Anthropic 預期落差調查，91% 員工與 39% 公眾差在哪裡

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

Anthropic 的研究部門 The Anthropic Institute 在 2026 年 10 月 16 日發布技術報告《The AI Expectations Gap》（台北時間 17 日凌晨上線），做了一件過去沒人做過的事：用同一份問卷，同時量「美國一般成人」與「一家前沿 AI 實驗室全體員工」對 2030 年的預期，再把兩組答案並排。報告全文與摘要都公開在官方研究頁上。

問卷本身在更早的 8 月執行。市調機構 Morning Consult 在 8 月 11 日到 23 日訪問了 10,980 位美國成人，樣本加權到接近全國成人結構；Anthropic 內部民調則在 8 月 9 日到 12 日收到 1,334 位員工的回答，來自公司各部門，未加權。報告由 Sacher、Cotter、Jones、Korinek 與 McCrory 五人署名，同日另發一篇導讀貼文，搭配一份內部就業變化報告一起閱讀。

看到「91% 的 Anthropic 員工認為 AI 在 2030 年前能做出諾貝爾獎級發現，美國公眾只有 39%」這樣的標題，多數人會帶著幾個疑問：91% 是在預言得獎嗎？哪一邊的看法比較準？這些數字對台灣的職場有沒有意義？接下來按報告原文逐項拆開。

91% 與 39% 量的究竟是能力期待

問卷的核心設計，是把「AI 做得到」與「企業會不會真的交給它做」分成兩組題目。能力題列出八類任務，從寫例行電子郵件到做出諾貝爾獎級的科學發現，問受訪者「AI 何時能做得跟熟練的專業人士一樣好」，年份選項一路到 2030 年，也包含「永遠做不到」。

幾個關鍵數字都出自這組題目。2030 年前做出諾貝爾獎級發現：美國成人 39%、Anthropic 員工 91%。難度低一階的「設計、執行並發表科學研究」，明年（2027 年）就做得到：員工約九成、公眾 38%。換句話說，91% 量的是「屆時技術上做得到」的判斷，與得獎機率或對科學突破的信心程度是兩回事。

轉到受訪者自己的工作，差距更切身。到 2030 年，AI 能承接自己現有工時的比例：美國工作者平均估 28%，Anthropic 員工平均估 75%。更極端的分布差在尾端：僅二十分之一的美國工作者認為 AI 能做到自己八成以上的工時，員工則有超過一半這樣認為。

讀這些數字前，兩份樣本的體質要先記住。美國成人是線上自願樣本加權，官方腳註明說這排除了不上網的人口，且加權無法修正所有選樣差異；員工端是內部民調、自願填答、未加權，反映的是「這家公司參與調查的員工」的看法，不能代表所有 AI 研究者。未來題還有個細節：美國成人拆成兩半，一半問 2027 年、一半問 2030 年，報告全篇以 2030 年組為主。

Pin

兩組人真正分歧的地方比標題少

如果把焦點從標題數字移開，這份報告最有價值的發現其實是：兩組人的共識比想像中多，分歧集中在很特定的地方。

對「今天的 AI 能做什麼」，兩組判斷相當接近，任務越複雜越接近；八類任務的難度排序，兩組幾乎一致。約四分之一的美國成人與員工都認為，AI 今天已能設計、執行並發表科學研究。真正拉開差距的題目落在未來速度：視任務不同，有 19% 到 40% 的美國成人認為某些任務 AI 永遠做不到，選這個答案的員工至多 2%。最大的落差出現在諾貝爾級題組：91% 對 39%，相差 52 個百分點。

更值得注意的是失業預測。研究員先告知受訪者當前美國失業率約 4.2%，再請他們預測 2030 年。結果呈現一條整齊的梯度：預期自己工作被 AI 承接不到一半的人，預測失業率 7% 到 8%；預期被承接超過八成的人，平均預測 12.2%，高於金融海嘯時的高峰；自身工作每多十個百分點交給 AI，失業預測平均多 0.4 個百分點。而報告明確寫出：放在相同的自身暴露水準下，兩組人的失業預測幾乎一致。

這是整份報告最重要的洞察。員工與公眾並非抱著兩套互相衝突的經濟直覺，他們對「自己的工作被 AI 吃掉多少，就業市場會多痛」的推理方式幾乎相同，差別只在餵進這套直覺的輸入：對進步速度與自身暴露的估計。報告用的說法是，兩組人對勞動市場有相似的理論，不同的只是經驗。

還有一個方向相反的細節：被問到「2030 年因 AI 自動化失業、需要轉換職業的人要多久找到新工作」，員工的中位數答案是 12 個月，美國成人的中位數落在 7 到 12 個月區間。離技術最近的這組，在轉職摩擦上反而略為悲觀。

員工的預期錨在正在發生的工作

那 91% 的信心從哪裡來？報告裡另一組題目給了線索：研究員問 Anthropic 員工，「建造一座 2026 年初水準的前沿模型」這件事，今天已經有多少比例由 AI 完成。中位數答案是 51%；到 2027 年底是 80%，2030 年底是 95%。離模型建造最近的研究團隊成員，對今天的估計平均 60%，高於其他部門的 53%。官方在圖註特別聲明，這是員工個人估計，不代表公司的測量或預測。

同日發布的導讀貼文補上了背景。根據搭配的內部就業報告，2026 年 3 月起，Anthropic 內部 AI 代理累積的工作時數已超過人類員工；到 8 月，代理數量約為員工的六倍。初級職缺與技術職的佔比都在下降，工程師採用編碼代理後，單月新增的程式碼行數約為過去的三倍，銷售與法務的人均產出也上升。貼文的結論是：加速之後，瓶頸正在變成人類的注意力，員工花更多時間建造監控代理工作的機制。

