Anthropic经济指数：Claude使用学习曲线

Anthropic 经济指数使用我们保护隐私的数据分析系统来追踪 Claude 在整个经济中的使用方式。这是我们尽早理解 AI 经济影响工作的一部分，以便研究人员和政策制定者有充足时间做好准备。

这份最新报告研究了 2026 年 2 月的 Claude 使用情况，建立在我们上一份报告（使用了 2025 年 11 月的数据）中引入的经济基元框架之上。我们的样本覆盖 2 月 5 日至 2 月 12 日，即 Claude Opus 4.5 发布三个月之后，并与 Claude Opus 4.6 的发布同期。

我们首先记录使用情况相对于此前报告的变化：增强型使用——即 AI 补充用户能力的协作式交互——在 Claude.ai 和 API 流量中均略有上升。在 Claude.ai 中，使用更加多样化，上个月前 10 大任务所占使用份额低于 2025 年 11 月。由于这种多样化，Claude.ai 中的平均对话所涉及任务的工资水平比此前报告略低。

随后我们聚焦于决定 Claude 对劳动力市场和更广泛经济影响的一个重要因素：Claude 采用中的学习曲线。我们提供证据表明，高使用年限的用户已发展出习惯和策略，使他们能够更好地利用 Claude 的能力。事实上，我们记录到，更有经验的用户不仅尝试更高价值的任务，也更有可能在对话中获得成功的回复。

自上一份报告以来的变化

在第一章中，我们回顾了此前于 2026 年 1 月发布的经济指数报告中的发现。我们发现：

• Claude.ai 上的用例多样化了。编码任务继续从 Claude.ai 中的增强型使用迁移到我们第一方 API 流量中更自动化的工作流。1在本报告中，Claude.ai 的使用集中度降低：前 10 大任务在 2 月占全部流量的 19%，低于 11 月的 24%。尽管如此，该样本中几乎所有任务都曾出现在我们此前的至少一个样本中。约 49% 的职业至少四分之一的其任务曾使用 Claude 完成。
• Claude 的采用扩展到低工资任务。随着用例多样化，在 Claude 上完成工作的平均经济价值——以支付给相关职业劳动者的美国工资衡量——略有下降。从机制上看，这是由围绕体育、产品比较和家庭维护的个人查询增加所导致的。这一模式符合标准的“采用曲线”叙事，即早期采用者偏好编码等特定的高价值用途，而后期采用者承担范围广泛得多的任务。
• 全球使用的不平等持续存在。使用仍然高度集中：前 20 个国家占全部人均使用量的 48%，高于此前的 45%，凸显出全球采用方面的持续差距。然而，美国国内的人均 Claude 使用持续趋同：自上一份报告以来，使用量最高的 10 个州所占使用份额从 40% 降至 38%。

学习曲线

经济指数的一个核心发现是，Claude 的早期采用非常不均衡：Claude 在高收入国家、在美国知识工作者更多的地方，以及针对相对少量专业化任务和职业的使用更为密集。

一个重要问题是，采用的不平等可能如何决定 AI 的收益将在何处、向何人累积。例如，如果有效的 AI 使用需要互补的技能和专业知识——我们在上一份报告中曾提出这一点——并且如果此类技能可以通过使用和实验获得，那么早期采用的收益可能是自我强化的。

在第二章中，我们研究用户似乎如何塑造他们从 Claude 中获得的价值：他们如何将模型能力与手头任务相匹配，以及使用模式与结果如何随平台经验而变化。

• 模型选择与任务相匹配。我们表明，用户会为在劳动力市场中通常获得更高工资的任务选择我们最智能的模型类别 Opus。例如，在付费 Claude.ai 用户中，Opus 在编码任务上的使用率比平均水平高 4 个百分点，在辅导相关任务上的使用率比平均水平低 7 个百分点。对于 API 用户，这种模型切换的差异大约是其两倍。
• 使用年限越高，成功率越高。总体而言，最有经验的 Claude 用户更常将其用于高等教育任务，而较少用于个人用例。例如，使用 Claude 达 6 个月或更久的人，其个人对话少 10%，其输入反映的教育水平高 6%。最引人注目的是，这一较高使用年限群体在其对话中的成功率高 10%，这一关联无法用他们的任务选择、来源国家或其他因素来解释。这可能反映了早期采用者的成熟度，也可能是在实践中学习的证据，即人们通过经验更善于使用 Claude。

