当我们在新闻里看到AI协作工具的进展时，画面往往是一个程序员在黑色背景的终端里敲击键盘，AI瞬间生成几百行代码，或者自动修复了一个复杂的Bug。这种极客式的叙事塑造了大众对AI工具的刻板印象：它似乎天生就是为技术人群服务的代码生成器，离普通人的办公桌很远。
数据来源：Anthropic 官方博客《How people are using Claude Cowork》
但Anthropic官方近期披露的一组数据，直接击碎了这个滤镜。
据Anthropic官方博客披露的采样数据，基于2026年5月11日至31日期间采集的120万次匿名会话样本，Claude Cowork使用量最高的场景并非软件开发，占比仅为8.7%。占据榜首的是业务流程与运营，占比高达33.4%，典型任务包括整理报告、核对表格等；内容创作与文案紧随其后，占16.4%，涵盖稿件起草、幻灯片制作等。
这意味着，在超过90%的使用场景中，人们并没有在写代码。相反，他们正在用最前沿的AI协作工具，处理那些最古老、最琐碎的日常办公任务。为什么人们用AI最常做的不是写代码，而是整理报告和核对表格？这份数据揭示了AI在真实职场中究竟扮演着怎样的角色？
被打破的“AI=写代码”滤镜
要理解这组反差数据，首先要理解为什么大众会产生“AI主要是写代码的”这种错觉。
在过去的两年里，AI编程助手是最早成熟并大规模落地的AI应用形态。无论是GitHub Copilot还是各种代码生成模型，它们在开发者社区中引发了巨大的轰动。写代码本身具有高度的逻辑性和明确的对错标准，非常适合大语言模型发挥优势。因此，媒体在报道AI突破时，往往以代码生成作为最具说服力的案例。
然而，程序员在全球职场人口中只占很小的比例。真正庞大的职场群体是财务、行政、人事、法务、销售以及各种运营人员。这些人的日常工作几乎不涉及任何代码，但他们每天产生的工作量和对效率提升的渴望，远超技术人群。
33.4%的业务流程与运营占比，正是这个庞大群体真实需求的映射。当AI工具的门槛降低到不需要懂编程也能使用时，非技术岗位迅速成为了主力军。他们不需要AI去重构系统架构，他们需要AI帮自己把上周散落在五个聊天群里的进度更新汇总成一份周报，或者把三个不同格式的Excel表格核对出差异。
软件开发仅占8.7%，并不是因为程序员不用AI，而是因为非技术岗位的基数太大，且他们的日常工作中充斥着大量可以被AI接管的重复性劳动。AI协作工具正在褪去极客玩具的外衣，变成普通办公人群的“数字实习生”。
33.4%的“业务流程”到底在忙什么？
在官方的分类中，业务流程与运营占据了三分之一的份额。这个听起来有些抽象的词汇，在真实的职场中对应着极其具体且折磨人的画面。
整理报告是其中最典型的一项。在任何一个稍具规模的组织里，报告都是维系运转的血液。周报、月报、项目进度汇报、竞品分析报告，种类繁多。但报告的撰写过程往往极其痛苦。一个项目经理要写一份周报，他需要先去Jira里拉取任务状态，再去各个部门的群里询问未决事项，然后打开邮箱查看最新的客户反馈，最后把这些碎片化的信息揉进一个Word文档里，调整格式，配上图表。这个过程可能耗费他半个工作日，但产出的内容本身并没有创造新的业务价值，只是为了信息同步。更折磨人的是，如果某个领导临时要求换个维度重新统计，这半个工作日的功夫又得重来一遍。
核对表格同样是职场人的噩梦。财务人员在月末对账时，需要面对银行流水、内部账目和报销单据三张表。哪怕只有一分钱的差异，也需要逐行排查。在密密麻麻的格子里，眼睛看花了还得继续看，因为一旦出错，对账就过不去，整个部门的结账流程都会卡住。行政人员核对考勤表时，要在各种请假条、加班申请和打卡记录之间寻找对应关系。有人忘打卡了补了条子，有人出差了系统没录上，这些异常情况全靠人工一条条理顺。这种工作对视力、耐心和专注度是极大的考验，但一旦出错，后果又很严重。
当这些任务被交给AI协作工具时，流程发生了根本性的改变。用户只需要把五个聊天群的记录导出扔给AI，告诉它“提取每个人的进度并按部门分类，生成一份周报大纲”，几秒钟后，一份结构清晰的草稿就出现了。如果领导要换维度，只需重新发一句指令，AI马上重新组织。财务人员可以把三张表格上传，让AI“找出这三张表中金额不一致的条目并列出明细”。AI不会觉得枯燥，也不会看错小数点，它能在海量数据中迅速锁定那几行异常值。