Pin

這與公司先前公布過的研發量測方向一致：Anthropic 在 8 月公布的研發步調量測裡估計，Claude 已主導內部約 26% 的模型研發工作。把這些放在一起看，員工問卷裡的高預期更像在描述現在進行式，而非押注未來。外部也有對照組：AI 前沿到底擴張多快，是連實驗室負責人之間都還在激烈爭辯的題目。

公眾端也有內部梯度支撐「經驗塑造預期」的解讀。在工作上常使用 AI 的美國成人（約佔五分之一）裡，56% 認為 2030 年前八項任務中至少七項 AI 能做到；全體成人是 41%，從未用過任何 AI 工具的人是 28%，員工則是 96%。常使用者的高預期仍未追上員工，但方向一致。

報告腳註還留了一個會讓數字過時的訊息：9 月 17 日到 24 日，Morning Consult 用同一份問卷複測了 7,613 位美國成人。諾貝爾級發現的期待從 39% 升到 44%，中位數情境的 GDP 成長率從 5.4% 微升到 5.6%。一個月內五個百分點的移動，提示公眾端數字並非固定地形，會隨使用擴散而漂移。

5.4% 與 17.1% 是情境輸出，不能當預測讀

媒體轉述時最容易被放大的是兩個 GDP 數字。把受訪者的答案（完整回答五道關鍵題的 3,259 位成人與 1,093 位員工）逐一代入研究團隊先前發表的經濟情境模型後，美國成人的中位數答案對應 2030 年當年 GDP 成長 5.4%，員工中位數對應 17.1%。員工那組相當於每四年半讓經濟規模翻一次，是歷史上未見的速度。

這兩個數字的正確讀法是「假設的後果」。模型本身設了三個基準情境：溫和（年成長 2.4%）、實質（5.4%）、極端（15.4%），中位數公眾剛好落在實質情境附近。但兩組內部差異都很大，分布大幅重疊；同一套模型，換一組答案就會得出很不一樣的結果。研究團隊另外納入了 23,075 名在情境工具上線 48 小時內自行作答的網站訪客，這群自選樣本對 AI 的興趣明顯偏高，只能當參照，不具人口代表性。

Pin

招聘題同樣要小心讀。95% 的員工預期 Anthropic 未來 12 個月人數會成長，中位數預期增幅 66%，27% 預期至少翻倍。官方緊接著聲明：這是內部民調的個人預期，不代表公司招聘計畫。自動化任務與裁減人力是兩種不同的預測，在這家實驗室內部，多數人預期兩者同時成立。

採用與省時，是另外兩層常被合併的數字

報告把「能力」之外又拆出兩層，各有各的落差。

採用層問的是：在 AI 能勝任的工作任務裡，2030 年前會有多少比例真的由 AI 處理。美國成人預期 42%，員工預期 65%。公眾端另有一題障礙清單，九個選項最多選三個。被選最多的是「客戶偏好跟真人往來」，接著是資料隱私與安全、可靠性，以及法規與責任。有意思的是使用經驗造成的反轉：工作上常使用 AI 的人，把資料隱私與安全排第一的比例（42%）高於其他人（37%），對客戶偏好的在意程度反而略低。

省時層的落差最大。想到一件 AI 很適合的任務（例如摘要文件、起草信件），並把檢查與修正的時間算進去：工作上使用 AI 的美國成人裡，26% 說整件任務只需原本四分之一以下的時間，員工是 59%。反過來看，29% 的公眾使用者說用 AI 花的時間一樣久或更長，員工只有 5%。

這三層分開，是整份調查最可搬移的方法論。相信「AI 能做到」與相信「公司會放行」與相信「真的省到時間」，是三個可以分開檢驗、也常常脫鉤的假設。調查裡最會高估能力的人，未必是最敢交付任務的人。

能直接搬走的是拆法，不是數字

先畫邊界：這份調查的兩組樣本，一組是美國成人、一組是一家美國 AI 公司的員工，沒有台灣樣本。39%、91%、28% 這些數字對台灣職場沒有直接移植價值，把它們當成「全球共識」或「台灣落後指標」都會誤導。

能搬走的是問卷的骨架。替自己或團隊做 AI 導入規劃時，把預期拆成能力、採用、省時三層各自寫下來：你認為 AI 今天能做哪些事？組織實際會放行哪些？放行之後，來回修正的時間成本是多少？哪一層最不確定，下一步就測哪一層。這比直接抄某一方的人數比例有用得多。

追蹤方式也比預言可靠。挑一件每週重複的任務，留下使用前後的紀錄：完成時間、修正次數、覆核成本。日後再調整自己對 2027 或 2030 的判斷時，手上有自己的紀錄資料，而不是別人家的百分比。若想跟著總體勞動市場的辯論走，Bezos 的 AI 缺工預言與機器人成本研究是同一條討論線上的另一個極端，可對照閱讀。

還沒定案的部分

這份調查的設計無法回答兩組人誰的預測比較接近未來。接近技術可能帶來資訊優勢，也可能帶來選樣與立場偏差，要等實際結果出來才能回頭檢驗。9 月的複測已經顯示公眾數字會移動，之後幾季再測，落差的形狀可能又不一樣。

之後要追蹤也有幾個明確的點：Anthropic Institute 的內部就業報告、持續更新的經濟指數報告、以及 AI 自我改進進度的後續報告。這份調查 9 月已經複測過一次，之後幾季再測，百分比會繼續移動，最新數字以官方研究頁為準。

「實驗室的人比較樂觀」只是標題；真正值得帶走的是把期待拆成能力、採用、省時三層再各自檢驗的方法。你自己落在哪一層最不確定，就從那一層開始補證據。