Anthropic 說 Claude 主導 26% 研發，但自家評分員只有 35% 對得上

這陣子只要提到 AI 取代工作，大家問的都是同一種問題：幾成？多久？輪到我了沒？

九月中有一份文件，剛好把這個問題往前推了一格。它不是預測，是一家公司回頭量自己。

26%，而且半年前還不到 1%

Anthropic 發表了一份它稱為 R&D Automation Index（研發自動化指數）的東西，量的是「Anthropic 自己的 AI 研發工作，有多少是由 Claude 執行的」。

結論數字是：2026 年 8 月，Claude 在 26% 的 AI 研發工作上達到「主導」等級。而在 2026 年 2 月，這個比例還不到 1%。

先別急著換算成你的工作。這句話裡每一個詞都有很嚴格的定義，而定義才是重點。

「主導」不等於「取代」——中間差了一整個人

這份指數用的是一套叫做 AL（Automation Level，自動化等級）的量表，從 AL0 到 AL5。Anthropic 在文件裡寫明這套量表是引用外部研究機構 Epoch AI 開發的，不是自己發明的。

其中三級的定義最關鍵：

• AL0：完全沒有 AI 參與。
• AL3（協作）：AI 能在人類密切指導下完成大段工作。原文是「can do large chunks of work under close human direction」——close human direction，人得盯著。
• AL4（主導）：AI 能從一個高階指令把大部分任務端到端做完，人類在旁監督（while human supervises）。
• AL5：AI 完全自主，流程裡沒有人。

那個 26%，指的是達到 AL4 以上的工作比例。

所以「Claude 主導 26% 的研發」這句話翻成白話是：有四分之一的研發工作，工程師可以丟一句高階指令出去，然後不用一直盯著，但還是要驗收。

而 AL5 呢？Anthropic 明講了：在任何一個受測類別裡，Claude 都沒有達到完全自主。一個都沒有。

其實更該看的是另一個數字：90%

26% 是標題數字，但我認為對企業工作者更有意義的是這一個：

達到 AL3（協作）以上的工作，超過 90%。

把兩個數字擺在一起看，圖像就清楚了：在這家公司，AI 幾乎碰到了所有的研發工作（90%+ 至少是協作），但真正能放手讓它主導的，只有四分之一，而完全放手的是零。

這個形狀——廣度很大、深度有限——才是目前 AI 在專業工作裡的真實樣子。它不是在一格一格地吃掉整份工作，它是在每一份工作裡都切走一塊，而那塊的大小，取決於你有沒有辦法驗收它。

然後是那個 35%

這份文件最有價值的一段，藏在方法論裡。

要得出「26%」，必須有人替每一類工作打一個 AL 等級。那這個分數打得準嗎？Anthropic 自己做了一致性檢驗，結果是：

• 模型評分 vs 人類評分，完全一致的比例是 59%。
• 人類評分 vs 另一個人類評分，完全一致的比例是 35%。
• 不過，如果放寬到「差距在一級之內」，模型評分和人類評分的一致率是 97%（人跟人放寬後是多少，官方沒有公布）。

請把中間那行再看一次。兩個懂這份工作的人，看同一件事，對「AI 在這裡到底算參與到什麼程度」的看法，完全一致的機率只有三分之一。

而且是模型跟人的一致率（59%），還比人跟人的一致率（35%）高。這不代表模型更準，比較可能的解釋是模型打分比較穩定、比較不受個人判斷影響——但這正好說明了一件事：這種評分本來就沒有客觀答案。

Anthropic 自己怎麼形容？文件裡寫的是「邊界案例存在實質的分歧空間（real room for disagreement on borderline cases）」。而且他們從頭到尾把這份東西稱為 prototype（原型），不是定論。

所以這件事跟你有什麼關係

我在企業現場最常被問到的一句話是：「老師，導入 AI 之後效率提升多少？有沒有數字？」

而最常聽到的回答版本是：「我們團隊用了之後，效率大概提升三成。」

現在把這句話跟上面那個 35% 擺在一起看。

Anthropic 有什麼條件？它有模型原始碼、有完整的內部工作紀錄、有可以在 7 月每週從研發相關部門各隨機抽 20% 員工去盤點工作的權限、有 Claude 幫忙把約 15,000 項工作整理成一棵 542 個節點的分類樹、還有專業研究團隊做一致性檢驗。在這種條件下，兩個人打同一件事的分數，完全一致的機率是 35%。

那麼，你們公司那個「提升三成」，是誰、用什麼方法、跟什麼基準比出來的？

我不是要說那句話一定是錯的。我是要說：它多半不是一個量出來的數字，而是一個體感。體感沒有不好，體感也是資訊。但把體感當成 KPI 往上報，再拿那個 KPI 去決定要不要擴大投資——中間那一段是空的。

