40万次Claude Code对话揭示：AI面前传统专家资历归零，指令质量成新分水岭

Anthropic分析了2025年10月至2026年4月约23.5万用户的40万次Claude Code真实会话，这是业界首批基于真实工作场景人机协作的一手数据。

核心发现

分工明确：在典型会话中，人类完成约70%的规划决策（做什么、路线、验收标准），AI完成约80%的执行决策（怎么改、写什么、跑什么命令）。七个月趋势显示，用户逐渐将更接近最终交付的任务交给AI，任务平均估算价值上升27%。

“专家”定义重构：Anthropic对用户专业度的评价仅看三项信号：指令是否精确、是否明确验证要求、能否发现并纠正AI的错误。传统职位头衔、从业年限、学历证书均不纳入考量。

指令质量决定产出差距：控制工作类型、任务价值、职业、模型等因素后，专业度每升一级，Claude Code动作数增加9%，输出增加13%。典型新手会话：每条指令触发5个动作、输出600字；专家会话：每条指令触发12个动作、输出3200字——专家单条指令的产出是新手的5倍以上。核心差距在于能否给出包含清晰目标、边界和验收标准的高质量授权，而非输入文字数量。

管理者AI使用成功率超预期：以代码提交、测试通过或用户明确确认为“验证成功”标准，软件工程师任务验证成功率约34%，管理类职业约37%，法律类约33%，商业金融约29%，医疗/设计/销售/教育/科学类约27%-28%。管理类职业成功率略高可能与管理者更习惯明确确认结果有关。

翻车后的核心分水岭：遇到报错、测试失败等“麻烦”时，新手会话验证成功率仅4%，放弃率达19%；专家成功率15%，放弃率仅5%-7%。差距在于专家能向AI指明纠偏方向，本质是人对问题的理解深度差异。

值得关注

Anthropic在报告中推测：“生产软件，可能正在从一种程序员专属的职业能力，变成一种普通工作能力。”这并不意味着非程序员能取代工程师（系统架构、风险控制、长期质量维护仍不可替代），但各行业懂问题的人可以直接用AI生产脚本、自动化流程和内部工具。传统职场资历在AI面前归零，但专业能力本身以新的接口形式得以体现——能说清目标、边界和验收标准，能发现并纠正AI错误的人，就是AI时代的专家。