这33.4%的数据背后，是无数职场人从无意义的机械劳动中解脱出来的如释重负。他们不需要AI去攻克什么科研难题，只需要AI帮他们把那些消耗生命的“脏活累活”接过去。
16.4%的“内容创作”与克服空白文档恐惧
仅次于业务流程的，是占比16.4%的内容创作与文案。这个场景同样充满了职场痛点。
很多人误以为内容创作只是作家或自媒体的事，但在现代企业中，几乎每个岗位都逃不开写东西。销售要写提案，产品经理要写需求文档，HR要写招聘启事，甚至工程师也要写技术方案说明。对于非专业文字工作者来说，面对一个空白的Word文档或PPT幻灯片，往往会产生一种“空白文档恐惧症”。不知道第一句话该怎么写，不知道结构怎么搭，盯着光标闪烁了半个小时，屏幕上还是一片空白。
幻灯片制作尤其折磨人。把一堆文字塞进有限的版面里，调整字号、对齐图形、选择配色，这些排版工作消耗的时间往往是撰写内容本身的好几倍。很多人在汇报前一晚还在熬夜调PPT的格式，只为了把一个文本框往左挪两像素，或者把两张图片对齐。汇报结束后，这些精心排版的幻灯片往往就躺在文件夹里再也没人打开过。
在这个场景下，AI协作工具扮演了“破冰者”的角色。用户不需要从零开始构思，只需要输入几个要点，AI就能生成一份初稿。对于幻灯片，用户可以给出主题和大致内容，AI直接生成带有排版和配色的演示文稿。虽然初稿往往不完美，但它提供了一个可以修改的基础。人类的工作从“无中生有”变成了“修改完善”，心理压力和实际工作量都大幅降低。你只需要告诉AI“把这页的背景换成蓝色，把重点加粗”，它就能瞬间完成，省去了你在菜单栏里翻找按钮的时间。
这种内容创作的普及，说明AI正在拉平职场人的表达能力差异。那些逻辑清晰但不擅长排版和措辞的人，通过AI的辅助，也能产出专业水准的文档和演示材料。
被低估的“连接性工作”
Anthropic在解读这份数据时，将前两大高频场景定义为“连接性工作”。这是一个极其精准且富有洞察力的概念。
什么是连接性工作？它指的是那些推动项目前进，但极少出现在核心职位描述中的任务。一个律师的核心职责是提供法律咨询和辩护，但他每天可能要花大量时间在文档格式标准化和归档上。一个招聘经理的核心职责是识别人才，但他每天要花大量时间在安排会议和汇总多轮面试反馈上。
这些工作不产生直接的业务价值，不会被写进年终总结的业绩栏，但如果没有人做，项目就会停滞，团队就会混乱。它们是职场运转的润滑剂，也是消耗职场人精力的隐形黑洞。
在传统的职场叙事中，我们总是关注核心技能的提升，却很少关注如何优化这些连接性工作。很多职场人感到疲惫，并非因为核心工作太难，而是被这些琐碎的连接性工作耗尽了精力。写代码可能需要高度集中注意力，但核对表格只需要机械地重复，这种机械重复对人的心智消耗往往更大。这也是为什么当AI协作工具介入时，用户最倾向于把这类工作外包出去。
AI并没有取代律师的法律判断，也没有取代HR的识人直觉。它接管的是“组装和结构化信息”的脏活累活。它填补了跨团队协作中的信息缝隙，让律师能专注于案情分析，让HR能专注于候选人评估。AI成为了填补团队缝隙的粘合剂，让每个人都能把精力留给真正需要人类智慧和经验的那部分工作。
律师的文档与HR的反馈：真实场景还原
为了更直观地理解这种协作模式，我们可以看看官方列举的两个典型跨团队衔接场景。
第一个场景是律师处理文档。在法律行业，文档的格式和规范性有着极高的要求。不同法院对起诉状的排版、字体甚至行距都有具体规定。一个律师在完成一份法律意见书后，可能需要花费一两个小时去逐项核对格式是否符合规范，引用的条文是否标注正确，页眉页脚是否统一。这种工作不需要法律逻辑，只需要耐心和细心，但对于刚连轴转开完庭的律师来说，这种琐碎的核对简直是精神折磨。
现在，律师可以把文档交给AI协作工具，指令它“按照某法院的标准格式检查并调整这份文档”。AI会自动识别不符合规范的排版并予以修正，甚至能检查出引用法条的格式错误。律师保留了最核心的法律判断与辩护策略，把机械的格式核对工作交给了数字实习生。这不仅节省了时间，还降低了因人为疏忽导致格式错误被法院退回的风险。
