57%的工作时间已可被自动化：两份研究如何重塑我们对AI与工作的理解

这篇文章基于 The AI Daily Brief 的一期节目，深入拆解 Anthropic 与 McKinsey 两项最新研究，解释“57%工作时间可被自动化”“平均80%任务节省时间”等数字从何而来，以及它们真正意味着什么。文章重点放在任务、技能与人机协作的新现实，而非简单的岗位消失叙事。

从“会不会取代工作”到“到底省了多少时间”，讨论终于落地

为什么这很重要？因为过去三年，关于 AI 与工作的讨论大多停留在假设层面，而企业和个人真正需要的是可量化、可验证的影响。

演讲者一开始就点出了一个关键转折：自 ChatGPT 发布以来，“AI 会不会取代人类工作”成了宏观层面的最大问题，但长期缺乏现实数据支撑。他直言，过去这些讨论“largely theoretical”，更多是想象而不是观察。

真正的变化来自研究方法的进化。Anthropic 和 McKinsey 都不再只问“有没有人在用 AI”，而是进一步追问“它到底有多有用”。正如 Anthropic 在公告中所说：“The Anthropic Economic Index tells us where Claude is used and for which tasks， but it doesn't tell us how useful Claude is. How much time does it save？” 这是从使用率走向影响力的关键一步。

演讲者还顺带提到自己正在做的 AI ROI 基准研究，甚至半开玩笑地插入了一句推广：“See how smoothly we integrated that right there.” 这个细节本身就很说明问题——行业已经开始认真比较 AI 投入产出，而不再满足于炫技式 demo。

Anthropic 的方法论：用10万次真实对话估算“时间被省在哪”

为什么这很重要？因为“AI 提高效率”如果不能拆解到具体任务，就无法指导真实的工作重构。

Anthropic 的研究基于约 10 万次 Claude 对话。他们为每个任务生成两个核心估计：一是“不用 AI，人类完成该任务需要多久”，二是“在 AI 辅助下需要多久”。两者的差值，就是时间节省。

这里有一个容易被忽略的技术细节：估算任务时长本身就极其困难。Anthropic 团队并没有完全相信模型的直觉，而是用大量现实世界数据进行校验，比如来自 Jira 工单的数千个真实软件开发任务，用来验证 Claude 的预测是否与真实结果相关。最终结论是：模型预测与现实结果存在“meaningful correlation”，足以用于横向比较和长期追踪。

结果就是那条最吸睛的 headline：平均约 80% 的时间节省，任务中位数甚至达到 84%。但演讲者反复强调“there is a lot of nuance here”。不同职业任务时长差异巨大：食品准备、安装维护、运输类任务平均只需 20–30 分钟，而投资相关任务约 2 小时，法律任务约 1.8 小时。

更重要的是节省并不均匀。检查诊断影像这样的任务，只节省了约 20%，因为专家本来就能很快完成；而“从多份报告中汇编信息”则高达 95%。这让“哪些任务值得先用 AI”有了非常具体的答案。

把任务推向宏观：1.8% 的生产率增长意味着什么

为什么这很重要？因为微观任务效率，最终会累积成宏观经济的长期变化。

在保持模型能力不变、假设 AI 用 10 年时间在美国经济中实现普及的前提下，Anthropic 的估算显示：仅基于当前 Claude 的能力，就可能带来每年约 1.8% 的劳动生产率提升。

演讲者提醒，这个数字乍一看并不惊人，但放在历史尺度上意义巨大。它“would nearly double the current long-term growth rate”，并接近二战后以及 1990 年代末的高增长时期。这不是某个行业的局部优化，而是可能改变整体经济节奏的变量。

值得注意的是，这个推算极其保守：没有假设模型继续变强，也没有假设组织结构发生激进变化。换句话说，这只是“今天的 AI + 明天的普及率”，而不是“明天的 AI”。这也解释了为什么演讲者对持续、长期的 ROI 基准如此执着——趋势比单点数据更重要。

McKinsey 的结论更激进：57% 的工作时间已可被自动化

为什么这很重要？因为 McKinsey 直接挑战了“岗位”这个分析单位，改用“技能”和“工作时间”。

McKinsey 的报告《Agents， Robots， and Us： Skill Partnerships in the Age of AI》试图摆脱简单的“工作消失论”，转而用技能作为最小分析单元。他们估算：在今天的技术条件下，美国约 57% 的工作时间已经具备自动化潜力。

如果企业围绕 AI agents 重新设计工作流程，McKinsey 认为到 2030 年可能释放 2.9 万亿美元的年度价值。他们还将不同职业划分为七种人、agent 和机器人协作的原型，用来理解未来分工模式。

一个与 Anthropic 高度一致、但颠覆直觉的发现是：自动化并不首先冲击低薪工作。Anthropic 发现高薪职业的任务往往更耗时，因此 AI 节省空间更大；而 McKinsey 自动化潜力最高的 agent-centric 原型，平均年薪约 7 万美元。

与此同时，两家机构都发现了新的瓶颈：当单个任务被压缩 80% 后，真正限制效率的变成了人类的协调、监督与决策。这不是技术瓶颈，而是组织瓶颈。

对个人意味着什么：别再只看“岗位安全”，而要看技能坐标

为什么这很重要？因为大多数人无法决定宏观趋势，但可以调整自己的技能结构。

McKinsey 的“技能变化指数”用一个四象限图给出了直观框架：纵轴是需求增长，横轴是自动化暴露度。演讲者的建议非常直接——“低自动化暴露 + 高需求增长”是最有价值的位置。

但他也特别提醒，高需求、高自动化并不等于“不要碰”。恰恰相反，这些领域往往是转型最剧烈的地方，新的技能组合和角色定义会在这里诞生。

节目最后，他将视角拉回未来几年最值得关注的主题：人机混合团队的协作模式。他判断，2026 年我们会看到大量基于任务 ROI 的研究，以及一整套关于“人类 + AI agent 如何共事”的新模板。这标志着讨论终于从想象走向实践。

总结

这期节目最有价值的地方，不在于某个惊人的数字，而在于分析单位的转变：从岗位到任务，从任务到技能。从 Anthropic 的 10 万次对话，到 McKinsey 的 57% 工作时间，这些研究共同说明，AI 正在系统性重塑“工作是如何被完成的”。对组织而言，关键在于重构流程；对个人而言，关键在于选择合适的技能位置。未来不再是人或 AI 的问题，而是人如何与 AI 结成高效搭档。

关键词： AI自动化， Anthropic Economic Index， McKinsey AI研究， Claude， AI Agent

事实核查备注： 视频来源：The AI Daily Brief；研究机构：Anthropic、McKinsey；关键产品：Claude、ChatGPT；核心数字：10万次对话样本、平均80%任务时间节省、1.8%年劳动生产率提升、57%美国工作时间可自动化、2030年2.9万亿美元潜在价值；报告名称：《Agents， Robots， and Us： Skill Partnerships in the Age of AI》