跳到正文
UX Collective· Patrick Neeman·· 8 天前AI 评分73

Patrick Neeman 解读 Anthropic 研究：人类注意力成新瓶颈，提出七条设计建议

Human attention is the new old bottleneck. We have to design for it even more.

AI 导读

Patrick Neeman 解读 Anthropic 四位研究员10月16日发布的《How employment is changing at Anthropic》研究，指出到2026年8月员工指导的agent每工作1小时就记录6小时运行时间，agent会话约80%时间在等人回复，非技术岗位读完agent产出也需半个以上工作周。

正文 · AI 翻译

AI 全文翻译，未经原作者审校；可切换原文对照。

A wide office floor where one person reads at a desk while dozens of screens around them keep filling with new work.
一个宽敞的办公区，一个人坐在桌前阅读，而他们周围数十块屏幕上不断涌入需要他们处理的新工作。

如今在 Anthropic，智能体每工作一小时就要产生相当于人类六小时的工作量，而阅读它们的产出会吃掉半周的时间。这份工作就是建立判断体系，决定什么值得关注。

10 月 16 日，Anthropic 的四位研究人员发表了 《就业方式在 Anthropic 如何变化》，研究了其自身的智能体如何改变了工作方式。

Anthropic 是这场变革前沿的公司之一，用自己构建的模型运行自身的工作，因此这项研究是对其他公司走向何方的早期观察。

老实说，这看起来就像旧研究换上了新外衣——正如我在下文链接的那样——只是被加速了。请继续往下读。

智能体的工作时间超过人类。这并不令人意外。

以下是早期结果：到 2026 年 8 月，由员工指挥的智能体每工作一小时，就会产生相当于其人类同事六小时的工作量。

智能体会话约 80% 的时间处于空闲状态，等待人类回答。即使是不写代码的员工，要读完其智能体产出的所有内容，也要花掉大半个工作周。

这就是阅读税，每个拥有智能体的团队都要缴纳。

这些都不是新鲜事——我们有数十年的研究，以及许多许多可以用来解决这些问题的原则，比如自动化偏见。现在就看我们如何应用它们了。

This productivity is changing for everyone.
这种生产率的变化影响着每一个人。

在这些数字之下，工作的本质正在再次发生改变，而这一次，它把每个人都变成了管理者，而不是流水线上的操作工。因此，这是一个关于“人在环中”以及谁掌握主动权的故事。一个读不懂智能体做了什么的人，名义上仍在环中，而实际做决定的是智能体。

这让问题落在了设计师、产品经理和研究人员已经在耕耘的领域。

以下是让人始终掌控这个循环的七个步骤。

衡量阅读时间

赫伯特·西蒙在 1971 年就预见到了这一点。他在《为信息丰富的世界设计组织》中写道，“信息的富足造成了注意力的贫乏”，而大部分代价落在了接收者身上。他指的是数据库，但这句话用在智能体身上更为贴切。

加州大学欧文分校的格洛丽亚·马克已经测量出注意力如今有多稀薄。

她 2016 年至 2020 年的研究发现，人们停留在一个屏幕上的平均时间是 47 秒。根据加州大学的《如何在 2024 年磨砺你的注意力并实现目标》，她 2004 年发表的第一项研究发现的时间是两分半钟。

你每增加一个智能体，就等于往一个本已信息过载的收件箱里增加了一个新的发件人。
注：小时数是通过将输出 token 转换为单词估算得出，假设每个 token 为 0.75 个单词，阅读速度为每分钟 250 个单词。这里被忽略的是，大量工作根本没有经过审查，没有人类在环中。

Anthropic 以设计师的方式测量了智能体这一侧的数据，将每个会话的输出换算成单词，并按每分钟 250 个单词的阅读速度计算。

即使是非技术团队，阅读量也超过了半个工作周。

如今我大部分时间都在构建，由编码智能体完成大量工作，而我的瓶颈在于我能阅读和判断多少。因此，要把阅读时间当作页面加载时间来对待，把它当作团队设定并坚守的预算。

这里缺失的是，大量工作未经审查，没有人类参与其中。424 小时远比目前每周的 168 小时多得多。

如果某个工作流每周的智能体产出除以 250 后，得到的小时数比任何人都多，那么这个工作流就存在设计 问题。

对智能体请求进行排序

Anthropic 的一位工程师把管理智能体比作看孩子。一个需要打开果汁盒的孩子和一个割破手指的孩子都会以同样的音量呼喊，智能体也是如此。

医院已经领教过这样做的代价。

联合委员会（Joint Commission）2013 年发布的关于医疗设备报警安全的哨点事件警报估计，85% 到 99% 的报警信号不需要临床干预。工作人员会充耳不闻，这就是十足的报警疲劳。其数据库记录了 2009 年 1 月至 2012 年 6 月间 80 起与报警相关的死亡事件。

