Anthropic经济指数：AI使用衡量新维度
译文 AI 逐段翻译
经济研究
Anthropic 经济指数：理解 AI 使用的新基石
2026 年 1 月 15 日
人工智能真的能让人们工作得更快吗？它最能支持哪些任务？它又如何改变人们的职业性质？
在 Anthropic，我们持续测量现实世界中的 AI 使用情况，正是为了回答这些类似的问题。我们注重隐私的分析方法使我们能够了解有关对话的信息Claude.ai（捕捉消费者使用情况）和我们的第一方 API（主要捕捉企业使用情况）。1 在之前的报告中，我们按职业和工资水平评估了 AI 任务，更仔细地研究了软件开发，并按国家和美国州研究了 AI 的使用情况。职业和工资水平，更仔细地研究了软件开发，并研究了 AI 使用的按国家和美国州。
我们现在正在为我们的经济指数增加新的细节。在我们的第四份报告中，我们引入了我们所谓的经济基元：一套五个简单、基础的度量标准，用于追踪 Claude 随时间的经济影响。我们的初始集合包括任务复杂度、技能水平、目的（工作、教育或个人使用）、AI 自主性和成功率。2 这些基元是通过让 Claude 回答一组关于本报告样本中每个对话的常见问题得出的。
这些基元为 AI 潜在的经济影响提供了领先指标——并使我们能够回答关于 AI 如何已经在改变工作的更复杂的问题。我们最新的报告抽样了 2025 年 11 月的对话（主要使用 Claude Sonnet 4.5），利用这些基元探索了各种我们原本无法回答的问题——包括 Claude 对于更复杂任务的成功率如何变化，以及迄今为止 Claude 的使用是否可能预示许多工作出现净技能降级效应。
你可以在这里阅读第四份经济指数报告。下面，我们总结其结果。
我们从经济基元中学到了什么
我们将经济基元应用于关于单个任务、职业的问题，然后应用于我们观察到的变化可能产生的总体影响。（我们完整的方法论——包括我们如何测试基元准确性的细节——在完整报告的第二章中有描述。完整报告。）
任务
AI 加速了哪些任务，加速了多少？
我们发现，更复杂的任务被 Claude 加速得最多。我们通过 Claude 估计的理解对话输入所需的教育年限来衡量这一点：在 Claude.ai 上，要求高中教育（12 年）的提示任务被加速了 9 倍，而要求大学学位（16 年）的任务被加速了 12 倍。（在 API 上，加速幅度更大。）这些结果表明，AI 的生产力提升目前正在积累到需要相对较高人力资本的任务中，这与白领专业人士更有可能在工作中使用 AI 的证据一致。证据白领专业人士更有可能在工作中使用 AI。
当我们根据任务成功率进行调整时，这一趋势仍然存在——尽管形式较弱。Claude 成功完成要求大学学位的任务的时间占比为 66%，而要求低于高中教育的任务成功率则为 70%。这降低但并未消除整体效应：Claude 对任务加速的影响随复杂度增长的速度比复杂度与成功率下降的相关性更陡峭。
Claude 能够在多长时间内支持任务？
METR对 AI 的任务时限的测量表明，较长的任务对 AI 模型来说更难完成。但随着模型变得更好，AI 模型能够工作的时间长度正在稳步增加：这一指标现在已经成为 AI 进步的关键指标。
我们能够利用我们的经济基元来补充 METR 的分析。在下面的图中，我们展示了 Claude 的任务级成功率相对于人工完成相同任务所需时间，分别在Claude.ai和我们的 API 上：
METR 的基准表明，Claude Sonnet 4.5（我们分析中使用的模型）在 2 小时的任务上达到 50% 的成功率。相比之下，我们自己的 API 数据发现，Claude 在耗时近两倍（约 3.5 小时）的任务上成功率达到 50%，而在 Claude.ai 上，时长还要长得多——约 19 小时。但这可能不像看起来那么不一致：我们的方法与 METR 在一些重要方面有所不同。在我们的样本中，用户可以将复杂的任务分解为较小的步骤，形成反馈循环，使 Claude 能够纠正方向。而且，我们的样本不是固定的任务集，而是包含一种选择偏差：用户带着他们更有信心会成功的任务来使用 Claude。
我们的分析显示了 Claude 的有效时间范围可能不同于那些在具有一致任务集的研究中发现的时间范围。我们将在后续报告中追踪这一指标。
Claude 工作的性质如何因国家而异？
