一个从未敲过一行代码的会计，真能碾压科班出身的程序员？
乍一听，简直匪夷所思。
就在昨日，Anthropic 发布一份重磅实证报告，用近40万次真实用户会话数据，把这一反常识的答案，狠狠砸在了行业面前——可以，而且差距微乎其微。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在严格遵守隐私合规的前提下，Anthropic“潜入”了2025年10月至2026年4月间、约23.5万名用户的Claude Code交互日志，累计分析近40万次对话。
他们将每一场对话逐帧解构：谁在定方向？谁在做判断？谁在兜底？结果是否落地？最终提炼出一个足以重塑行业认知的核心结论：
决定AI编程成败的关键，从来不是你的编程履历，而是你对自身业务场景的理解深度。
换言之，AI编程非但没有筑高门槛，反而成了各行业“真懂行者”的超级杠杆。
如今，Claude Code用户平均每周投入该工具超20小时——五天工作日，日均四小时，甚至超过许多人与家人共处的时间。
一个直击本质的问题随之浮现：当这类工具以如此强度渗透日常，知识型职场人的未来，究竟会被推向何方？
Anthropic这份报告，正是用真实行为数据给出的第一份早期风向标。
人定目标，AI执行
先看一组硬核数据。
Anthropic构建了一套「决策归因分类器」，将每次会话中的关键决策一一分解：哪些属于“规划类决策”——比如要解决什么问题、采用何种路径、怎样才算真正完成；哪些属于“执行类决策”——比如修改哪个文件、写哪段逻辑、选用哪种语法、运行哪条命令。
随后，逐一标注每一项决策由人类还是Claude作出。
结果一目了然：人类承担了约70%的规划类决策，Claude则完成了约80%的执行类决策。
一句话概括：人负责定义“造什么”，AI专注搞定“怎么造”。
你只需清晰表达需求，其余所有细节操作，它全包了。
更值得注意的是：谁掌握主导权，Claude的行为模式就随之切换。
当用户牢牢掌控执行环节（执行决策占比超80%），Claude平均每轮仅执行约8个动作，全程高度服从；而一旦Claude获得规划主导权（规划决策占比超80%），它单轮动作数直接翻倍至16个——工具一旦被充分授权，效能即刻释放。
这种默契的人机协作，恰似一位指挥官带领一支全能执行部队：你无需亲手砌墙，但必须清楚这栋楼该长成什么样。
专业度，只与任务有关，无关头衔
最颠覆认知的，是报告中对“专业度”的重新定义——它和你的职称、学历、从业年限统统无关，而是高度任务导向的。
一位深耕系统架构多年的工程师，第一次尝试Rust语言时，在Rust相关任务上就是彻头彻尾的新手；而一名零Python基础的财务人员，只要能精准告诉Claude：月末关账必须拦截哪三类异常流水、哪些税务口径差异常被忽略、AI生成的校验逻辑漏掉了哪条监管红线——那他在该任务上，就是无可争议的领域专家。
这才是报告最具穿透力的洞见：专业性不在于你会多少工具，而在于你对问题本质的把握有多准。
数据对比触目惊心：
新手对话中，每条指令平均触发约5个Claude动作、产出约600词响应；而专家级对话中，动作链跃升至12个，响应量暴涨5倍——达3200词。
这一差距，在所有职业类型、所有任务复杂度区间内，均稳定复现。
面对同一款AI，懂行者能撬动数倍于他人的生产力。拉开差距的，从来不是工具本身，而是大脑里装了多少真实业务逻辑。
新手最容易中途弃权
谁用得更成功？
答案，依然牢牢锚定在“懂行”二字上。
Anthropic设计了一套极为严苛的成功判定标准：先由分类器通读整场对话，判断用户是否达成原始目标；再叠加“硬性证据”交叉验证——必须存在git提交记录、测试通过日志，或用户明确确认等可追溯信号。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
按此口径统计：新手会话成功率为15%，中级用户跃升至28%，高级与专家用户则稳定在33%。
但真正关键的信息，藏在这条曲线的斜率里——最大跃升，恰恰发生在“新手→中级”这一跃迁节点。
这意味着：你无需成为领域宗师，只要具备“够用的专业判断力”，就能吃下绝大部分AI红利。
从中级迈向专家，边际收益明显放缓。
遭遇挫折时的分化更为显著。
当会话出现报错、反复调试、用户情绪失控——Anthropic将此类情形统称为“遇困会话”——新手最终破局（即在“遇困”前提下仍达成验证成功）的概率仅为4%，专家则达15%。
专家并非不会踩坑，而是知道如何把AI重新拽回正轨。
更值得警醒的是：在那些“被判定失败、且全程未写任何代码即放弃”的会话中，19%的新手直接退出，其他经验层级用户仅为5%–7%。
经验最浅者，往往最先缴械——他们输的不是技术，而是不知道下一句该对AI说什么。
职业身份？正在快速失焦
至于你是程序员、律师，还是产品经理？
说实话，越来越不重要了。
Anthropic采用美国劳工统计局（BLS）的职业分类体系，将用户映射至23个大类。
分类器被明确约束：不得因用户正在编写代码，就将其自动归为程序员。
一位律师用Claude开发了一份合同关键条款自动识别脚本，他仍被划入法律从业者——因为其核心价值在法律判断，代码只是实现手段。
在此基础上，软件相关职业的验证成功率约为30%，其他职业约为26%；在实际产出代码的会话中，二者分别为34%与29%。
若采用更宽泛的“部分成功”标准（如生成可用原型、通过初步测试等），差距进一步收窄至仅1个百分点——89% vs 88%。
数据集中规模最大的十大职业，成功率全部落在软件工程师水平上下7个百分点区间内。且该差距在七个月观测期内既未扩大，也未缩小——双方能力曲线同步上扬。
最令人意外的是：管理岗位的验证成功率，甚至小幅超越程序员。
Anthropic亦对此展开归因分析——可能源于管理者更擅长在对话中精准锚定“我要的就是这个”，也可能因为调度AI与带领团队本就是同一种底层能力：把目标拆解清楚、把方向锚定准确、在关键岔路口果断拍板。
这一发现或将重写“AI时代谁最稀缺”的命题——答案不再是编码最强的人，而是提问最准、定义问题最深的人。
这，仅是一份初版答卷
当然，Anthropic自身态度极为审慎。
他们坦承：当前“成功率”仅基于会话内容的模型判别，无法反映代码是否真正上线、是否带来实际商业回报。
结论尚属初步，切勿神化。
但趋势已足够清晰，清晰到令人脊背发凉：在AI编程语境下，写代码的技术门槛正加速消融，而“懂业务”的认知溢价却在指数级飙升。
Claude Code正在上演的一切，或许只是知识型工作整体演进的一次先导预演——
代码，人人都能让AI写出；但能否把问题想透、把需求说到根上，才是这个时代真正硬通货。
参考资料：
https://www.php.cn/link/f6e3c57839d8f5d1e52ed0b2c58105be
本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。