一个以相同音量标记一切的智能体，已经训练它的人类去忽略它。

医院的应对措施是报警管理：设定优先级、为常规读数设置安静的默认值，并指定专人负责响应。Mark Weiser 和 John Seely Brown 在 Xerox PARC 于 1996 年的《平静技术时代的到来》中描述了这一目标，即技术从注意力的边缘移向中心，然后再回到边缘。

大多数智能体界面跳过了边缘，把每个请求都丢进中心。

要求智能体为每个请求说明其严重程度，将常规请求作为摘要保留在边缘，只把需要人来做决定的事项带到中心。

在 Anthropic，智能体主要在专门为 Claude 与人类协作设立的频道中发帖，这使得人们讨论的会话线程保持可读。

设计审查环节

审查是人们付出阅读成本的地方，也是人类参与其中时保留或让渡主动权的地方。在 Anthropic，智能体编写的代码被删除或回滚的比例与同一批工程师手写的代码相同，不过作者提醒说，智能体的错误可能更难被发现。

衡量 2025 年初的 AI 对资深开源开发者生产力的影响

感知是更大的风险。在 2025 年的一项试验《衡量 2025 年初的 AI 对资深开源开发者生产力的影响》中，METR 发现 16 位经验丰富的开发者在使用人工智能工具后耗时增加了 19%，而他们原本预计能节省 24% 的时间。

如果人们无法判断审查需要多长时间，他们也就无法察觉自己何时已经停止了这项工作。

Andrej Karpathy 在他 2025 年 6 月为 Y Combinator 所做的主题演讲《Andrej Karpathy：软件正在（再次）改变》中表达了同样的观点。他说，模型负责生成，人负责验证，因此它们之间的循环应尽可能快地运转，同时让模型“拴在皮绳上”。

我在 UX Guidelines 上的《自动化偏见》条目涵盖了当这个循环松弛时会发生什么：人们批准机器提出的方案，却错过了它从未标记出的问题。

审查界面应将变更内容与原有内容并列显示，展示智能体检查和跳过了什么，以及每项论断的来源。

把风险最高的变更放在最前面，并记录每项的审查时间，让团队能看到这项成本。

把决定写下来

管理者的决策只有在智能体能看到时才算数。智能体依据人们公开留下的一切进行推理。一位 Anthropic 员工的名字留在了一份数月前的公司周边商品文档上，于是即便工作早已易手，智能体仍不断向其发送 T 恤和马克杯的请求。

Shopify 首席执行官 Tobias Lütke 在 2025 年 6 月赋予了这项工作如今广为人知的名称。他更倾向于“上下文工程”而非提示工程，并称其为核心技能，正如 Simon Willison 在 Context engineering 中所记录的那样。

Anthropic 的工程师在 Effective context engineering for AI agents 中补充道，模型的上下文是一种有限的注意力预算。每个循环都在两种预算下运行：智能体的上下文和人的阅读时间。

保护人的注意力最省力的方式，就是把决策写下来一次，放在每个智能体都能找到的地方。

在 Anthropic，供智能体参考的成文常设指令在一年内从几百条增长到 8,500 条。中位数员工的会议时间增加了 20%，而除非有人做记录，否则智能体对会议内容一无所知。

对设计和研究团队来说，这是熟悉的工作。决策日志、研究资料库和设计依据过去是很少有人打开的文档。

如今智能体会阅读每一页，这提高了保持文档及时更新和有人负责的标准。

管理智能体

在 Anthropic，2026 年 4 月接受调查的员工中有五分之一表示，他们的角色已从亲自完成工作转变为管理 Claude，受访者还描述了个人贡献者做出副总裁级别的决策。Peter Drucker 在 1967 年的《卓有成效的管理者》（The Effective Executive）中就看到了这一现象的雏形，他写道，如果现代组织中的每位知识工作者都对贡献负责，那么他们就是“管理者”。

智能体把这一角色扩展到了任何拥有登录账号的人，而微软的 The 2025 Annual Work Trend Index: The Frontier Firm is born 为这一角色起了个名字：智能体老板。

我称之为“关于工作的工作”，而报告将这类辅助性工作称为元工作：多智能体运行的规格说明、一个智能体审查另一个智能体的循环，以及流程看板。

它从 2025 年秋季占员工交互会话的 10% 增长到 2026 年春季的 22%。Ethan Mollick 在 Management as AI superpower 中认为这就是普通的管理。他写道，稀缺的是“知道该要求什么”。

这些自制看板中的每一个，都是无人设计过的产品。

Christopher Noessel 在 2017 年的 Designing Agentive Technology 中主张设计这一层。Anthropic 的内容团队展示了它的走向：Claude.ai 上那些问候语背后的写作者教会智能体撰写这类文案，随后转而编写提示词和评估用例。

