Anthropic 经济指数报告:Claude 使用中的学习曲线
Anthropic Economic Index report: Learning curves
Anthropic 发布经济指数报告,基于 2026 年 2 月 5 日至 12 日的 100 万条 Claude.ai 与 API 对话样本,分析 Claude 在经济中的使用变化。
Anthropic 用百万级对话样本量化了使用经验与任务成功率的关系,为判断 AI 技能差距如何形成提供了数据视角。
Anthropic 经济指数使用我们保护隐私的数据分析系统来追踪 Claude 在经济各领域的使用情况。这是我们尽早理解 AI 经济影响努力的一部分,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,基于我们上一份报告(使用了 2025 年 11 月的数据)中引入的经济基元框架。我们的样本覆盖 2 月 5 日至 2 月 12 日,即 Claude Opus 4.5 发布三个月后,并与 Claude Opus 4.6 的发布同期。
我们首先记录了使用情况相对于此前报告的变化:增强型使用率——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略低于此前报告。
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。我们提供的证据表明,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 2026 年 1 月发布的上一份经济指数报告中的发现。我们发现:
- Claude.ai 上的用例更加多样化。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:2 月前 10 大任务占全部流量的 19%,低于 11 月的 24%。尽管如此,本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% 的职业中,至少有四分之一的任务曾使用 Claude 完成。
- Claude 的采用扩展至更低工资的任务。随着用例多样化,Claude 上所完成工作的平均经济价值——以相关职业从业人员在美国获得的工资衡量——略有下降。从机制上看,这是由于围绕体育、产品比较和家居维护的个人查询增加所致。这一模式符合标准的“采用曲线”叙事:早期采用者偏好编码等特定高价值用途,而后期采用者承担的任务范围要广泛得多。
- 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 使用量继续趋同:自上一份报告以来,使用量最高的 10 个州所占份额从 40% 降至 38%。
学习曲线
《经济指数》的一个核心发现是,Claude 的早期采用极不均衡:在高收入国家,Claude 的使用强度更高;在美国,知识工作者更集中的地区使用更多;并且其用途集中在相对少量专业任务和职业上。
一个重要问题是,采用上的不平等可能如何决定 AI 收益将在何处、向谁累积。例如,如果有效使用 AI 需要互补的技能和专业知识——正如我们在上一份报告中所论述的——并且如果这些技能可以通过使用和实验获得,那么早期采用带来的收益可能会自我强化。
在第二章中,我们考察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,以及使用模式和结果如何随平台经验而变化。
- 模型选择与任务匹配。我们展示,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 在编码任务中的使用率比平均水平高 4 个百分点,在辅导相关任务中的使用率比平均水平低 7 个百分点。对于 API 用户,这种模型切换大约明显两倍。
- 使用时间越长,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,较少用于个人用途。例如,使用 Claude 6 个月或更久的人,其个人对话少 10%,其输入中反映的教育水平高 6%。最引人注目的是,这一较高使用时长群体在其对话中的成功率高 10%,这种关联无法由他们的任务选择、来源国或其他因素解释。虽然这可能反映早期采用者的成熟度,但也可能是边做边学的证据,即人们通过经验更善于使用 Claude。
自上一份报告以来发生了什么变化
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。我们使用隐私保护系统,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(面向消费者的网页产品)和我们的第一方 API(面向开发者、用于将 Claude 集成到产品和工作流中的接口)各采样 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 对话的 35%(见附录)。3 然而,在 2025 年 11 月至 2026 年 2 月期间,Claude.ai 上的用例变得不那么集中:最常见的 10 个 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正从 Claude.ai 迁移到我们的第一方 API,在后者中 Claude Code 已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 流量中的整体占比有所增长,但它分散在许多任务类别中,而非集中在少数几个类别里。结果是,尽管编码活动大量涌入,API 中的任务集中度仍大致持平。
代码从 Claude.ai 迁出并非导致集中度下降的唯一因素。部分下降源于两个时期之间用例构成的变化。课程作业从对话的 19% 降至 12%,而个人使用从 35% 升至 42%。课程作业的下降部分可以用学生在我们采样期间正值寒假的国家/地区的校历来解释。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型 AI 用户。
