让 Agent 干脏活，让营销人回归专业——持久的专业回报

传输接收 · 行星 SKILL-2 · 坐标 [0.67, -0.11]

Anthropic 拆解了 40 万次 Claude Code 会话（2025.10–2026.04），想回答一个问题：当 Agent 接手越来越多的编码工作，人的专业度是被稀释还是被放大？答案出人意料——专业回报不仅没被模型变强抵消，反而在 Agent 杠杆下持续复利。

研究发现了什么

研究把会话按用户角色、任务类型、产出深度做了交叉切片。第一个发现是分工的清晰边界：平均来看，人做了 70% 的”做什么”决策，Agent 做了 80% 的”怎么做”决策。每条人工指令平均触发约 10 个 Agent 后续动作，峰值超过 100 个。Agent 不是”代写代码的工具”，而是把一句意图展开成一条执行链路——人定方向，Agent 接走执行。

第二个发现更反直觉：决定会话成败的不是会不会写代码，而是懂不懂业务。管理层、销售、法务这些非软件岗位，在产出代码的会话里成功率只比软件工程师低 5 个百分点以内，管理岗位甚至略高于工程师。研究据此提出”持久的专业回报”（persistent returns to expertise）这一概念——Agent 不会拉平专业差距，反而把它放大。

方法论值得留意：研究没有用”会不会编程”定义专业度，而是用会话的产出深度（动作数、字数、是否最终交付）反推用户水平，再与自报岗位交叉验证。这绕开了”资历≠能力”的陷阱，也解释了为何管理岗反超工程师：他们更清楚要 Agent 解决什么。

数据支撑了这点。新手会话平均触发约 5 个 Agent 动作、产出 600 字；专家会话触发 12 个动作、产出 3,200 字——同样一句指令，专家从 Agent 那里撬出约 5 倍产能。遇到卡壳时，新手 19% 直接放弃，专家只有 5–7%。专业度让 Agent 的杠杆成倍放大，且这份回报在七个月观察期内没有被”模型变强”稀释——模型升级普惠所有人，但专家始终领先。

任务结构本身也在迁移。七个月内，调试类工作占比从 33% 降到 19%，运营、分析、写作类占比上升。研究称这种迁移为”从修东西到用东西”——价值正从写代码本身滑向代码周边的判断、分析、表达。任务价值平均上涨 25%，涨幅最大的恰恰不是编码，而是这些”周边”工作。

为什么营销人该关心

营销组织正在经历同样的迁移。懂消费者分层、懂渠道归因、懂品牌 tone of voice 的人，给 Agent 下指令更精准，Agent 反馈的有效动作更多；不懂业务的人，Agent 顶多帮他敷衍收场。当 Agent 接走执行链路，营销人剩下的核心资产只有判断力——研究证明它正在升值。“持久的专业回报”在营销语境里翻译成一句话：越懂业务的人，越能从 Agent 那里撬出倍数级产能，且这个差距会随模型升级继续拉开。

怎么用

• 把规则化、有验收标准的活交给 Agent：人群打标签、周报归因、A/B 实验配置、一篇主稿改小红书/抖音/邮件三版——人定规则与 tone，Agent 接执行。
• 把判断、创意、消费者洞察留给人，这是研究里真正决定 Agent 杠杆的”专业度”。
• 组织该投资的不是教全员写 Python，而是让每个岗位写清自己的判断标准、边界条件与验收清单。Agent 不替代专业，它让专业更值钱。

// END OF LOG