Anthropic 經濟學家：API 自動化成功率不如你想的高，企業用 AI 的真相是什麼？

本文整理自 Azeem Azhar 的 Exponential View Podcast，訪談 Anthropic 經濟主管 Peter McCrory，討論最新一期 Anthropic 經濟指數報告的發現。

兩種截然不同的使用模式

Anthropic 分析了數百萬筆與 Claude 的真實對話，發現一個有趣的現象：同一個 AI 模型，透過不同管道使用，呈現出完全不同的樣貌。

透過聊天介面（Claude.ai）使用時，使用者傾向讓 AI「增強」自己的工作能力，透過多輪對話逐步完成複雜任務，成功率較高。但當企業透過 API 程式化部署時，情況就不一樣了——約 75% 的使用情境是想讓 AI 直接「自動化」特定任務，成功率卻明顯較低。

這不只是技術上的差異。這是兩種完全不同的 AI 導入哲學，也預示著不同的未來。

複雜任務需要的不只是聰明

為什麼企業透過 API 自動化的成功率較低？Peter McCrory 指出一個關鍵原因：複雜任務需要的背景資訊，遠比多數企業準備好提供的還要多。

Anthropic 的資料顯示，當企業要求 Claude 執行最複雜的任務時，必須提供大量的脈絡資訊。如果企業的資料架構不完整、內部知識沒有被妥善記錄，AI 的能力就會被卡住。

想像一下：你請一個非常聰明的新員工處理複雜專案，但只給他一句話的指令，卻期待他產出完美成果。這不是員工的問題，是你沒給足夠的資訊。

電力的啟示

McCrory 用電力做了一個有意思的類比。

當你在咖啡店點一杯拿鐵，你不會想到背後需要多少電力。電力作為通用技術，已經「隱形」到日常生活中，你甚至感覺不到它的存在。

AI 可能也會走上同樣的路。現在企業還在摸索如何部署 Claude，過程中跌跌撞撞。但終有一天，AI 會像電力一樣，成為商業運作中看不見但不可或缺的基礎設施。

問題是：在那之前，企業需要做很多準備工作。重新設計流程、整理資料、把員工腦中的隱性知識文件化。這些苦工沒有捷徑。

誰最容易被取代？

報告也發現，AI 對不同職業的影響非常不均衡。

資料輸入員是高風險職業。Claude 在從自然語言中萃取、標準化資訊方面非常可靠，而這正是資料輸入工作的核心。最新資料顯示，辦公室行政類的 API 使用量正在攀升，企業已經開始將 AI 部署到後勤行政工作。

相對安全的是微生物學家這類職業。雖然約一半的任務 Claude 理論上能處理，但最耗時的核心工作——使用專業實驗設備進行實驗——AI 目前無法觸及。

這裡有個重要的觀念：關鍵不是「AI 能做你工作中多少任務」，而是「AI 能做的，是不是你最花時間的那些任務」。

只是換成機器做，還是真的重新想像？

Azeem Azhar 提出一個犀利的觀察：很多企業導入 AI，只是把原本人做的事換成機器做，規模完全沒變。

過去因為人力成本，企業一天只能處理一萬筆資料。現在用 AI，成本降了一千倍，但很多企業還是只處理一萬筆——差別只是改成機器在跑。

真正的機會在於：如果成本降了一千倍，為什麼不處理一千萬筆、甚至一百億筆資料？這才是會帶來質變的可能。但這需要企業從根本重新思考商業模式，不只是把現有流程搬上去而已。

生產力會成長多少？

Anthropic 的報告估算，如果目前觀察到的 AI 效率提升在未來十年完全實現，每年可為勞動生產力貢獻約 1.8 個百分點。

McCrory 認為這個數字可能還是保守的，因為它只計算「把現有工作做得更快」，沒有考慮 AI 可能「加速創新本身」的潛力。

如果 AI 能加速科學發現、縮短從基礎研究到商業應用的時間，影響會遠超過任務層級的效率提升。但 Azeem 也提醒，這可能只是把瓶頸從「發現」轉移到「驗證」——當 AI 一個下午就能產出三千五百萬種材料組合，真正的挑戰變成：誰有能力判斷哪些值得繼續研究？

這是另一種形式的負擔。發現變快了，但篩選和驗證的能力沒有跟上，最後可能還是卡在同一個地方。