自上一份报告以来的变化

Claude.ai 中用例的多样化

我们首先查看 Claude 被要求执行的任务类型。我们使用我们的保护隐私的系统，它使我们能够在聚合层面描述行为，而不泄露单个对话记录的内容。我们从Claude.ai，我们面向消费者的网络产品，以及我们的第一方 API（用于将 Claude 集成到产品和工作流中的开发者接口）中各抽取 100 万条对话。2

编码仍然是我们平台上最常见的用途，与计算机和数学职业相关的任务占 Claude.ai 上对话的 35%（见附录）。3然而，从 2025 年 11 月到 2026 年 2 月，Claude.ai 上的用例变得不那么集中：前 10 个最常见的 O*NET 任务从占对话的 24% 降至仅 19%（图 1.1）。

这种集中度的下降部分反映了编码任务从 Claude.ai 迁移到我们的第一方 API，其中 Claude Code 已增长至占采样流量的很大一部分。Claude Code 的智能体架构将编码工作拆分为更小的 API 调用，这些调用被标记为不同的任务。因此，尽管编码在 API 流量中的总体份额有所增长，但它分散在许多任务类别中，而不是集中在少数几个类别中。结果，尽管编码活动大量涌入，API 中的任务集中度仍大致持平。

这种代码从 Claude.ai 迁出的现象并不是推动集中度下降的唯一因素。部分下降是由于两个时期之间用例组合的变化。课程作业从对话的 19% 降至 12%，而个人使用从对话的 35% 升至 42%。课程作业的部分下降可以用我们采样期间学生放寒假的国家/地区的学历日历解释。4与此同时，大约从 2 月开始增加的注册量带来了更多休闲 AI 用户。

虽然 Claude 的工作任务分布变得更加多样，但几乎所有这些任务此前都已在我们的数据中出现过。在我们上一份报告中，我们指出 49% 的工作岗位中至少四分之一的 task 曾使用 Claude 完成。在本次数据提取中，该累计估计几乎没有变化（附录图 A.2）。本报告的数据显示，与上一份报告相比，新颖的 O*NET 任务少了很多。

自我们的第一份报告以来，我们已将对话分类为五种交互类型之一——指令型、反馈循环、任务迭代、验证和学习——我们将它们归入两个更宽泛的类别：自动化和增强。5图 1.3 显示 Claude.ai 中的增强略有增加。这是由验证和学习模式的小幅上升推动的。在附录图 A.3 中，我们显示 1P API 数据中的自动化大幅下降。

我们的 API 平台继续获得相对更高份额的计算机与数学任务（按岗位类别划分的用量份额见附录）。自 2025 年 8 月以来，该类别任务的份额在 API 中增加了 14%，在 Claude.ai 中减少了 18%。正如我们在关于劳动力市场影响的报告中指出的，我们预计这种从 Claude.ai 到 API 的迁移可能预示着相关工作岗位的工作将更早发生转变。Claude.ai 中与管理工作职业相关的任务增加（从占其流量的 3% 升至 5%），来自分析性任务（例如，准备投资备忘录）和回应客户问题的混合。

衡量 Claude 上所完成任务组合变化的另一种方法是考察任务平均价值的变化，我们将其定义为执行该任务的美国工人的平均小时工资（图 1.4）。6Claude.ai 中任务价值的这一估计已从 49.3 美元小幅下降至 47.9 美元，主要原因是简单事实性问题（例如，体育赛事结果、天气）的增加以及编码任务随其向 API 转移而减少。正如我们在上一份报告中提到的，我们在 Claude 上看到的任务往往要求更高的教育水平。该图显示，这些任务往往也比美国全国平均水平赚取更高的工资。

虽然变化不大，但上一份报告与当前报告之间若干基础指标的变化反映了 Claude.ai 上任务复杂度的类似下降。人类输入所需的平均教育年限从 12.2 年降至 11.9 年，用户授予 AI 更多自主权，人类单独完成任务所需时间减少了约 2 分钟。有一项变化表面上方向相反：Claude 执行的任务被判定为在没有 AI 辅助的情况下人类独立完成的可能性略低。

新兴的自动化模式

随着任务迁移到 API，它们可能更容易受到自动化的影响。API 工作流更可能是指令型的，对人在环路中的需求更少。在上一份报告中，我们强调客户服务任务，例如包括对支付和账单问题的自动化支持，在 API 数据中很普遍。这些任务促成了客户服务代表观察到的更高暴露度——Claude 被记录为在自动化工作流中完成了他们很大一部分任务，因此随着 AI 的扩散，这些工作可能更可能发生变化。