誠實踩煞車

這份文件有幾個限制，我認為比那個 26% 更值得你記住：

• 這是 Anthropic 量 Anthropic。不是第三方稽核。這家公司有誠意揭露方法論（它連自己評分不一致都寫出來了，這很少見），但它同時也有「證明 AI 很強」的商業利益。兩件事同時為真。
• 這是上限，不是平均。世界上最會用 AI 的一群人，用自家最熟的模型，做自己最熟的工作。你公司的數字不會長這樣，也不該拿來比。
• 「AI 研發」是一種極度適合 AI 的工作。寫程式、跑實驗、讀日誌、比對輸出——這些有明確的對錯、可以自動驗證、失敗了重跑就好。你公司大部分工作不具備這三個條件。
• 指數本身有「籃子凍結」的問題，這是他們自己講的。意思是：這個指數量的是「既有的那些工作被自動化了多少」，它量不到新冒出來的工作類型。數字上升，不必然等於人變閒了；也可能是工作內容整個換了。
• 沒有公開的原始資料可供外部重現。15,000 項任務、542 個節點的分類樹，外面的人看不到。我們只能就它公布的說法討論。

把 AL 量表搬進你公司

這份文件真正可以帶走的東西，不是 26%，是那把尺。

大部分公司討論 AI，只有兩格：「有用 AI」跟「沒用 AI」。這太粗了，粗到沒辦法管理。AL 量表的價值在於它把中間切開，而一切開，責任歸屬就跟著清楚了。

等級	辦公室裡長什麼樣	出錯時誰要負責驗收
AL0 沒有 AI	全手工。合約最後一遍逐條看、對客戶的道歉信	本人
AL3 協作	你開著對話一來一往：它產一版、你改、再產一版。會議紀錄整理、簡報初稿、資料表整併	本人，而且是邊做邊驗
AL4 主導	你丟一句交辦就去忙別的，回來看成品。固定格式的週報、批次改圖、大量資料的初步分類	本人，但變成事後抽驗——所以抽驗方法要先設計好
AL5 全自主	沒有人看，直接出去。自動回信、自動發布、自動送出申請	連 Anthropic 都還沒讓任何一類工作走到這格。你也先別急

這張表怎麼用？很簡單：下次有人說「我們部門已經在用 AI 了」，你就問一句：用到第幾級？

你會立刻發現，大家講的根本不是同一件事。有人是 AL3 拚命來回改，有人是 AL4 丟出去就收，還有人偷偷在做 AL5——而 AL5 那個人，通常沒告訴任何人。

所以你該做什麼

如果你是一般上班族：拿你這週最花時間的三件工作，各標一個 AL 等級。標完你會看到一件事——你花最多時間的，通常卡在 AL3，也就是「一直來回改」。那才是你該改進的地方，而改進的方向通常不是換更強的模型，是把驗收標準先寫清楚。你之所以要來回三次，是因為第一次交辦時你自己也還沒想清楚要什麼。

如果你要用 AI 量產東西：你真正該爭取的不是「讓 AI 做更多」，而是「讓某一類工作從 AL3 升到 AL4」。這兩件事完全不同。升級的前提只有一個：你得先有一個不用逐字讀就能判斷好壞的驗收方法。沒有那個方法，硬升到 AL4 只是把錯誤延後發現而已。

如果你是主管：請把「AI 讓我們提升幾成效率」這個問題，換成三個具體的：哪些工作現在是第幾級？我們希望哪一類升一級？升級之後，誰負責抽驗、用什麼方法抽？這三題有答案，你才有東西可以管。第一個問題沒有答案——連 Anthropic 都只有 35% 的評分一致率，你的部門不會比它準。

你是機長，AI 是機組人員

AL4 這個等級，在航空業裡有一個現成的對照：自動駕駛。

一趟長程航班，自動駕駛負責飛的時間遠遠超過人手操縱的時間。但沒有人因此說機長被取代了，因為大家都知道，機長的工作從來就不是「握著操縱桿」。

真正發生的事情是：機長的工作內容被換掉了。從操作，變成監控、判斷、以及在系統交還控制權的那幾秒鐘內做對的事。而航空業為了這件事，把整套訓練跟檢定制度重新設計過——不是因為自動駕駛不可靠，正好相反，是因為它太可靠了，可靠到人會鬆懈。

Anthropic 那個 26%，講的就是這件事。它不是在說有 26% 的人不用了。它是在說：有 26% 的工作，你的角色從操作換成了監督。

而監督是一種技能，它跟操作是兩回事，要另外練。這是 AL4 唯一真正的門檻，也是大部分公司升不上去的原因——他們把 AI 交辦出去了，卻沒有人被訓練成那個看儀表的人。

