當我們在新聞裡看到AI協作工具的進展時，畫面往往是一個程式設計師在黑色背景的終端機裡敲擊鍵盤，AI瞬間生成幾百行程式碼，或者自動修復了一個複雜的Bug。這種極客式的敘事塑造了大眾對AI工具的刻板印象：它似乎天生就是為技術人群服務的程式碼生成器，離普通人的辦公桌很遠。

資料來源：Anthropic 官方部落格《How people are using Claude Cowork》

但Anthropic官方近期披露的一組資料，直接擊碎了這個濾鏡。

據Anthropic官方部落格披露的採樣資料，基於2026年5月11日至31日期間採集的120萬次匿名會話樣本，Claude Cowork使用量最高的場景並非軟體開發，佔比僅為8.7%。佔據榜首的是業務流程與營運，佔比高達33.4%，典型任務包括整理報告、核對表格等；內容創作與文案緊隨其後，佔16.4%，涵蓋稿件起草、簡報製作等。

這意味著，在超過90%的使用場景中，人們並沒有在寫程式碼。相反，他們正在用最前沿的AI協作工具，處理那些最古老、最瑣碎的日常辦公任務。為什麼人們用AI最常做的不是寫程式碼，而是整理報告和核對表格？這份資料揭示了AI在真實職場中究竟扮演著怎樣的角色？

被打破的「AI=寫程式碼」濾鏡

要理解這組反差資料，首先要理解為什麼大眾會產生「AI主要是寫程式碼的」這種錯覺。

在過去的兩年裡，AI程式設計助手是最早成熟並大規模落地的AI應用形態。無論是GitHub Copilot還是各種程式碼生成模型，它們在開發者社群中引發了巨大的轟動。寫程式碼本身具有高度的邏輯性和明確的對錯標準，非常適合大型語言模型發揮優勢。因此，媒體在報導AI突破時，往往以程式碼生成作為最具說服力的案例。

然而，程式設計師在全球職場人口中只佔很小的比例。真正龐大的職場群體是財務、行政、人事、法務、銷售以及各種營運人員。這些人的日常工作幾乎不涉及任何程式碼，但他們每天產生的工作量和對效率提升的渴望，遠超技術人群。

33.4%的業務流程與營運佔比，正是這個龐大群體真實需求的映射。當AI工具的門檻降低到不需要懂程式設計也能使用時，非技術崗位迅速成為了主力軍。他們不需要AI去重構系統架構，他們需要AI幫自己把上週散落在五個聊天群組裡的進度更新彙總成一份週報，或者把三個不同格式的Excel表格核對出差異。

軟體開發僅佔8.7%，並不是因為程式設計師不用AI，而是因為非技術崗位的基數太大，且他們的日常工作中充斥著大量可以被AI接管的重複性勞動。AI協作工具正在褪去極客玩具的外衣，變成普通辦公人群的「數位實習生」。

33.4%的「業務流程」到底在忙什麼？

在官方的分類中，業務流程與營運佔據了三分之一的份額。這個聽起來有些抽象的詞彙，在真實的職場中對應著極其具體且折磨人的畫面。

整理報告是其中最典型的一項。在任何一個稍具規模的組織裡，報告都是維繫運轉的血液。週報、月報、項目進度匯報、競品分析報告，種類繁多。但報告的撰寫過程往往極其痛苦。一個項目經理要寫一份週報，他需要先去Jira裡拉取任務狀態，再去各個部門的群組裡詢問未決事項，然後打開郵箱查看最新的客戶回饋，最後把這些碎片化的資訊揉進一個Word文件裡，調整格式，配上圖表。這個過程可能耗費他半個工作日，但產出的內容本身並沒有創造新的業務價值，只是為了資訊同步。更折磨人的是，如果某個領導臨時要求換個維度重新統計，這半個工作日的功夫又得重來一遍。

核對表格同樣是職場人的噩夢。財務人員在月末對帳時，需要面對銀行流水、內部帳目和報銷單據三張表。哪怕只有一分錢的差異，也需要逐行排查。在密密麻麻的格子裡，眼睛看花了還得繼續看，因為一旦出錯，對帳就過不去，整個部門的結帳流程都會卡住。行政人員核對考勤表時，要在各種請假條、加班申請和打卡記錄之間尋找對應關係。有人忘記打卡補了條子，有人出差了系統沒錄上，這些異常情況全靠人工一條條理順。這種工作對視力、耐心和專注度是極大的考驗，但一旦出錯，後果又很嚴重。

當這些任務被交給AI協作工具時，流程發生了根本性的改變。使用者只需要把五個聊天群組的記錄匯出扔給AI，告訴它「提取每個人的進度並按部門分類，生成一份週報大綱」，幾秒鐘後，一份結構清晰的草稿就出現了。如果領導要換維度，只需重新發一句指令，AI馬上重新組織。財務人員可以把三張表格上傳，讓AI「找出這三張表中金額不一致的條目並列出明細」。AI不會覺得枯燥，也不會看錯小數點，它能在海量資料中迅速鎖定那幾行異常值。