尽管 Claude 的工作任务分布变得更加多样,但其中几乎所有任务此前都已在我们的数据中出现过。在上一份报告中,我们指出 49% 的职业至少已有四分之一的任务通过 Claude 完成。在本次数据提取中,这一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,我们将对话归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——并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。这由验证和学习模式的小幅上升所驱动。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(按职业类别划分的使用份额见附录)。自 2025 年 8 月以来,该类别任务在 API 中的份额增加了 14%,在 Claude.ai 中下降了 18%。正如我们在关于劳动力市场影响的报告中所指出的,我们预计这种从 Claude.ai 向 API 的迁移可能预示着相关职业的工作将更早发生转型。Claude.ai 中与管理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)和回答客户问题的混合。
衡量 Claude 上任务构成变化的另一种方式是查看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时薪(图 1.4)。6 这一对 Claude.ai 中任务价值的估计从 49.3 美元略微下降到 47.9 美元,主要原因是简单事实性问题(例如体育比赛结果、天气)增加,以及编码随着向 API 迁移而减少。正如我们在上一份报告中提到的,我们在 Claude 上看到的任务往往需要更高的教育水平。图表显示,这些任务往往也比美国全国平均水平挣得更高的工资。
尽管变化幅度不大,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,而人类单独完成任务所需的时间减少了约 2 分钟。有一项变化表面上方向相反:Claude 所执行的任务被判定为人类在没有 AI 辅助的情况下完成的可能性略微降低。
新兴的自动化模式
随着任务迁移至 API,它们可能更容易受到自动化的影响。API 工作流更倾向于指令性,对人在环路中的需求更少。在上一份报告中,我们曾指出,客户服务类任务——例如针对支付和账单问题的自动化支持——在 API 数据中十分普遍。这些任务推高了客户服务代表所观察到的暴露度——记录显示 Claude 在自动化工作流中承担了他们相当大比例的任务,因此随着 AI 的扩散,这些岗位可能更易发生变化。
我们重点介绍两个在 2 月比三个月前出现更频繁的 API 工作流,它们在最新样本中的占比至少翻了一番:7
- 商业销售与拓展自动化:销售赋能内容生成、B2B 线索资格调研、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、向交易员通报市场状况及相关任务。
重新审视地理趋同
在上一份报告中,我们指出,Anthropic AI 使用指数(AUI)——按某地工作年龄人口调整使用量——在美国各州之间正快速趋同:最初人均使用量较低的州表现出更快的采用速度。
图 1.6 的左图显示,这一趋同在我们最新数据中仍在持续,但速度有所放缓。从 2025 年 8 月到 2026 年 2 月,前五个州所占的人均使用量份额从 30% 降至 24%。基尼系数自 2025 年 8 月以来有所下降,但趋同速度已经放缓。当我们更新上一份报告中的估计时,我们发现,按此速度,各州将在 5–9 年后达到大致相等的人均使用量,而非 2–5 年。8
在国家层面(右图),情况则相反:使用量变得略微更加集中,同期基尼系数上升。人均使用 Claude 最多的国家现在占总使用量的更大份额,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:模型选择与长期用户的习惯。
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。如果用户是在根据手头任务进行调整,我们应当看到 Opus 集中在更难、更高价值的工作上。
接下来,我们研究使用情况如何随使用时长而变化,发现不同时间注册的用户之间存在差异。这有助于揭示学习曲线:有经验的用户是否会随着时间推移而变得更好?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。使用时长较长的用户不仅在对话中取得更大的成功,而且与 Claude 的协作更多,会向 Claude 提出更具挑战性的任务,也更有可能将 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、速度和性能方面各有取舍。Opus 类模型使用的 token 最多,擅长处理复杂任务,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,而为较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现象。
下方的图 2.1 显示,对于可以使用所有模型类别的付费 Claude.ai 账户,55% 的计算机与数学任务(如编写软件)使用 Opus,而教育类任务的这一比例为 45%。技术型用户可能会注意到性能提升,并主动从默认的 Sonnet 切换出去。或者注重效率的用户可能会学会对较简单的任务使用 Sonnet,以避免触及使用限制。与此相关,这里的差异可能反映: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。
下方的图 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明显得多。其斜率约为前者的两倍,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
首个 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,有些人在 Claude 首个版本发布时就注册了,有些人则在我们测量其使用情况的前一天才注册。用户使用 Claude 的时长如何塑造其使用体验?9
