджер: «Я ожидаю, что модели и дальше будут работать неравномерно, поэтому мне нужны сотрудники, которых можно задействовать в разных областях». В оценках кандидатов на нетехнические должности чаще стали упоминать ориентацию на клиента и приверженность миссии, а навыки выполнения задач обсуждали реже. Менеджеры по найму всё чаще оценивают кандидатов по их здравомыслию и приверженности делу, а не по специфическим для конкретной области навыкам и умению выполнять задачи, которые автоматизируют инструменты ИИ.

Что могут сделать работодатели

Широкое внедрение ИИ в Anthropic делает компанию показательным примером. По мере распространения и совершенствования ИИ организация труда может измениться так же, как это происходило в предыдущие волны технологических преобразований. Железные дороги породили управленческую корпорацию, паровая энергия позволила создать фабрики, а персональные компьютеры привели к появлению стартапов. Какие новые организации потребуют LLM, способные использовать инструменты и рассуждать, и какова будет наша роль в них? Один из возможных вариантов — стартапы из одного человека, где основатель управляет целыми роями агентов, приносящими миллиарды дохода. Другой — компании, созданные гениальными ИИ-руководителями, которые нанимают людей-агентов лишь для работы с пипетками и выступлений перед конгрессом.

Anthropic не похожа ни на один из этих вариантов. За последний год компания утроилась в размерах. Это уже не небольшой стартап. При этом она не передала моделям контроль над руководством. Письменные обсуждения в Slack и личные встречи определяют всё — от стратегии компании до решений на уровне команд, — причем ИИ-агенты вносят в них мало. Если работа людей остается видимой для всей компании, автономные агенты могут рассуждать, опираясь на актуальный контекст. По необходимым знаниям и взаимозависимости рабочих задач сотрудники, управляющие командами агентов, больше похожи на менеджеров. В организации, активно использующей ИИ, крайне важно работать и принимать решения открыто.

По мере того как сотрудники всё чаще воспринимают свою работу как управление командами Claude, они уделяют больше времени созданию инструментов, необходимых для эффективной работы в своих специфических областях. В результате экспериментов сотрудники постоянно автоматизируют собственные задачи. В некоторых должностях они всё дальше отходят от непосредственной работы, благодаря которой изначально приобрели свои навыки. Пока агенты стремительно проходят рабочие процессы, система упирается в ограниченность внимания и суждений людей. От продаж до юриспруденции от сотрудников ожидают выполнения большего числа новых и разнообразных задач. Должностные обязанности расширяются: теперь они включают разработку продуктов, управление агентами и стратегическую работу, а также взаимодействие с людьми — то, что по-прежнему не под силу даже лучшим LLM.

Эти изменения в организации и содержании труда происходят на фоне сокращения доли младших технических специалистов в штате, найме и вакансиях. Руководители, отвечающие за найм, всё больше ценят самостоятельность и рассудительность кандидатов, а не исполнительность и узкую специализацию. В целом рост выручки Anthropic относительно роста численности сотрудников обогнал даже быстрый ранний рост производительности у технологических компаний предыдущего поколения.

Если распространить эти закономерности на будущее и на экономику в целом, становится ясно, что внедрение ИИ может грозить вытеснением работников. Предыдущие исследования также показывают, что стартапы, изначально созданные на основе ИИ, и компании, внедряющие ИИ, имеют более плоскую структуру и нанимают меньше сотрудников начального уровня… Чему опыт Anthropic может научить нас в вопросе управления потрясениями, вызванными ИИ, так, чтобы это отвечало интересам людей, работающих с ним?

Здесь важно действовать осторожно. Многие аспекты кадровой политики Anthropic невозможно воспроизвести во всей экономике.