我们重点介绍两个 API 工作流，它们在 2 月相比三个月前出现得更频繁，在我们最新的样本中份额至少翻了一番：7

• 商业销售与拓展自动化：销售赋能材料生成、B2B 潜在客户资格审查研究、客户数据丰富、冷邮件撰写。
• 自动化交易与市场运营：监控市场或头寸、提出具体投资建议、向交易员告知市场状况及相关任务。

重新审视地理趋同

在我们上一份报告中，我们指出 Anthropic AI 使用指数（AUI，按某地区劳动年龄人口调整使用量）在美国各州之间正在快速趋同：初始人均使用量较低的州表现出更快的采用速度。

图 1.6 的左面板显示，这种趋同在我们最新的数据中仍在继续，但速度较慢。从 2025 年 8 月到 2026 年 2 月，人均使用量中流向前五个州的份额从 30% 降至 24%。自 2025 年 8 月以来基尼系数有所下降，尽管趋同速度已经放缓。当我们更新上一份报告中的估计时，我们发现按照这一速度，各州将在大约 5–9 年内达到大致相等的人均使用量，而不是 2–5 年。8

在国家之间（右图），模式正好相反：使用已经变得略微更加集中，基尼系数在同一时期上升。使用Claude最多的国家（按人均计算）现在占总体使用量的更大份额，前20个国家经人口调整后的使用量占比从45%升至48%。

学习使用AI

在本章中，我们聚焦于反映人们如何部署AI并学习与AI协作的两个使用特征：模型选择以及长期用户的习惯。

首先，我们通过研究人们何时选择Opus——我们性能最强的模型类别——来揭示对智能的需求。关于AI用户如何在速度、性能和成本之间权衡并选择不同模型，目前所知甚少。如果用户是在针对手头任务进行校准，我们应该会看到Opus集中在更难、价值更高的工作上。

接下来，我们研究使用情况如何因使用时长而异，发现不同时间注册的用户之间存在差异。这揭示了学习曲线：有经验的用户会随时间变得更好吗？他们的使用方式有何不同？我们发现了与“干中学”相一致的证据。高使用时长用户不仅在对话中取得更大的成功，他们与Claude的协作也更多，会向Claude提出更具挑战性的任务，并且更可能将Claude用于工作目的以及更广泛的任务。

模型选择

不同的Claude模型类别（Haiku、Sonnet和Opus）在成本、速度和性能方面提供了权衡。Opus类模型使用的token最多，擅长复杂任务，但在我们的API上每token价格更高。如果用户了解这一点并注意成本和使用限制，他们应该将最复杂、最有价值的任务交给Opus，同时为更简单的任务选择其他模型。这大体上正是我们在数据中观察到的情况。

下面的图2.1显示，对于可以使用所有模型类别的付费Claude.ai账户，55%的计算机和数学任务（如编写软件）使用Opus，而教育类任务中这一比例为45%。技术型用户可能注意到性能提升并主动从默认的Sonnet切换出去。或者，注重效率的用户可能学会对更简单的任务使用Sonnet，以避免触及使用限制。与此相关，这里的差异可能反映出大多数教育类任务对Sonnet来说已经相当简单，或者学生更可能注意使用限制。

下面的图2.2以更细粒度的方式展示了这一点。当用户执行与更高薪酬工作相关的任务时，他们更频繁地使用Opus。例如，在Claude.ai上，34%的软件开发者任务涉及Opus，而辅导教师任务中这一比例仅为12%。总体而言，任务时薪每增加10美元，Claude.ai用户使用Opus的对话占比就增加1.5个百分点。1P API流量对任务复杂度的反应要大得多。其斜率约为两倍，任务价值每增加10美元，Opus占比就增加2.8个百分点。与网页用户相比，部署程序化工作流的用户可能更有理由在不同模型之间切换。

学习曲线

第一个Claude模型于2023年3月发布。此后，Claude.ai和API上的用户群都快速增长。我们的最新样本包含各类用户，其中一些在Claude首个版本发布时就注册了，另一些则在我们测量其使用情况的前一天才注册。一个人使用Claude的时长如何塑造其使用体验？9

