我们下篇见。
Anthropic最新研究报告:AI已能自主工作45分钟,普通人的＂躺赢＂机会就在这里读完这篇报告，我后背发凉, 因为现在是自主工作45分钟，几个月后可能就是450分钟，even更长。 上周五深夜，我把Anthropic最新发布的这篇研究报告从头到尾读了两遍。 读完之后，我坐在那里发了很久的呆。 不是因为恐惧。而是因为一种很具体的、落地的感觉涌上来——那扇窗户，现在还开着。但它正在慢慢关上。 这篇报告不是PR稿，不是产品发布会，是Anthropic的研究团队用真实数据分析了数百万次人类和AI Agent（AI智能体）之间的交互之后，写出来的。里面有几个数据，我觉得每个人都应该看到： AI Agent自主工作的时间，三个月内翻倍了，从25分钟到超过45分钟 越有经验的用户，越少"逐步审批"AI的每个动作，越多地直接放手让AI跑 目前AI Agent的使用，将近50%集中在软件工程领域，但医疗、金融、网络安全正在快速涌入 这意味着什么？意味着我们正处在一个极其罕见的窗口期：AI的能力已经远超大多数人给它的权限——它能做的，比人们敢让它做的多得多。 这个"能力溢出"的空间，就是普通人的机会所在。 下面，我把这篇报告完整翻译给你看。翻译完之后，我会告诉你，我们这些"非技术人"，具体应该怎么做。 ⁑ ⁑ ⁑ 【报告全文翻译】AI智能体自主性测量 AI智能体已经到来。它们正在被部署到各种各样的场景中——从邮件分类到网络间谍活动，风险跨度极大。理解这个光谱对于安全部署AI至关重要，但我们对人们在现实世界中如何使用智能体，其实知之甚少。 我们通过隐私保护工具，分析了Claude Code和公开API中数百万次人类与智能体的交互，试图回答：人们给了智能体多大的自主权？随着经验积累，这种授权会如何变化？智能体在哪些领域运作？这些行动有多大风险？ 核心发现如下： 1. Claude Code自主运行时间越来越长。 在运行时间最长的那批任务中，Claude Code在停下来之前自主工作的时长，三个月内几乎翻倍——从不到25分钟增长到超过45分钟。这个增长在多次模型发布之间是平滑的，说明并非纯粹是模型能力提升导致的，而是现有模型在实际使用中发挥的自主性，远低于它们真实能达到的水平。 2. 有经验的Claude Code用户更频繁地开启"自动审批"，但也更频繁地主动打断。 随着用户积累使用经验，他们倾向于停止逐一审查每个操作，转而让Claude自主运行，只在必要时介入。新用户中约有20%的会话使用完全自动审批，有经验的用户这一比例超过40%。 3. Claude Code主动暂停寻求澄清的次数，多于人类打断它的次数。 除了人类主动暂停，智能体自身主动暂停也是部署系统中重要的监督形式。在最复杂的任务中，Claude Code寻求澄清的频率是人类主动打断的两倍以上。 4. 智能体在高风险领域使用，但尚未大规模铺开。 公开API上的大多数智能体行为风险较低且可逆。软件工程占了近50%的智能体活动，但医疗、金融和网络安全领域的使用正在兴起。 我们的核心结论是：有效监督智能体，需要新的部署后监控基础设施，以及帮助人类和AI共同管理自主性与风险的全新交互范式。 一、研究智能体 智能体很难进行实证研究。首先，对于什么是智能体，目前没有公认的定义。其次，智能体正在快速演进。去年，许多最复杂的智能体（包括Claude Code）都只涉及单一对话线程，而今天，已经出现了可以自主运行数小时的多智能体系统。此外，模型提供商对客户智能体架构的了解非常有限——我们没有可靠的方法把对API的独立请求关联成连贯的"智能体会话"。 面对这些挑战，我们采取了以下研究策略： 我们将智能体定义为：配备了工具、能够采取行动的AI系统——比如运行代码、调用外部API、向其他智能体发送消息。研究这些工具的使用情况，能让我们了解智能体在真实世界中的行为。 我们从两个数据源进行分析，各有优劣： 公开API：让我们能广泛了解数千个客户的智能体部署情况。我们在单次工具调用层面进行分析，虽然无法重建完整的会话行为序列，但能做出有依据、一致的现实世界观察。 Claude Code：作为我们自己的产品，我们可以跨会话关联请求，完整了解从头到尾的智能体工作流。这使Claude Code特别适合研究自主性——比如智能体运行多久不需要人类介入、什么触发了中断、用户随经验积累如何调整监督方式。但它只是单一产品，主要用于软件工程。 通过结合两个数据源，我们能回答单独靠任何一个都无法回答的问题。 