這33.4%的資料背後，是無數職場人從無意義的機械勞動中解脫出來的如釋重負。他們不需要AI去攻克什麼科研難題，只需要AI幫他們把那些消耗生命的「髒活累活」接過去。

16.4%的「內容創作」與克服空白文件恐懼

僅次於業務流程的，是佔比16.4%的內容創作與文案。這個場景同樣充滿了職場痛點。

很多人誤以為內容創作只是作家或自媒體的事，但在現代企業中，幾乎每個崗位都逃不開寫東西。銷售要寫提案，產品經理要寫需求文件，HR要寫招聘啟事，甚至工程師也要寫技術方案說明。對於非專業文字工作者來說，面對一個空白的Word文件或PPT簡報，往往會產生一種「空白文件恐懼症」。不知道第一句話該怎麼寫，不知道結構怎麼搭，盯著游標閃爍了半個小時，螢幕上還是一片空白。

簡報製作尤其折磨人。把一堆文字塞進有限的版面裡，調整字型大小、對齊圖形、選擇配色，這些排版工作消耗的時間往往是撰寫內容本身的好幾倍。很多人在匯報前一晚還在熬夜調PPT的格式，只為了把一個文字方塊往左挪兩像素，或者把兩張圖片對齊。匯報結束後，這些精心排版的簡報往往就躺在資料夾裡再也沒人打開過。

在這個場景下，AI協作工具扮演了「破冰者」的角色。使用者不需要從零開始構思，只需要輸入幾個要點，AI就能生成一份初稿。對於簡報，使用者可以給出主題和大致內容，AI直接生成帶有排版和配色的簡報。雖然初稿往往不完美，但它提供了一個可以修改的基礎。人類的工作從「無中生有」變成了「修改完善」，心理壓力和實際工作量都大幅降低。你只需要告訴AI「把這頁的背景換成藍色，把重點加粗」，它就能瞬間完成，省去了你在選單列裡翻找按鈕的時間。

這種內容創作的普及，說明AI正在拉平職場人的表達能力差異。那些邏輯清晰但不擅長排版和措辭的人，透過AI的輔助，也能產出專業水準的文件和簡報材料。

被低估的「連接性工作」

Anthropic在解讀這份資料時，將前兩大高頻場景定義為「連接性工作」。這是一個極其精準且富有洞察力的概念。

什麼是連接性工作？它指的是那些推動項目前進，但極少出現在核心職位描述中的任務。一個律師的核心職責是提供法律諮詢和辯護，但他每天可能要花大量時間在文件格式標準化和歸檔上。一個招聘經理的核心職責是識別人才，但他每天要花大量時間在安排會議和彙總多輪面試回饋上。

這些工作不產生直接的業務價值，不會被寫進年終總結的業績欄，但如果沒有人做，項目就會停滯，團隊就會混亂。它們是職場運轉的潤滑劑，也是消耗職場人精力的隱形黑洞。

在傳統的職場敘事中，我們總是關注核心技能的提升，卻很少關注如何優化這些連接性工作。很多職場人感到疲憊，並非因為核心工作太難，而是被這些瑣碎的連接性工作耗盡了精力。寫程式碼可能需要高度集中注意力，但核對表格只需要機械地重複，這種機械重複對人的心智消耗往往更大。這也是為什麼當AI協作工具介入時，使用者最傾向於把這類工作外包出去。

AI並沒有取代律師的法律判斷，也沒有取代HR的識人直覺。它接管的是「組裝和結構化資訊」的髒活累活。它填補了跨團隊協作中的資訊縫隙，讓律師能專注於案情分析，讓HR能專注於候選人評估。AI成為了填補團隊縫隙的黏合劑，讓每個人都能把精力留給真正需要人類智慧和經驗的那部分工作。

律師的文件與HR的回饋：真實場景還原

為了更直觀地理解這種協作模式，我們可以看看官方列舉的兩個典型跨團隊銜接場景。

第一個場景是律師處理文檔。在法律行業，文檔的格式和規範性有著極高的要求。不同法院對起訴狀的排版、字體甚至行距都有具體規定。一個律師在完成一份法律意見書後，可能需要花費一兩個小時去逐項核對格式是否符合規範，引用的條文是否標註正確，頁眉頁腳是否統一。這種工作不需要法律邏輯，只需要耐心和細心，但對於剛連軸轉開完庭的律師來說，這種瑣碎的核對簡直是精神折磨。

現在，律師可以把文件交給AI協作工具，指令它「按照某法院的標準格式檢查並調整這份文件」。AI會自動識別不符合規範的排版並予以修正，甚至能檢查出引用法條的格式錯誤。律師保留了最核心的法律判斷與辯護策略，把機械的格式核對工作交給了數位實習生。這不僅節省了時間，還降低了因人為疏忽導致格式錯誤被法院退回的風險。