我们发现，在处于不同经济发展阶段的国家，Claude 完成的任务类型差异很大。在人均 GDP 较高的国家，Claude 更频繁地用于工作或个人用途——而位于另一端的国家更可能将其用于教育课程。这符合一个简单的“采用曲线”故事，即低收入国家在教育和较少的工作任务中显示出较大的 AI 使用份额，而随着国家变得更富裕，AI 使用向个人目的多样化。
这些结果与微软最近的工作相符，该工作将教育中的 AI 使用与较低的人均收入联系起来，并将休闲中的 AI 使用与较高收入联系起来。我们的由微软，该研究将教育中的AI使用与人均收入较低联系起来，而休闲中的AI使用则与较高收入相关。我们的最近的合作与卢旺达政府和ALX（一家技术培训提供商）的合作正是基于这一考虑：参与者首先培养人工智能素养，我们正在试点一个项目，为部分毕业生提供为期一年的Claude Pro访问权限，支持从教育用途过渡到更广泛的应用。
职业
覆盖范围
在我们的第一份报告中，使用2025年1月的数据，我们发现样本中36%的工作中，Claude被用于至少四分之一的任務。汇总各份报告的数据，这一比例已上升至49%。但一旦我们考虑到Claude的成功 率（我们根据工人执行该任务的频率和任务耗时进行加权），我们得出了哪些职业受人工智能使用影响最大的不同图景。
在下图中，我们绘制了早期衡量的职业任务覆盖率沿x轴，以及我们新的调整后衡量指标沿y轴。虽然两者确实相关，但我们现在发现，一些职业（如数据录入员和放射科医生）受到人工智能的影响比单纯任务覆盖率所暗示的要大得多，而其他职业（如教师和软件开发者）相对受影响较小。
话虽如此，即使我们修订后的评估仍然有限：我们只评估在Claude.ai上执行的任务，而且这些对话如何映射到现实世界的变化并不总是清楚。这是我们计划在未来进一步深入研究的领域。
任务内容
我们提出的另一个问题是，人工智能覆盖的任务是代表了特定职业中技能较高还是较低的组成部分。使用我们创建的每个任务所需技能水平的估计，我们发现Claude相对更可能覆盖需要较高教育水平的任务——具体来说，需要平均14.4年教育（相当于美国副学士学位）的任务，而经济体的平均为13.2年（如下所示）。这与我们早期发现Claude更常被白领工人使用的情况一致。
作为一项实验，我们估计了移除这些Claude覆盖的任务将如何改变人们工作的任务构成。作为一阶效应，这平均会降低技能要求，因为它会移除那些需要较高教育水平的任务。像技术文档工程师、旅行代理人和教师等职业将受到影响（我们将在报告中进一步讨论），尽管少数职业（如房地产经理）会看到相反的影响。
我们不一定预测这种技能降级会发生：有可能即使人工智能完全自动化了它当前支持的任务，劳动力市场也会以这种分析未考虑的方式动态调整。（当然，随着模型改进，人工智能覆盖的任务构成也会变化。）话虽如此，我们认为这为人工智能在不久的将来可能对职业产生的最直接影响提供了有用的信号。
总体影响
在早期的研究中，我们估计人工智能的广泛采用可能在未来十年每年将美国劳动生产率增长提高1.8个百分点——约为趋势增长率的两倍。我们新的原始数据使我们能够重新审视这一分析。
仅基于我们对任务加速的估计，我们重复了早期发现，即增加1.8个百分点（即使我们加入API数据）。但当我们考虑任务可靠性——也就是说，当我们根据任务成功的概率调整任务级时间节省估计时，对于在Claude.ai上完成的任务，我们的估计下降了约三分之一（降至每年1.2个百分点），而对于通常在API上完成的更具挑战性的任务，下降稍多（降至1.0个百分点）。
即使年劳动生产率增长仅增加1个百分点也是显著的：这将使美国生产率增长回到1990年代末和2000年代初的水平。而且，正如我们在早期研究中提到的，这一总体估计没有考虑到人工智能模型可能变得更强大，或工作中人工智能的使用可能变得更加复杂——这可能会将数字推高很多。事实上，自我们调查以来，Claude已经变得明显更强大，随着Claude Opus 4.5的发布。
先前指标的更新
除了我们的原始数据，我们还收集了一轮关于之前在报告中跟踪的指标的新数据。这使我们能够梳理出2025年1月至11月人工智能使用的趋势。在这里，我们主要发现与先前分析结果相比只有小的变化，先前分析指出Claude的使用分布不均。
首先，我们发现Claude的使用仍然高度集中于某些任务：尽管我们的样本包含Claude.ai上的3,000个独特工作任务，但前十项任务占其中的24%，这一比例从2025年1月的21%稳步上升。更具体地说，计算机和数学任务继续主导Claude的使用：它们约占Claude.ai上所有对话的三分之一，以及我们API流量的近一半。