二、Claude Code自主工作时间越来越长 在Claude Code中，我们可以直接测量：从Claude开始工作到停下来（无论是完成任务、提问，还是被用户打断），中间经过了多长时间。 大多数Claude Code的"回合"（turn）时间很短，中位数约45秒，过去几个月基本稳定在40到55秒之间。对于一个正在快速增长的产品来说，这是可以预期的：新用户加入后，因为经验较少，不太可能给Claude充分的自主权。 真正有说服力的信号在尾部。 最长的那些回合，揭示了Claude Code最雄心勃勃的使用方式，也指向了自主性的发展方向。从2025年10月到2026年1月，第99.9百分位的回合时长几乎翻倍，从不到25分钟增长到超过45分钟（见下图）。 值得注意的是，这个增长跨越了多次模型发布，是平滑的。如果自主性纯粹是模型能力的函数，我们会期待在每次新版本发布时看到跳跃式的增长。这种相对平稳的趋势，反而说明了另一些因素在起作用：资深用户随着时间积累对工具的信任、尝试更有雄心的任务、以及产品本身的持续改进。 我们还分析了Anthropic内部的Claude Code使用情况。从8月到12月，Claude Code在内部用户最具挑战性任务上的成功率翻倍，同时每次会话中人类干预的平均次数从5.4次降至3.3次——用户在给予Claude更多自主权的同时，也在取得更好的结果。 这两组数据都指向一个重要现象："能力溢出"（deployment overhang）——模型实际能处理的自主性，远超其在现实中被允许发挥的程度。 顺便比较一下：外部机构METR估计，Claude Opus 4.5能以50%的成功率完成需要人类工作近5小时的任务。而Claude Code中第99.9百分位的回合时长只有约42分钟。两者并不直接可比——METR的评估是在没有人类交互的理想化环境下进行的，而我们的数据反映的是现实中Claude会暂停寻求反馈、用户会主动打断的真实情况。这进一步说明：在实践中授予模型的自主权，远远落后于它们真实能处理的水平。 三、有经验的用户：更多自动审批，也更多主动打断 随着经验增加，人们会如何调整与智能体的协作方式？ 我们发现，随着用户积累Claude Code的使用经验，他们会给予Claude更多自主权（见图2）。新用户（少于50次会话）在约20%的会话中使用完全自动审批，到750次会话时，这一比例增长到超过40%。 这种转变是渐进的，反映了信任的稳步积累。值得注意的是，Claude Code默认要求用户手动审批每个操作，所以部分转变也可能是用户随着对Claude能力的熟悉，主动调整了产品设置。 审批每个操作只是监督Claude Code的方式之一。用户也可以在Claude运行时主动打断，提供反馈。我们发现，打断率也随着经验增加而上升：新用户（约10次会话）在5%的回合中打断Claude，而有经验的用户打断率约为9%（见下图）。 打断增加和自动审批增加同时发生——这看起来像是矛盾，但其实反映了用户监督策略的转变： 新用户：更倾向于在每个动作执行前逐一审批，因此很少需要中途打断 有经验的用户：更倾向于让Claude自主工作，在出问题或需要调整方向时再介入；更高的打断率也可能反映他们对何时需要介入有了更敏锐的直觉 这个发现很重要：有经验的用户并非放弃了监督，而是换了一种更主动的监督方式。 有效的监督并不要求审批每一个动作，而是要在关键时刻处于能够干预的位置。 四、Claude Code主动求问，比人类打断更多 当然，人类不是塑造自主性的唯一力量。Claude本身也是主动参与者——当它不确定如何进行时，会自行停下来寻求澄清。 我们发现，随着任务复杂度增加，Claude Code寻求澄清的频率也在增加——而且比人类主动打断的频率更高（见下图）。 在最复杂的任务中，Claude Code寻求澄清的频率是最简单任务的两倍以上，说明Claude对自身不确定性有一定的校准能力。 以下是Claude Code停止的常见原因，以及人类打断Claude的常见原因对比： 这些发现表明，智能体主动停止是部署系统中一种重要的监督形式。训练模型识别并主动向人类报告自身不确定性，是一种重要的安全特性，与权限系统、人类监督等外部保障互为补充。 五、智能体在高风险领域使用，但尚未大规模铺开 人们在用智能体做什么？这些部署有多危险？ 我们让Claude对公开API中的单次工具调用，在1到10的量表上估计其相对风险和自主性： 风险分数1：出错也没有任何后果 风险分数10：可能造成重大危害 低自主性：智能体按照人类明确指令执行 高自主性：智能体几乎不需要人类介入，独立做决策 以下是一些处于风险或自主性极端的集群示例： 整体而言，公开API上80%的工具调用来自具有至少一种保障措施的智能体，73%看起来有某种形式的人类介入，只有0.8%的操作是不可逆的（如向客户发送电子邮件）。 