表2.1显示了低使用时长用户和高使用时长用户之间的差异，其中后者被定义为至少6个月前注册Claude的用户，低使用时长用户则是其余所有人。10高使用时长用户更可能使用Claude来迭代他们的工作，而通过指令式使用模式委托更大责任的可能性要低得多。他们使用Claude工作的可能性高出7个百分点，并且使用Claude执行往往需要更高教育水平的任务。最后，他们的使用在特定任务上的集中度较低。对于高使用时长群体，前10项O*NET任务占使用量的份额略低（20.7%对22.2%）。

下面，我们进一步深入探讨上文讨论的两个基本要素：每次对话对应的人类受教育年数，以及专门用于个人用途的对话记录占比。

在左图中，我们显示理解人类提示词所需的受教育年数每增加一年Claude使用时长，就增加近1年。在右图中，我们显示与此同时个人用途下降：一年前注册的用户将38%的对话用于个人用途，而最新用户这一比例为44%。

对于一种快速进步的多用途技术的用户群，这些模式可能由若干因素解释。高使用时长用户是自我选择的，这里的差异可能反映稳定的特征。例如，他们可能是程序员，更可能成为早期采用者。此外，还存在固有的幸存者偏差：在我们提取数据前一年注册的人可能正从其使用中看到积极成果。我们观察不到一年前注册但已不再使用Claude的人。

这些发现与我们在《经济基本要素》报告中看到的情况相呼应： paradoxically，在一些情况下，收入较低、教育程度较低的国家显示出更复杂的使用。最早的采用者往往拥有高价值的技术型使用场景。在采用率低得多的较贫穷国家，这些早期采用者仍然主导着用户群。

当AI扩散到更广泛的人群时，更随意的使用方式就会出现。事实上，在请求集群中，平均使用时长最高的任务包括：AI研究、git操作、修改稿件和初创公司融资。平均使用时长最低的任务则涉及更简单的工作流，如写俳句、查看体育比分和为聚会推荐食物。11

经验效应

我们在下文图 2.4 中进一步探讨这些关系，使用对数水平数据对对话特征进行细粒度控制。在上方面板中，设定 (1) 展示了一个简单的双变量回归，以任务成功为结果变量、以长期使用指示符为预测变量。成功是 Claude 对对话是否成功的评估，在我们之前的报告中有所描述。图中显示，长期使用用户获得成功对话的可能性约高出 5 个百分点。

这可能反映了高使用年限用户更擅长编写提示词。但如果这反映的是他们带给 Claude 的任务不同——即更有可能成功的任务呢？

在设定 (2) 中，我们加入了特定 O*NET 任务和请求聚类的固定效应。这相当于在同一狭义定义的任务内部比较高使用年限和低使用年限用户，而不是跨任务比较。例如，我们有一个名为“为特定公司执行企业财务分析、估值和建模”的请求聚类。固定效应在该聚类内部比较高使用年限和低使用年限用户，同样也在其他每个聚类内部进行比较。只有当长期使用用户在这些任务内比较中平均而言更成功时，我们才会观察到正系数。这一控制在一定程度上削弱了效应，使其接近 3 个百分点。

最后，我们考察这一关系是否受到高使用年限用户选择不同模型、使用不同语言交流、具有不同用例或在不同的国家登录的影响。这一回归得出的高使用年限影响略高，表明在纳入全部控制变量后，成功率高出 4 个百分点。

这些结果表明，高使用年限用户在其 Claude 对话中取得更多成功，且这并非源于语言或所执行任务等简单因素。一个有趣的可能解释是，这些用户更好地学会了如何从 AI 中提取他们想要的东西。熟练使用这些平台可能是成功的一个关键决定因素，且似乎会随着经验而扩展。

讨论

本报告重新审视了我们用来追踪 Claude 使用情况的核心指标，并首次分析了模型选择和成功率。自 2025 年 8 月以来，1P API 的使用变得更加集中，排名前 10 的 O*NET 任务现在占流量的 33%，高于此前的 28%。另一方面，自我们 2025 年 11 月的数据以来，Claude.ai 的任务已趋于多样化。在美国，低使用率州的更快普及仍在继续，但速度较上一份报告有所放缓。低采用率国家略微进一步落后。

通过本报告，我们可以开始梳理各种经济基础要素是如何变化的。课程作业在用量中的占比下降，而个人对话增加。我们还注意到 Claude.ai 中提示词的总体复杂度略有下降，Claude.ai 中的对话呈现出更不复杂的输入和更短的预计完成时间。

