直接回答：2026 年 9 月 17 日，Anthropic 发布了其研发自动化指数（R&D Automation Index），这是首个详细公开衡量前沿模型实验室内部有多少工作真正由 AI 完成的测量。核心结论是：截至 2026 年 8 月，Claude“主导”了公司 26% 的模型研发工作，而同年 2 月还不到 1%；其中超过 90% 的工作处于“协作”级别或更高，且没有任何被测量的类别达到完全自主。对你的企业来说，最重要的不是这个数字，而是背后的方法，因为你可以用手头已有的工具在自己的业务中复现它。

Anthropic 实际发布了什么

大多数关于“我们有多少工作已经自动化”的讨论都靠印象。一位经理说团队一半的工作已经自动完成；同一团队的一位开发者却说工具只会写样板代码。Anthropic 所做的，是把这个问题变成一项可重复的测量，用固定的方法论取代印象。

其核心思路很简单：把模型研发部门内实际进行的每一种工作编目，用一个反映模型参与程度的量表给每种工作打分，再按反映每种工作重要程度的权重把这些分数汇总起来。公司将该指数描述为原型而非最终测量，并把它定位为一项更广泛努力的一部分，旨在缩小前沿实验室所知与公众所知之间关于这项技术发展速度的差距。

六级量表：从 AL0 到 AL5

该量表来自 Epoch AI，名为自动化等级（Automation Level），从零到五：

  • AL0：完全没有 AI 参与。
  • AL1 和 AL2：最低限度的参与，然后是辅助——由人完成工作，模型提出建议或加快一些小步骤。
  • AL3，“协作”：模型在人类密切、持续的指导下完成任务的大块内容。
  • AL4，“主导”：模型根据一条高层次指令，从头到尾完成任务的大部分，并接受人类监督。
  • AL5：无人参与的完全自主——在任何被测量的类别中都未达到。

当 Anthropic 说“26%”时，指的正是达到 AL4 的类别。在运营层面真正重要的是 AL3 与 AL4 之间的差距：在前者，人始终参与每一个步骤；在后者，人的角色转为设定目标和审核产出。

报告中最重要的数字不是 26%

方法论中埋着一个比标题更值得关注的数字。将模型给出的自动化评分与实际做这项工作的员工给出的评分相比，两者在 59% 的情况下完全一致，在 97% 的情况下相差不超过一个等级。而将一名员工的评分与同事对同一工作的评分相比，两者仅在 35% 的情况下一致。

说白了：人们彼此之间对自己工作的自动化程度的分歧，比他们与模型之间的分歧还大。这就解释了你公司里那些没有结论就散场的会议。如果同一团队的两位同事连自己工作的描述都无法达成一致，那么任何建立在集体印象之上的 AI 投资决策都站在松软的地基上。解决办法不是更多讨论，而是一个书面的、固定的衡量标准，按一定间隔对同一对象反复应用。

如何在一周内搭建你自己的指数版本

Anthropic 描述的方法论可以缩小到中型企业的规模。步骤简述如下：

  • 编目真实工作，而不是岗位说明：Anthropic 在 2026 年 7 月从相关部门随机抽取了 20% 的员工，根据内部对话和文档审查他们的实际工作，得到约 15,000 项细粒度任务。对你来说，一个小得多的样本就够了：一到两个团队真实的一周工作。
  • 把任务整理成一棵树：这 15,000 项任务被归入一棵有 542 个节点的树，其中 378 个是叶子类别。中型企业有三十到五十个叶子类别就能得到有用的全景。
  • 按时间加权，而不是凭感觉：他们用每项任务投入的人员工时作为其重要性的代理指标。这样可以避免那些光鲜但影响小的任务主导全景。
  • 在 AL0–AL5 量表上给每个类别打分：并写一行打分理由，以便日后复核。
  • 冻结任务篮并重新测量：关键在于类别清单一旦建好就冻结，使每次重新测量都针对同一对象，而不是一份新清单。不冻结的话，你测量的是清单的变化，而不是自动化的进展。

这项工作的产出不是一个用来炫耀的数字，而是一张地图，告诉你 AI 在你的业务中实际处于什么位置：哪些类别已达到“协作”并值得深化自动化，哪些类别消耗大量工时却仍为零——这些正是你最近的机会。

“主导”级别在实践中意味着什么

当你公司的某个工作类别达到 AL4 时，改变的是管理方式，而不只是团队规模。指导变为高层次的，审核转移到最终产出，这意味着产出质量取决于两件事：书面指令的清晰程度，以及在任何不可逆影响之前设置的审核点——无论是发给客户的内容、对真实数据的修改，还是一项财务承诺。

在我们为客户构建的项目中，这正是你可以依赖的自动化与让你担心的自动化之间的区别。模型可以主导整个任务，但它周围的系统决定了模型出错时会发生什么：错误是出现在可审查的日志中并停在审批关口，还是直接送到客户手中？从 AL3 走向 AL4，首先是一个系统设计决策，其次才是对模型信任与否的问题。

Anthropic 自己指出的局限

公平起见，必须指出公司为自己的测量设定的局限：没有任何独立的外部机构验证过它，而且它在很大程度上是借助 Claude 本身完成的，也就是说被测量的模型参与了测量，这可能把它的错误带入判断。Anthropic 表示计划日后引入第三方评估者。以 2026 年 7 月为基线冻结任务篮，也意味着此后出现的工作类别不会计入。

所以要如实看待这个数字：它是来自前沿实验室内部的强烈方向性信号，而不是关于劳动力市场的定论。六个月内从不到 1% 跃升到 26%，无论小数点精确与否，都值得关注。

从哪里开始

从一个团队、一周时间开始。记录团队实际做了什么，归入三十个类别，在量表上给每个类别打分，冻结清单，三个月后重新测量。你最终会拥有大多数公司今天都没有的东西：一个可以用来比较而不是争论的书面基线。如果你想把那些得分为零的类别变成真正运行的系统，这正是我们在 Origami 所构建的。

资料来源

  • Anthropic——衡量前沿实验室内部 AI 发展的速度：anthropic.com
  • Epoch AI——指数中使用的自动化等级量表：epoch.ai