Но особенно выделяются три особенности. Во-первых, широкое распространение акций среди сотрудников напрямую связывает их интересы с успехом компании. Разумеется, такую позицию легко занимать компании, чья оценка значительно выросла. Для многих компаний общая собственность может быть недостаточной мерой или по другим причинам оказаться нежелательной. Но сложно представить ориентированное на работников внедрение ИИ, при котором сотрудники не получают долю финансовой выгоды от успешного внедрения. Если, по словам участников интервью, от рядовых сотрудников ожидают, что они будут «управлять агентами», «принимать решения на уровне вице-президента» и «вести собственное направление бизнеса», то согласование их интересов с интересами организации имеет решающее значение. Послевоенное соглашение между профсоюзами и руководством, сложившееся в 1950-х годах, основывалось именно на таком компромиссе: профсоюзы вроде Объединенного профсоюза работников автомобильной промышленности и Объединенного профсоюза сталелитейщиков соглашались на право руководства реорганизовывать труд (и даже усиливать его интенсивность) в обмен на повышение зарплат, связанное с ростом производительности, и широкий спектр льгот. Каким бы ни стало новое соглашение между работниками, на которых влияет ИИ, и их работодателями, необходим механизм распределения выгод от внедрения. В Anthropic сотрудники передают свои знания машинам, постоянно сталкиваются с потрясениями и сбоями в привычных рабочих процессах, а значительная часть их работы теперь заключается в скорочтении результатов, созданных их ИИ-коллегами. Они делают это не бесплатно.

Во-вторых, Anthropic создает постоянно действующую систему раннего предупреждения, которая будет отслеживать профессии, затронутые преобразованиями под влиянием ИИ. Показатели спроса и производительности для различных должностей сопоставляются с возможностями и применением ИИ. Эти сводные показатели помогают выявить, где меняется характер работы. Система раннего предупреждения позволяет компании заблаговременно переводить затронутых сотрудников на должности, соответствующие их навыкам и, возможно, не столь подверженные риску в ближайшей перспективе. По мере того как компании во всей экономике будут перестраивать работу в ускоренном темпе, эффективные системы внутреннего перераспределения сотрудников будут становиться всё ценнее. Чем быстрее развивается ИИ, тем серьезнее будет препятствие, если для каждой новой задачи, порожденной его развитием, придется обращаться к внешнему рынку труда. В этом докладе мы обнаружили, что сотрудники чаще переходят между отделами, содержание работы меняется, а люди переключаются на новые задачи по мере автоматизации прежних. Для организаций, активно использующих ИИ, крайне важно создавать системы гибкого внутреннего перераспределения работников.

Обязательство перераспределять сотрудников внутри компании сопряжено с важными компромиссами. Эффективно работающий рынок труда должен направлять работников на позиции, где они будут наиболее продуктивны, — у нынешнего работодателя или у другого. Обязательство перераспределять уже работающих сотрудников может заставить работодателей с осторожностью относиться к найму новых. В обычных экономических условиях, особенно при острой конкуренции, такие обязательства могут обходиться дорого.

Однако приоритет внутреннего перераспределения заставляет компании, внедряющие ИИ, задуматься о том, как с его помощью создавать новые задачи, продукты и рынки, а не направлять его на замену работников ради сокращения расходов на труд. Это может помочь работодателям не поддаться соблазну «так себе» или «неэффективной» автоматизации, при которой ИИ или другие технологии лишь немного превосходят людей: работодатели увольняют сотрудников, создавая значительные социальные издержки из-за потери дохода вытесненных работников, но получают при этом минимальный прирост производительности.

Судя по тому, что мы видим в Anthropic, наряду с интенсивным использованием ИИ сохраняются как новые задачи, так и задачи, которые по-прежнему выполняют люди. Неопределенность относительно того, какие задачи появятся в будущем, говорит в пользу сохранения гибкости рабочей силы. Как отметил один из руководителей Anthropic, «тревожащиеся за свое будущее сотрудники не могут работать наилучшим образом».