第二个场景是招聘经理汇总多轮面试反馈。在一个典型的招聘流程中，一个候选人可能要经过HR初面、技术面、业务面和终面。每个面试官都会在系统里留下一段自由文本形式的反馈。有的面试官写得详细，有的只写了几句话，有的侧重技术能力，有的侧重沟通风格。招聘经理在做最终决策前，需要把这些散落的、风格各异的反馈阅读一遍，提炼出关键信息，比如候选人的技术优势、文化契合度风险等，然后汇总成一份给高管看的汇报。如果招的人多，光看反馈就能看花眼，还容易遗漏关键细节。
现在，招聘经理可以把所有面试反馈导入AI，让它“提取每位面试官对候选人技术能力的评价，并总结共识和分歧”。AI能在几秒钟内给出一份结构化的总结，比如“三位面试官均认可其数据库能力，但在团队管理风格上存在分歧”。招聘经理依然保留着最终的识人判断和录用决策权，但信息处理的过程被极大地压缩了。他不需要再去逐字阅读那些冗长的反馈，而是直接基于AI提炼的要点进行判断。
这两个场景共同揭示了一个规律：AI在非技术岗位的落地，并非要抢走他们的饭碗，而是帮他们扫清工作流中的障碍，让他们能更快地触及需要人类智慧和经验的核心环节。
从“盯着屏幕等回复”到“云端跑一夜”
这种使用倾向的变化，也对AI产品的形态提出了新的要求。如果AI只是用来处理写代码这种高度交互的任务，一个对话框就足够了。但如果AI要处理整理报告、核对表格这种耗时且不需要全程盯着的任务，传统的对话框模式就显得很笨重。
非技术用户不需要盯着屏幕等AI一个字一个字地吐出来。他们需要的是一种“布置任务，然后去忙别的，回来再看结果”的异步工作流。就像你交代一个实习生去整理资料，不会站在他背后盯着他敲键盘，而是让他弄好了拿来给你看。
用户可以在下班前给AI布置一个任务，比如“把这周收集的十份行业研报提取核心数据并生成一份汇总表格”。然后用户可以关掉电脑去吃饭休息。AI会在云端后台执行这个任务，不需要设备在线。
当遇到需要人类判断的节点时，AI会暂停并向用户手机推送确认请求。比如AI在处理表格时发现有两个数据源冲突，它会发消息询问以哪个为准。第二天早上，用户在通勤的地铁上用手机审批通过，一份完美的表格就已经准备好了。这种从“对话框”到“后台代理人”的演进，让AI真正融入了职场人的日常节奏。它不再是一个需要专门抽出时间来使用的工具，而是一个可以在后台默默干活的助手。
这种异步机制对于非技术岗位尤为重要。他们的工作往往充满打断和会议，很难有大块时间坐在电脑前与AI进行高频交互。后台执行和移动端审批，降低了使用AI的心智负担，让AI帮忙变得像发一条微信一样轻松。
一份不完美的数据图鉴与普通人的启示
当然，这120万次会话数据并非完美的职场全景图。官方也承认了数据的一些局限性。
首先，数据是按任务类型分类，而非按用户的职位头衔分类。这导致我们无法确切知道这33.4%的业务流程中，究竟有多少是HR做的，多少是财务做的。自动化系统在打标时，存在将营销、HR、财务等职能统一归入“业务流程”的颗粒度问题。
其次，采样方式为按小时固定上限采样，而非按流量固定比例。这意味着高峰时段的使用率可能被略微低估。而且，约有5%的会话属于个人非工作用途，比如个人助理、爱好甚至陪伴式闲聊，并非纯粹的职场图鉴。
但即便存在这些盲区，这份数据依然提供了极具价值的现实启示。
对于普通办公人群来说，最大的启示在于重新审视自己的工作流。不要问AI能不能取代你的核心技能，要问你的工作流中有多少是没人愿意做但必须有人做的连接性工作。
如果你每天有超过20%的时间花在信息搬运、格式调整和表格核对上，那么你就是AI协作工具最精准的受众。你不需要学习复杂的提示词工程，只需要把你平时最讨厌做的那项重复性任务描述给AI听，看看它能不能帮你完成初稿。
AI协作工具的祛魅，在于它从神坛走向了工位。它不是用来解决那些需要极高智商的科研难题的，它是用来解决那些需要极高耐心和体力的琐碎日常的。当33.4%的使用量都在处理业务流程时，说明人们已经找到了AI在当下最务实的用法：把人从机械劳动中解放出来，去干人该干的事。
