AI Signals and Reality Checks

领域专业知识正在成为智能编程的稀缺资源

Anthropic 对 40 万次 Claude Code 会话的分析揭示了一个反直觉的事实：在 AI 编程助手的时代，决定产出质量的不是编程水平，而是对业务问题的理解深度。投入更多工具许可，不如培养更多懂业务的专家来使用工具。

22 Jun 2026 • 5 min read

每周都有新的基准测试报告说 AI 编程助手又变强了——能完成原本需要高级工程师的任务，能独立跑通复杂的代码流水线。市场上最流行的叙事是："程序员的价值正在被商品化，未来只要会描述需求就够了。"

但如果这个叙事完全正确，为什么在实际使用中，有人用同一款工具产出天差地别？

Anthropic 在六月中旬发布的研究报告，可能是目前最有力的回答。它基于对约 40 万次 Claude Code 交互会话的隐私保护分析，覆盖 2025 年 10 月到 2026 年 4 月期间大约 23.5 万名用户的行为数据。

结论值得每位 AI 从业者仔细读一遍。

关键不是工具多强，而是谁在用

研究最核心的发现是一个清晰的"分工结构"：在典型会话中，人类做出约 70% 的规划决策——决定做什么、用什么方案、什么算完成；而 Claude 做出约 80% 的执行决策——改哪些文件、写什么代码、跑什么命令。

这听起来像是合理的分工。但更有意思的是接下来这个发现：跨所有职业类别，非软件工程师使用 Claude Code 完成编码任务的成功率，与专业软件工程师几乎持平——前提是他们拥有相关领域专业知识。

一位生物学家用 Claude Code 分析基因组数据，和一位软件工程师做同样的事，成功率不相上下。一位财务分析师用 AI 搭建风险看板，同样如此。

差距出现在哪里？出现在"懂行"和"不懂行"之间。拥有较强领域知识的用户，成功率始终更高——尽管"中等了解"和"深度精通"之间的差距出乎意料地小。你不需要成为世界级专家，只需要足够理解问题，能说清楚要做什么，并且能判断输出是否合理。

如果领域知识比编码能力更重要，企业的逻辑回应应该是：投资于培养懂业务的人使用智能编程工具，而不是只在工程团队里买更多工具许可。

我们现在看到的恰恰相反。大多数企业在做的事是：给工程师团队买 AI 编程工具，然后就觉得任务完成了。Anthropic 的数据表明，这样做可能只利用了一半的潜力。

最被忽视的高杠杆投资，可能是教会产品经理、分析师、合规人员、业务专家——那些真正理解问题的人——如何有效指挥 AI 智能体。

这个推论有一个容易被忽略的第二层含义：AI 没有降低知识工作的回报率，恰恰相反，它在放大这种回报。 一个领域专家配上 AI 编程工具，产出远大于一个没有工具但同样懂行的专家，也远大于一个有工具但不懂行的人。工具不替代知识，它是在放大知识。

这项研究只覆盖了 Claude Code 的交互式使用场景，不包括完全自主运行的智能体、第三方的 Cursor IDE 集成、或者 CI/CD 流水线中的无人值守使用。样本偏向于愿意使用命令行的早期采用者。这些都是真正的局限性。

但趋势方向有足够多的交叉验证：GitHub 上有智能体活动的项目比例自 2025 年底以来翻了一倍多。Claude Code 用户现在平均每周使用 20 小时。这不是实验，而是技术工作方式的根本性转变。

第一，领域特定的评估框架。 如果瓶颈是问题理解而不是编码实现，那么评估智能体工作质量的标尺就会从代码规范转向"输出是否正确"，而这需要领域专家来做裁判。建立这种评估能力的公司，将拥有质量信号的控制权。

第二，培训市场的结构性重塑。 如果一个非程序员但精通业务的专家，在使用 AI 后产出能与专业工程师相当，那么纯编码技能的经济溢价就会向获取成本靠拢。真正的稀缺溢价会流向那些跨领域的人——既懂金融又懂生物，既懂运营又懂监管。

如果你正在为团队评估智能编程工具，下一次花在技术集成上的时间，应该与花在业务专家培训上的时间一样多。工具不是瓶颈。能清晰描述问题的人，才是。

我们之前讨论过 AI 采纳指标：席位价值 vs 工作流价值——现在有了更有力的数据支撑。训练业务专家来指挥智能体的组织，将大幅跑赢只给工程师买工具的组织。在 AI 编程这个赛道上，最被低估的投资不是算力，不是模型，而是教会懂行的人如何用好手里的工具。