常見問題 FAQ

Q：26% 是不是代表 Anthropic 裁掉了四分之一的研究員？
沒有這個推論。這份指數量的是「工作的自動化等級」，不是人力配置。而且文件自己就點出「籃子凍結」的限制：它量不到新出現的工作類型。同一批人做的事情可能整個換掉了，但指數看不出來。任何從這個數字推導裁員的說法，都是自己加上去的。

Q：那我的工作會不會也有 26% 被 AI 主導？
幾乎確定不會是這個數字。AI 研發是一種對 AI 特別友善的工作：對錯明確、可以自動驗證、失敗重跑成本很低。你的工作只要少掉其中一個條件，能自動化的比例就會大幅下降。與其猜比例，不如用上面那張表實際標一次——標完你會有一個屬於自己的、比較誠實的答案。

Q：人類評分只有 35% 一致，那這份報告是不是根本不可信？
不是。同一段還有另一個數字：放寬到「誤差一級之內」，模型評分和人類評分的一致率是 97%，代表評分大致落在哪一區是穩的，只是在切點上會爭（人跟人放寬後是多少，官方沒有公布）。所以這份指數拿來看趨勢（從不到 1% 到 26%）是合理的，拿來當作精確刻度就不合理。我認為它願意把這個弱點寫出來，反而讓這份文件更可信，不是更不可信。

Q：我們公司想學它做一個自己的指數，可行嗎？
可行，但不要一次做全公司。挑一個部門、一種重複性高的工作，找兩個熟悉這份工作的人各自獨立標一次 AL 等級，然後看你們差多少。光是這一步就有價值——你們對不齊的地方，通常就是流程裡沒有講清楚的地方。比起最後那個百分比，這個副產品有用得多。

Q：AL5 既然一個都沒有，是不是表示 AI 短期內不會全自動？
在「AI 研發」這個領域、到 2026 年 8 月為止、依照 Anthropic 自己的評分，是這樣。這句話的每一個前提都不能拿掉。它不保證別的領域、別的公司、別的時間點也是如此，也不保證下一季不會變。它只告訴你一件事：連最有動機把自己推到全自動的那家公司，現在也還留著人在流程裡。你公司要跳過那一格，理由最好比它更充分。

資料來源

以下均於 2026 年 9 月 20 日查證：

• Anthropic 官方文件〈Measurements for understanding the pace of AI development inside frontier labs〉（anthropic.com/institute）：R&D Automation Index 的定義與「prototype」的自述、26%（2026 年 8 月，AL4 以上）、2026 年 2 月不到 1%、AL3 以上超過 90%、AL0／AL3／AL4／AL5 的定義原文、AL 量表引用自 Epoch AI 的說明、2026 年 7 月隨機抽樣各部門 20% 員工、約 15,000 項任務整理成 542 節點／378 葉節點的分類樹、評分一致性（模型對人類完全一致 59%、人類對人類 35%、模型對人類一級之內 97%）、「real room for disagreement on borderline cases」與「籃子凍結」的限制自述。
• Bloomberg：〈Anthropic Says Claude Drives 26% of Its Research and Development〉（bloomberg.com，2026 年 9 月 17 日）：用來確認這份數字的公開揭露日期為 2026 年 9 月 17 日。
• Quartz：〈Anthropic says Claude leads 26% of its AI R&D work〉（qz.com）：第二個獨立來源，交叉確認揭露時間與「Claude 未在任何受測類別達到完全自主」的說法。

查證說明（誠實揭露）：①所有百分比與等級定義均以 Anthropic 官方文件原文為準，媒體報導僅用於交叉確認發布時間。②官方文件頁面上我沒有查到明確標示的發布日期，文中的「9 月 17 日」是依據 Bloomberg 與 Quartz 兩家的報導日期，非官方頁面自述，特此標明。③AL 量表原始出處為 Epoch AI，我查到 Anthropic 文件中引用它的原句，但沒有進一步去讀 Epoch AI 的原始定義，因此本文只引用 Anthropic 文件中呈現的 AL0／AL3／AL4／AL5 四級；AL1 與 AL2 的定義我查不到，所以不寫，上文表格也因此跳過這兩級。④這是 Anthropic 調查 Anthropic，不是第三方稽核，原始資料（15,000 項任務與分類樹）未公開，我無法獨立重現任何一個數字。⑤文中「你公司那句提升三成是怎麼算的」是我的教學現場觀察與推論，不是報告內容。⑥表格中「辦公室裡長什麼樣」與「誰負責驗收」兩欄是我依據 AL 定義自行對應到一般企業場景的說明，不是 Anthropic 的分類，請當成教學用的類比而非原始資料。⑦自動駕駛與機組訓練的類比是我用來解釋機制的比喻，與本報告無關。

關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、電通、城邦媒體等。聯絡方式：ai@autolab.cloud