表 2.1 展示了低使用时长与高使用时长用户之间的差异,其中后一组定义为至少在 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 来迭代自己的工作,而通过指令式使用模式委派更大责任的可能性要低得多。他们将 Claude 用于工作的可能性高出 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,他们的使用较少集中在某些特定任务上。对于高使用时长组,排名前 10 的 O*NET 任务占使用量的比例略低(20.7%,相比之下为 22.2%)。
下面,我们进一步探讨上文提到的两个基本要素:每段对话所对应的人类受教育年限,以及用于个人用途的记录占比。
在左侧面板中,我们展示理解人类提示所需的受教育年限,每增加一年 Claude 使用时长,该年限就增加近 1 年。在右侧面板中,我们同时展示个人用途的下降:一年前注册的用户将 38% 的对话用于个人用途场景,而最新用户这一比例为 44%。
对于一种快速进步的全能技术的用户群体而言,这些模式可能由若干因素解释。高使用年限用户是自我选择的,这里的差异可能反映稳定的特征。例如,他们可能是计算机程序员,更有可能成为早期采用者。此外,还存在固有的幸存者偏差:在我们数据提取前一年注册的人可能正从使用中看到积极结果。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《经济基本要素》报告中所见一致: paradoxically,低收入、受教育程度较低的国家在某些情况下显示出更复杂的使用。最早的采用者往往有高价值的技术性使用场景。在采用率低得多的较贫穷国家,这些早期采用者仍主导用户群体。
当 AI 扩散到更广泛的人群时,更随意的使用就会出现。事实上,在请求集群中,平均使用年限最高的任务包括:AI 研究、git 操作、修改手稿和创业融资。平均使用年限最低的任务则有更简单的工作流程,如写俳句、查看体育比分和为聚会建议食物。11
经验效应
我们在下面的图 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。在顶部面板中,设定 (1) 展示了一个简单的双变量回归,以任务成功为结果,以长使用年限指标为预测变量。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。图表显示,长使用年限用户获得成功对话的可能性高出约 5 个百分点。
这可能反映高使用年限用户更擅长提示。但如果它反映的是他们给 Claude 带来不同的任务——更可能成功的任务呢?
在设定 (2) 中,我们纳入了特定 O*NET 任务和请求集群的固定效应。这相当于在同一 narrowly 定义的任务内比较高使用年限和低使用年限用户,而非跨任务比较。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”的请求集群。固定效应在该集群内比较高使用年限和低使用年限用户,同样也在其他每个集群内比较。只有当长使用年限用户在这些任务内比较中平均更成功时,我们才会观察到正系数。这一控制在一定程度上缓和了效应,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、拥有不同用例或在不同的国家登录的影响。该回归分析显示,高使用年限的影响略高,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,而这并非源于语言或所执行任务等简单因素。一个有趣的潜在解释是,这些用户更好地学会了如何从AI中获取他们想要的东西。熟练使用这些平台可能是成功的关键决定因素,且似乎会随经验而提升。
讨论
本报告重新审视了我们用于追踪Claude使用情况的核心指标,并首次分析了模型选择与成功率。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,Claude.ai上的任务自我们2025年11月的数据以来已趋于多样化。在美国,低使用率州的采用速度继续加快,但步伐较上一份报告有所放缓。低采用率国家则略微进一步落后。
通过本报告,我们可以开始梳理各种经济基本要素是如何变化的。课程作业在用量中的占比下降,而个人对话有所增加。我们还注意到,Claude.ai中提示词的总体复杂度略有下降,Claude.ai中的对话呈现出更简单的输入和更短的预估完成时间。
总体而言,Claude被用于高价值、复杂的工作,这些工作并不能广泛代表美国经济。但随着用户基数的增长,报酬较低的任务在流量中的占比略有上升。自我们的首份报告以来,Claude.ai上任务的平均价值(以与这些任务相关的职业中支付给劳动者的估计工资衡量)有所下降,而API用户的任务价值则在上升。在这两个平台上,用户都会将他们最复杂的任务交给我们更强大的模型类别Opus。这一转变在API客户中更为明显。
经验更丰富的用户倾向于以更具协作性的方式使用Claude,出于更多与工作相关的原因,处理更复杂的任务,并取得更多成功。这与我们去年提出的一个假设相悖,即自动化使用可能更常见于经验丰富、水平较高的用户;相反,我们发现最先进的用户更倾向于与Claude反复迭代。这也与“边做边学”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,这些结果是由队列效应或幸存者偏差驱动的。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Claude特别擅长处理的任务的人。但经过仔细控制的回归分析排除了这种混杂因素的简单版本,例如长期使用年限的用户带来不同类型的任务。随着时间的推移,我们将能够更清晰地将队列效应和幸存者偏差与“边做边学”区分开来。
这些观察到的成功率差异可能会加剧劳动力市场的不平等。经济学家早已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,同时压低其他工人的工资。我们在本报告中的分析识别出一条此类技能偏向型转变可能已在展开的渠道:承担高技能任务的早期采用者与 Claude 的交互比后来、技术能力较弱的采用者更为成功。这些早期采用者可能同时是受 AI 驱动颠覆影响最大的人群,也是在这些最初的、增强型采用浪潮中最受 AI 助益的人群。
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。
来源:Anthropic 官方(新闻+研究) · anthropic.com