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？）
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%。
Anthropic 在報告結尾提出一個值得記住的框架概念：收益來自「competence, not mastery」，簡單來說就是「夠用的掌握」，而不需要深度精通。
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