设计师和研究者在这里已经具备了管理者的技能；当务之急是在这一层固化为内部脚本之前将其据为己有。

为判断力而招聘

在 Anthropic，对面试评分卡的自动分析发现，2024 年至 2026 年间，提到候选人创造性使用人工智能工具的比例在技术岗位上大约增长了两倍，在非技术岗位上增长了三倍。对技术候选人而言，关于自主性和判断力的评语增长最多，而领域专业知识在评估中所占的比例则有所下降。实际上，Anthropic 正在招聘智能体的管理者。

Kent Beck——极限编程的创始人——很早就看到了这种分化。2023年4月，他写了90% of My Skills Are Now Worth $0，副标题说另外10%的技能价值高出1,000倍 。

一组精美的界面展示了模型如今能产出什么，而你拒绝过什么的记录则体现了判断力。

世界经济论坛的Future of Jobs Report 2025发现，10个雇主中有7个认为分析性思维是一项核心技能，位居其榜单之首。对于任何从事设计、研究或产品工作的人来说，这改变了作品集里该放什么，以及面试中会发生什么。

展示决策轨迹：智能体提出了什么，你删掉了什么，以及为什么最终结果经受住了用户的 检验。

在面试中，给候选人一页智能体的输出，其中埋入三个问题，然后观察他们最先发现哪几个 。

重建初级岗位

报告中最沉重的数字涉及那些从未被录用的人。自2025年初以来，初级员工在Anthropic技术部门中的占比从21%滑落至14%，初级技术岗位的招聘比例也从27%降至 9%。

Anthropic并非 唯一。

This is a warning sign.
这是一个危险的 信号。

在Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence中，Erik Brynjolfsson和两位斯坦福同事发现，在受影响最严重的职业中，22至25岁年轻人的就业率相对下降了13%。并非所有高管都认同这一观点。

The Register的AWS CEO says using AI to replace junior staff is ‘Dumbest thing I’ve ever heard’报道了Matt Garman在2025年8月提出的观点。他说，初级员工成本最低，却最常使用这些工具；如果没有他们，10年后将没有人学到任何东西 。

监督智能体的能力，来自于多年从事它现在所做的 工作。

Lisanne Bainbridge早在1983年就在Ironies of Automation中警告过这一点：当一份工作的大部分被自动化后，人们会接手其中最难的部分——监控，却失去了培养其判断力的实践。设计和研究领域的初级岗位可以围绕审查来重建：由初级人员对智能体的输出做出首次判断，而高级人员则解释每一次推翻的理由。

这就是一种学徒制，而且比雇佣一位从未经历过学徒制的高级人员成本更低。

结论

1950年，全美汽车工人联合会与通用汽车签署了一份为期五年的合同，《财富》杂志称之为Treaty of Detroit。Walter Reuther的工会给了管理层运营工厂的空间，而工人们则获得了与生活成本挂钩的加薪、年度工资增长、养老金和医疗福利。

报告寻求的是同样的解决方案，并在三点上指出了Anthropic的版本：

  • 广泛的员工持股
  • 针对有风险岗位的预警系统
  • 优先将员工转移到公司内部的新岗位

我们大多数人并不制定薪酬政策。但我们确实决定了智能体向人们展示什么、何时打断他们，以及审查如何运作。这些选择决定了每个人作为管理者的“新工作”究竟是拥有真正的自主权，还是只有一个签字按钮。

目前，构建仪表盘的人正在做出这些选择，而设计师、研究人员和产品经理本应是他们 。

这项研究的框架很谨慎。Anthropic 是一家不同寻常的公司，增长迅速，且构建自己使用的模型，因此其做法不会原封不动地适用于其他任何人。但方向已经足够清晰，本季度就可以据此行动。产出的成本持续下降，而人类的注意力始终有限，决定这些注意力如何分配的人，将塑造这些团队的 面貌。

行动要点

  • 测量一个工作流。统计其智能体一周内交给某个人的字数，除以 250，然后把这些小时数与任何人现有的时间进行比较。
  • 对智能体请求分级。为每个请求指定一个严重程度，并要求智能体给出理由；把常规请求汇总成每日摘要，只把只有人才能做出的决策所引发的打断保留下来。
  • 公开记录决策。任何改变方向的会议结束后，把决定及其负责人发布在智能体和同事都会阅读的地方。
  • 让初级人员参与审核。让初级人员对智能体的产出做出首次判断，由资深人员解释每一次推翻的理由。

参考资料

Human attention is the new old bottleneck. We have to design for it even more. 最初发表于 Medium 上的 UX Collective，人们正在那里通过标注和回应这篇文章继续讨论。

来源：UX Collective · uxdesign.cc

原文链接：https://uxdesign.cc/anthropic-october-2026-study-human-attention-is-the-new-old-bottleneck-d7bc4642668a?source=rss----138adf9c44c---4

产品与用户AI 与效率Anthropic / Claude#观点/分析#产品/用户#AI/效率#论文/研究#Anthropic