总体而言，Claude 被用于高价值、复杂的工作，这些工作并不广泛代表美国经济。但随着用户基础的增长，报酬较低的任务在流量中的占比略有上升。任务的平均价值（以与这些任务相关的职业中支付给工人的估计工资衡量）自我们第一份报告以来在 Claude.ai 上有所下降，而在 API 用户中则有所上升。在两个平台上，用户都将最复杂的任务带给我们更强大的模型类别 Opus。这种转变在 API 客户中更为明显。

更有经验的用户倾向于更协作地使用 Claude，出于更多与工作相关的原因，用于更复杂的任务，并取得更多成功。这与我们去年提出的一个假设相悖，即自动化使用可能在高经验、高水平的用户中更为典型；相反，我们发现最高级的用户更有可能与 Claude 反复迭代。这也与“干中学”相一致：一个人使用 AI 的时间越长，就越能有效地驾驭它。

当然，另一种解释是这些结果由队列效应或幸存者偏差驱动。早期采用者可能更具技术背景。继续使用 Claude 的人可能是那些拥有它特别擅长处理的任务的人。但经过仔细控制的回归排除了这种混淆的简单版本，例如长期使用用户带来不同种类任务的情况。随着时间推移，我们将能够更清晰地将队列效应和幸存者偏差与干中学区分开来。

这些观察到的成功率差异可能会加深劳动力市场中的不平等。经济学家长期以来一直指出 技能偏向型技术变革的潜力：这类创新会提高高技能工人的工资，同时压低其他人的工资。我们在本报告中的分析识别出这种技能偏向型转变可能已经在发生的一条渠道：拥有高技能任务的早期采用者与 Claude 的交互比后来技术背景较弱的采用者更成功。这些早期采用用户可能同时是受 AI 驱动颠覆影响最大的人群，也是在采用的最初、增强性浪潮中从 AI 获益最多的人群。

附录

可在此处获取。

数据可用性

本报告的数据可在此处获取。

脚注

01“第一方 API”或 1P API 指直接通过 Anthropic 自有编程接口路由的开发者流量，它既不同于 Anthropic 面向消费者的 Claude.ai 应用，也不同于 Amazon Bedrock 或 Google Cloud Vertex 等第三方平台。

02这包括来自 Claude Code 的数据。

03此数字使用 2019 年 O*NET-SOC 代码，而之前的报告使用 2010 年版本。

04在学期仍处于活跃状态的国家，课程作业对话下降了 5 个百分点，而在大多数学生处于假期的国家则下降了 12 个百分点。

05交互类型的定义见附录。

06例如，任务“使用数学和化学程序计算水分或盐分含量、成分百分比、配方或其他产品因素”仅由食品科学技术员完成，他们的平均工资为26.15美元，因此这就是该任务的价值。本练习的数据来源是2024年5月BLS职业就业和工资统计（OEWS）表。当多个工人完成同一任务时，我们按就业人数和在该任务上花费的时间比例对工资进行加权平均。

07为找出新兴模式，我们筛选了O*NET任务，条件是（i）在当前数据中至少出现300次，且（ii）与上一份报告相比显示出至少2倍的增长。

08给出该范围是为了反映在我们上一份报告中运行模型时，带权重（5年）或不带权重（9年）所得的不同估计值。

09在本分析中，我们使用对数水平数据，以相同的隐私阈值估计模型。有关方法的更多内容，请参见附录。

10无论我们如何定义高任期，这些结果都相似。

11我们的抽样期与我们的超级碗广告发布重叠，这带来了许多首次使用者。

作者与致谢

贡献者

Maxim Massenkoff*、Eva Lyubich*、Peter McCrory*、Ruth Appel、Ryan Heller

*报告主要作者

致谢

Tim Belonax、Keir Bradwell、Andy Braden、Dexter Callender III、Miriam Chaum、Madison Clark、Evan Frondorf、Deep Ganguli、Kunal Handa、Hanah Ho、Owen Kaye-Kauderer、Jennifer Martinez、Miles McCain、Jared Mueller、Kelsey Nanan、Tyler Neylon、Dianne Penn、Sarah Pollack、Ankur Rathi、David Saunders、Michael Stern、Alex Tamkin、Kim Withee、Jack Clark

引用

@online{anthropic2026aeiv5,
        author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller},
        title = {Anthropic Economic Index report: Learning curves},
        date = {2026-03-24},
        year = {2026},
        url = {https://www.anthropic.com/research/economic-index-march-2026-report},
}