从领域分布来看，软件工程占了近50%的工具调用。除此之外，商业智能、客服、销售、金融和电子商务都有所涉及，但每个领域占比都不超过几个百分点。 这些模式表明，我们正处于智能体采用的早期阶段。软件工程师是最先大规模构建和使用智能体工具的群体；其他行业正开始进行实验性探索。随着智能体扩展到这些风险更高的领域，风险和自主性的边界将进一步扩展。 六、局限性 这项研究只是一个开始，存在明显局限： 我们只能分析来自Anthropic单一模型提供商的流量，其他模型构建的智能体可能呈现不同的模式 公开API流量让我们只能分析单个工具调用，无法重建完整的智能体会话；Claude Code提供了完整会话数据，但只限于一款以软件工程为主的产品 我们的分类由Claude自动生成，无法因隐私约束而进行人工检查底层数据 这项分析反映的是特定时间窗口（2025年底至2026年初），智能体格局正在快速变化 七、展望与建议 我们正处于智能体采用的早期，但自主性在增加，高风险部署正在涌现，尤其是随着Cowork等产品让智能体更加普及。我们提出以下建议： 模型和产品开发者应投资于部署后监控。 部署前评估只能测试受控环境下的能力，许多发现在部署前测试中根本看不到。我们必须理解人们在实践中如何与智能体交互。 模型开发者应训练模型识别自身不确定性。 让模型主动向人类报告不确定性，是与权限系统、人类审批流程互补的重要安全属性。 产品开发者应为用户监督而设计。 有效的智能体监督不止是在审批链上放一个人。随着用户积累经验，他们倾向于从审批每个动作转变为监控整体行为，在需要时介入。产品开发者应投资于让用户可信地了解智能体行为的工具，以及简单的干预机制。 现在不应强制规定特定交互模式。 我们的发现表明，有经验的用户会转向监控和必要时介入的方式，而非审批每个动作。要求人类批准每个动作的规定，会制造摩擦，却不一定带来安全效益。 完整报告（含附录）见：https://www.anthropic.com/research/measuring-agent-autonomy ⁑ ⁑ ⁑ 普通人，你的机会窗口在这里 读完了吗？ 我知道这些数据看起来有点枯燥。但让我翻译成人话： AI现在是一个被严重"低估使用"的员工。 它实际上能自主完成需要人类工作5小时的任务，但大多数人只敢让它工作45分钟。它能处理高度复杂的事务，但50%的人只用它来写代码。它能独立做决策，但大多数人还在逐一审批它的每一步操作。 这个"能力溢出"，就是机会。 ⁑ ⁑ ⁑ 普通人的三条具体行动路径 第一条路：成为"AI × 你所在行业"的早期探索者 报告里说得很清楚：医疗、金融、网络安全、客服、电商——这些领域正在开始实验AI Agent，但距离规模化还早得很。 你在哪个行业工作？你最了解哪个领域的工作流程？你有没有可能，成为第一批把AI Agent真正用到那个领域里的人？ 不需要你会编程。你需要的是：对你的行业足够熟悉，熟悉到知道哪些工作流程可以被自动化。 第二条路：学习"如何有效监督AI"，而不是"如何替代AI" 报告里最有趣的发现之一是：有经验的用户不是"把所有事情都丢给AI"，而是发展出了更高效的监督策略——他们知道什么时候放手，什么时候打断。 这种能力，不是软技能，是硬本领。未来所有知识工作者，都需要学会如何做一个高效的"AI监督者"。而现在学，成本最低。 你可以今天就开始：打开Claude Code或者任何一个AI Agent工具，不要只是用它回答问题，而是给它一个任务，然后观察它怎么工作，什么时候它会卡住，你需要怎么介入。这个过程本身，就是在积累宝贵的经验。 第三条路：记录你的探索，建立你的认知护城河 AI能做的事会越来越多，但AI不能替代一件事——你亲身踩坑的经验，和你基于这些经验形成的判断力。 今天，关于"如何在某个具体领域用好AI Agent"的知识，极度稀缺。如果你愿意尝试、愿意记录、愿意分享，你就有机会成为那个领域的早期意见领袖。 这不是鼓励你去做网红。这是说：当一个新技术浪潮来临，最早认真学习并记录探索过程的人，往往会在浪潮中站得最稳。 最后说一句实话 这篇报告的结论其实很清醒，也很温和：我们还在早期，没有人能完全预测接下来会发生什么。 但有一件事是确定的：那条从"AI被严重低估使用"到"AI被充分发挥"的路，需要有人去走。 为什么不是你？ 如果这篇文章对你有帮助，欢迎分享给你觉得应该看到的人。
我们下篇见。 THE END
我们下篇见。