其次，我们的新报告发现，增强（占对话的52%）已超过自动化（占45%），成为与Claude交互的最流行模式，在Claude.ai上。这与我们8月样本中的情况相反（当时自动化以49%对47%领先），但当我们从更长的时间框架评估这个问题时，我们仍然看到自动化在任务中的份额缓慢上升：去年1月增强以55%对41%领先，3月以55%对42%领先。
第三，我们最新的分析显示，AI使用的地理集中性（正如我们上次讨论的）仍然明显。美国、印度、日本、英国和韩国在Claude.ai的整体使用中仍然领先，且采用率与人均GDP的相关性很好。尽管如此，在美国，我们观察到了更大的变化：Claude的使用在美国各州之间已变得更加均匀分布。事实上，如果这种趋势持续下去，我们的模型预测，Claude的使用将在两到五年内在全国范围内均衡。我们在报告中更详细地讨论了这一模型。
结论
我们最新经济指数报告的最直接结论是，AI对全球劳动力的影响仍然高度不均衡：AI使用仍然集中在特定国家和职业，并且它对某些职业的影响方式与其他职业截然不同，正如任务覆盖率的证据所示。
更普遍地说，这份报告为我们未来的调查提供了一个新的基准。随着Claude的改进，我们预计它将被要求承担更困难的任务，并且可能会取得更大的成功。我们还预计，随着任务变得更加可靠，任务可能会从Claude.ai转移到API（即从主要面向消费者转向主要面向企业）——如果发生这种情况，这将为我们提供另一个可能的经济影响的指示，鉴于企业对AI生产力的影响的重要性。通过我们的原语，我们将能够衡量这些变化如何开始影响现实世界的结果，包括人们工作的性质，以及在这个快速技术转型时期哪些人（以及在哪里）可能受到最大的影响。
与此同时，研究人员、记者和公众可以使用我们的数据来为他们的研究和思考提供信息，并为我们可能需要潜在政策回应提供实证基础。关于我们上面讨论的每个领域的更多细节，请参阅我们的完整报告。
脚注
- 与之前的报告一样，我们所有的分析都基于隐私保护分析。在整个报告中，我们分析了来自Claude.ai免费版、专业版和Max版的100万次对话的随机样本（我们也称之为“消费者数据”，因为它主要代表消费者使用）以及我们第一方（1P）API流量的100万份转录（我们也称之为“企业数据”，因为它主要代表企业使用）。
- 任务复杂性捕捉了任务在复杂性上的差异，包括完成所需的时间和难度。在O*NET中，“调试”任务可能指Claude修复函数中的小错误或全面重构代码库——这对劳动力需求的影响截然不同。我们通过估计在没有AI的情况下完成任务的预计人类时间、使用AI完成任务的时间，以及用户是否在单个对话中处理多个任务来衡量复杂性。
- 人类与AI技能解决了自动化如何与技能水平互动的问题。如果AI不成比例地替代那些需要较少专业知识的任务，同时补充高技能工作，这可能成为另一种形式的技能偏向型技术变革——增加对高技能工人的需求，同时取代低技能工人。我们衡量用户是否能在没有Claude的情况下完成任务，以及理解用户提示和Claude回复所需的教育年限。
- 使用场景区分了专业、教育和个人使用。劳动力市场影响最直接源于工作场所的使用，而教育使用可能预示着未来劳动力正在哪些方面建立AI互补技能。
- AI自主性衡量用户将决策权委托给Claude的程度。我们最新的报告记录了“指令式”使用的上升，即用户完全委托任务。跟踪自主性水平——从主动协作到完全委托——有助于预测自动化的速度。
- 任务成功衡量Claude对是否成功完成任务的评估。任务成功有助于评估任务能否被有效自动化（任务能否完全自动化？）以及效率如何（自动化一个任务需要多少次尝试？）。也就是说，任务成功对自动化劳动任务的可行性和成本都至关重要。
实际上，一些历史证据表明，当自动化工作任务的专利数据出现时，暴露职业的就业和工资随后会下降。
相关内容
新兴多智能体系统中的模式与问题
在这里，我们识别了当前前沿模型中的一些行为倾向示例，并展示它们如何导致意外的系统性失败，希望引发关于缓解这些风险的对话。
审视工人再培训计划的证据
我们分享了一份关于工人再培训计划的证据审查，由独立研究员David Roodman和Anthropic的Maxim Massenkoff合著。
了解更多关于Claude数学能力的信息
一个未发布的研究版Claude在黎曼猜想相关问题上取得了进展。它改进了满足该猜想的黎曼zeta函数零点比例的一个长期存在的下界，将其从41.6%提高到67.2%。