Anthropic 分析約 40 萬場 Claude Code 互動 session、約 23.5 萬名用戶後發現：決定 AI coding 成敗的關鍵，不是會不會寫程式，而是對所解決問題的領域理解深度。
（前情提要：Anthropic 發布 Claude Code 經濟研究！AI 代理省錢潛力達 40 億）
（背景補充：Anthropic 上線 AI 衝擊儀錶板：輸入職業，秒查你的工作被 AI 吃掉多少？）
本文目錄
- 一個會計師，如何成為 Claude 眼中的「專家」
- 出錯後，誰能把 agent 拉回正軌
- 管理職贏過軟體工程師，職業差異幾乎消失
Anthropic 在最新研究報告中，分析了約 23.5 萬名用戶的樣本後發現，真正決定 AI 效果成敗的，是那個「下指令的人」有多懂自己在解決什麼問題。
一個會計師，如何成為 Claude 眼中的「專家」
Anthropic 這份研究的樣本涵蓋 2025 年 10 月到 2026 年 4 月，共約 40 萬筆 Claude Code session。
報告建立了一套「任務專屬五級專業度量表」，從新手到專家。關鍵在於這個「專業度」的定義和你想的不一樣。簡單來說就是：你有多懂你要解的那個問題，而不是你有多會寫程式。
報告舉的例子很直白：一個資深工程師第一次寫 Rust，在那個任務上就算新手；反過來，一個從沒用過 Python 的會計師，只要能精確告訴 Claude 對帳規則必須滿足哪些條件、並在月結邊界抓出邏輯錯誤，在那個任務上就是專家。
數字差距直接說明了問題的嚴重程度。新手 session 每個 prompt 平均觸發約 5 個 Claude 動作、約 600 字產出；專家 session 觸發約 12 個動作、約 3,200 字產出，後者是前者動作的 2 倍多、輸出的 5 倍。
Anthropic 的回歸分析顯示，每提升一個專業等級，Claude 的動作量增加約 9%，輸出增加約 13%，控制工作型別、任務價值、月份、職業與模型版本後這個關係依然成立。
出錯後，誰能把 agent 拉回正軌
成功率的數字更能說明問題。Anthropic 定義了兩層成功標準：「判定成功」（分類器讀完對話後判斷是否達標）與「驗證成功」（需要有可查核的硬性證據，例如透過測試、git commit、用戶明確確認）。
整體而言，用戶展現的專業度越高，session 成功的機率就越高，而且大部分增幅集中在量表低端，從新手到中階的落差，比中階再爬到專家的落差更大。Anthropic 發現，專家等級 session 的驗證成功率，是新手的兩倍以上。
更有意思的是「出錯後的修復率」。Anthropic 追蹤了那些遭遇麻煩的 session，也就是出現失敗訊號的對話。在這批 session 中，驗證成功率從新手的 4% 升到專家的 15%；至少部分成功的比例，新手為 60%，中階到專家為 80-81%。
放棄率的差距也很明顯。當 session 遭遇困境時，新手有 19% 的機率直接放棄（判定失敗且零行程式碼），而其他等級僅有 5-7%。Anthropic 的解讀是：領域專業的價值之一，在於當 agent 走偏時有能力把它導回正確方向。
這個發現指向一個反直覺的結論：「懂問題」比「懂工具」更重要。因為懂問題，才能在 Claude 給出錯誤答案時知道哪裡錯了；才能精確說明邊界條件；才能在 agent 做出奇怪決策時立刻出聲糾正。
管理職贏過軟體工程師，職業差異幾乎消失
Anthropic 的資料打破了另一個預期：職業背景並不像想像中重要。
軟體相關職業整體驗證成功率約 30%，其他職業約 26%。只看「有實際產出程式碼」的 session，差距拉開到 34% vs 29%，但如果放寬到「至少部分成功」，兩組幾乎並列：89% vs 88%。
更值得注意的是，前十大職業中，每一個都落在軟體工程師驗證成功率的 7 個百分點以內。管理職的驗證成功率甚至略高於軟體工程師，Anthropic 的推測是：管理職擅長指派任務和設定規格的習慣，恰好遷移到了指揮 agent 上。
工作型態本身也在七個月內快速演變。修 Bug 的 session 佔比從 33% 降到 19%，幾乎砍半；操作軟體（部署、設定、執行 pipeline）從 14% 升到 21%；寫作與資料分析約從 10% 翻倍到 20%。
換句話說，用戶在把 Claude Code 用於越來越多「程式周邊的工作」，而不只是寫程式本身。
任務的經濟價值也同步上升。Anthropic 以 freelance 接案行情估算每場 session 的市場價值，七個月內平均上升約 27%；建構型任務上升約 43%，操作型約 34%，修復型約 32%。
對一個領域有基本到中等的理解，就能拿到大部分的好處；從中階再往專家爬，成功率的斜率明顯變平。
隨著 AI 工具的持續擴張，它放大的不是程式技能，而是你對問題的理解深度。不懂自己要解什麼問題的人，用更強的模型也只是在更快速地迷路。
📍相關報導📍
OpenRouter 分析 100 兆 Token 研報：人類到底用 AI 做什麼、中國模型崛起與用戶留存秘密
Anthropic 臨時喊卡 Agent SDK 計費新制，訂閱補貼上看 30 倍
Google「Gemini 2.0」來了！推出三種AI代理：複雜任務、遊戲、程式設計