第二個場景是招聘經理彙總多輪面試回饋。在一個典型的招聘流程中，一個候選人可能要經過HR初面、技術面、業務面和終面。每個面試官都會在系統裡留下一段自由文本形式的回饋。有的面試官寫得詳細，有的只寫了幾句話，有的側重技術能力，有的側重溝通風格。招聘經理在做最終決策前，需要把這些散落的、風格各異的回饋閱讀一遍，提煉出關鍵資訊，比如候選人的技術優勢、文化契合度風險等，然後彙總成一份給高管看的匯報。如果招的人多，光看回饋就能看花眼，還容易遺漏關鍵細節。

現在，招聘經理可以把所有面試回饋導入AI，讓它「提取每位面試官對候選人技術能力的評價，並總結共識和分歧」。AI能在幾秒鐘內給出一份結構化的總結，比如「三位面試官均認可其數據庫能力，但在團隊管理風格上存在分歧」。招聘經理依然保留著最終的識人判斷和錄用決策權，但資訊處理的過程被極大地壓縮了。他不需要再去逐字閱讀那些冗長的回饋，而是直接基於AI提煉的要點進行判斷。

這兩個場景共同揭示了一個規律：AI在非技術崗位的落地，並非要搶走他們的飯碗，而是幫他們掃清工作流中的障礙，讓他們能更快地觸及需要人類智慧和經驗的核心環節。

從「盯著螢幕等回覆」到「雲端跑一夜」

這種使用傾向的變化，也對AI產品的形態提出了新的要求。如果AI只是用來處理寫程式碼這種高度交互的任務，一個對話框就足夠了。但如果AI要處理整理報告、核對表格這種耗時且不需要全程盯著的任務，傳統的對話框模式就顯得很笨重。

非技術用戶不需要盯著螢幕等AI一個字一個字地吐出來。他們需要的是一種「佈置任務，然後去忙別的，回來再看結果」的異步工作流。就像你交代一個實習生去整理資料，不會站在他背後盯著他敲鍵盤，而是讓他弄好了拿來給你看。

用戶可以在下班前給AI佈置一個任務，比如「把這週收集的十份行業研報提取核心數據並生成一份匯總表格」。然後用戶可以關掉電腦去吃飯休息。AI會在雲端後台執行這個任務，不需要設備在線。

當遇到需要人類判斷的節點時，AI會暫停並向用戶手機推送確認請求。比如AI在處理表格時發現有兩個數據源衝突，它會發消息詢問以哪個為準。第二天早上，用戶在通勤的地鐵上用手機審批通過，一份完美的表格就已經準備好了。這種從「對話框」到「後台代理人」的演進，讓AI真正融入了職場人的日常節奏。它不再是一個需要專門抽出時間來使用的工具，而是一個可以在後台默默幹活的助手。

這種異步機制對於非技術崗位尤為重要。他們的工作往往充滿打斷和會議，很難有大塊時間坐在電腦前與AI進行高頻交互。後台執行和移動端審批，降低了使用AI的心智負擔，讓AI幫忙變得像發一條微信一樣輕鬆。

一份不完美的數據圖鑑與普通人的啟示

當然，這120萬次會話數據並非完美的職場全景圖。官方也承認了數據的一些局限性。

首先，數據是按任務類型分類，而非按用戶的職位頭銜分類。這導致我們無法確切知道這33.4%的業務流程中，究竟有多少是HR做的，多少是財務做的。自動化系統在打標時，存在將營銷、HR、財務等職能統一歸入「業務流程」的顆粒度問題。

其次，採樣方式為按小時固定上限採樣，而非按流量固定比例。這意味著高峰時段的使用率可能被略微低估。而且，約有5%的會話屬於個人非工作用途，比如個人助理、愛好甚至陪伴式閒聊，並非純粹的職場圖鑑。

但即便存在這些盲區，這份數據依然提供了極具價值的現實啟示。

對於普通辦公人群來說，最大的啟示在於重新審視自己的工作流。不要問AI能不能取代你的核心技能，要問你的工作流中有多少是沒人願意做但必須有人做的連接性工作。

如果你每天有超過20%的時間花在信息搬運、格式調整和表格核對上，那麼你就是AI協作工具最精準的受眾。你不需要學習複雜的提示詞工程，只需要把你平時最討厭做的那項重複性任務描述給AI聽，看看它能不能幫你完成初稿。

AI協作工具的祛魅，在於它從神壇走向了工位。它不是用來解決那些需要極高智商的科研難題的，它是用來解決那些需要極高耐心和體力的瑣碎日常的。當33.4%的使用量都在處理業務流程時，說明人們已經找到了AI在當下最務實的用法：把人從機械勞動中解放出來，去幹人該幹的事。