Ни одна из этих мер не предотвратит того, что мощный ИИ изменит рынок труда. И ни одна из них напрямую не решает проблему сокращения найма младших специалистов, о которой говорится в этом докладе. Защита занятости уже работающих сотрудников не поможет тем, кого изначально не наняли. Частные инициативы работодателей должны сопровождаться дальновидной государственной политикой в области переобучения и поддержки доходов. Такая политика должна опираться на четкое понимание масштабов преобразований на рабочем месте, которые может вызвать ИИ.

Рекомендуемая ссылка на публикацию

@techreport{wilmers2026employment,

author = {Nathan Wilmers and Regina Catipon and Maxim Massenkoff and Peter McCrory},

title = {How employment is changing at Anthropic},

institution = {The Anthropic Institute},

type = {Technical Report},

year = {2026},

month = oct,

url = {https://www.anthropic.com/research/employment-at-anthropic}

}

Благодарности

Мы благодарны сотрудникам Anthropic, которые нашли время рассказать в интервью о том, как изменилась их работа. За ценные замечания и помощь мы благодарим Kate Astbury, Shehzad Bashir, Zoe Blumenfeld, Scott Booth, Henry Brill, Yena Cho, Henry de Valence, Adam Farina, Johannes Hermle, Zoe Hitzig, Hasnain Lakhani, Eva Lyubich, Kerry Persen, Kristina Pham, Sarah Pollack, Hannah Pritchett, Georg Rilinger, Santi Ruiz, Szymon Sacher, Florian Scholz, Meg Tong, Monika Tuchowska, Helen Wang, Kim Withee, Charles Yang и Jack Clark.

Список литературы

Acemoglu, Daron, и Pascual Restrepo. 2019. «Автоматизация и новые задачи: как технологии вытесняют и возвращают труд». Journal of Economic Perspectives 33 (2): 3–30. https://doi.org/10.1257/jep.33.2.3

Beraja, Martin, и Nathan Zorzi. 2025. «Неэффективная автоматизация». Review of Economic Studies 92 (1): 69–96. https://academic.oup.com/restud/article-abstract/92/1/69/7612958

Demirer, Mert, Leon Musolff, и Liyuan Yang. 2026. «Написание кода и выпуск кода: влияние на производительность разных поколений инструментов программирования на основе ИИ». Рабочий документ NBER 35275. https://doi.org/10.3386/w35275

Ewens, Michael, и Xavier Giroud. 2025. «Корпоративная иерархия». Рабочий документ NBER 34162. https://doi.org/10.3386/w34162

Favaro, Marina, и Jack Clark. 2026. «Когда ИИ создает сам себя». Институт Anthropic. https://www.anthropic.com/institute/recursive-self-improvement

Hitzig, Zoe, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, и Peter McCrory. 2026. «Агентное программирование и сохраняющаяся отдача от экспертных знаний». Anthropic, 16 июня. https://www.anthropic.com/research/claude-code-expertise

Hosseini Maasoum, Seyed Mahdi, и Guy Lichtinger. 2025. «Генеративный ИИ как технологическое изменение, смещенное в пользу старших сотрудников: данные резюме и объявлений о вакансиях в США». Рабочий документ SSRN 5425555. https://papers.ssrn.com/sol3/papers.cfm? abstract_id=5425555

Huang, Saffron, Bryan Seethor, Esin Durmus, Kunal Handa, Miles McCain, Michael Stern, и Deep Ganguli. 2025. «Как ИИ меняет работу в Anthropic». Anthropic, 2 декабря. https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

Kim, Hyunjin, и Rembrand Koning. 2026. «Компании, изначально созданные на основе ИИ». Рабочий документ Гарвардской школы бизнеса 26–090. https://www.hbs.edu/ris/Publication%20Files/26–090_96f92aa0–37d9–4789-beaa-5c0cb87a4032.pdf

Roodman, David, и Maxim Massenkoff. 2026. «Обзор данных о субсидируемом профессиональном обучении». Рабочий документ Института Anthropic 2026–01. https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs