经济研究

Anthropic 经济指数报告：经济基元

Anthropic Economic Index report: Economic primitives

2026年1月15日下载 PDF

引言

Introduction

AI 如何重塑经济？

How is AI reshaping the economy?

本报告引入了衡量 AI 使用情况的新指标，旨在全面描绘 2025 年 11 月（即 Opus 4.5 发布前夕）用户与 Claude 的交互情况。这些“基元”（primitives）——即衡量 Claude 使用方式的简单基础指标，我们通过向 Claude 提出关于匿名化 Claude.ai 和第一方（1P）API 转录数据的具体问题而生成——涵盖了与 AI 经济影响相关的五个维度：用户与 AI 技能、任务复杂度、赋予 Claude 的自主程度、Claude 的成功率，以及 Claude 是用于个人、教育还是工作目的。

分析结果揭示了显著的地域差异、AI 任务时间跨度的实际估算，以及重新评估 Claude 宏观经济影响的基础。

我们随本报告发布的数据是迄今为止最全面的，涵盖了 AI 使用的五个新维度、消费者与企业使用情况，以及 Claude.ai 按国家和地区的细分数据。

自上一份报告以来的变化

What has changed since our last report

在第一章中，我们重新审视了 2025 年 9 月发布的上一份《经济指数报告》中的发现。我们发现：

• Claude 的使用仍然集中在某些任务上，其中大部分与编程相关：尽管我们在 Claude.ai 上观察到超过 3,000 种独特的工作任务，但最常见的 10 个任务占我们抽样对话的 24%，自上一份报告以来略有增加。增强模式（augmentation patterns，即用户学习、迭代任务或从 Claude 获得反馈的对话）在 Claude.ai 上的对话中略超半数。相比之下，自动化使用（automated use）在 1P API 流量中仍占主导地位，这反映了其程序化特性。
• 全球使用情况持续不均衡，而美国各州之间趋于收敛：美国、印度、日本、英国和韩国在 Claude.ai 的整体使用量上领先。在全球范围内，使用不均的现象仍然可以通过人均 GDP 得到很好的解释。在美国国内，劳动力构成在塑造这种不均衡采用方面起着关键作用，拥有更多计算机和数学专业人员的州，其 Claude 使用量系统性更高。

尽管仍然存在显著的集中性，但自上一份报告以来，Claude 在美国各州之间的使用分布已明显更加均匀。如果这一趋势持续，全美人均使用量将在 2-5 年内趋于均等。

引入并分析我们的新经济基元

Introducing and analyzing our new economic primitives

在第二章中，我们讨论了引入新经济基元的动机，包括它们是如何被选择和操作化的，以及它们的局限性。此外，我们还提供了证据，表明与外部基准相比，我们的基元能够方向准确地捕捉到底层使用模式的某些方面。在第三和第四章中，我们利用这些基元进一步探讨了对采用率和生产力的影响。我们发现：

• Claude 的使用随着采用率和收入的提高而多样化：虽然 Claude 最常见的用途是工作，但在人均 GDP 最低的国家，课程作业的使用率最高，而富裕国家的个人使用率最高。这与一个简单的采用曲线故事相符：欠发达国家的早期采用者往往是技术用户，他们使用 Claude 进行特定的高价值应用或教育目的，而成熟市场则看到使用向休闲和个人目的多样化。
• Claude 在大多数任务上表现成功，但在最复杂的任务上表现较差：我们发现 Claude 通常能成功完成交给它的任务，并且其回复的教育水平往往与用户的输入相匹配。Claude 在更复杂的任务上表现挣扎：随着人类完成该任务所需时间的增加，Claude 的成功率会下降，这类似于衡量 AI 能可靠执行的最长任务的著名评估。
• 当考虑成功率时，工作受 AI 影响的程度看起来不同：我们还利用成功率基元来更好地理解工作受 AI 影响的程度，通过结合成功率和每个任务在工作中的重要性来加权任务覆盖率，计算 Claude 在每个职业中能执行的任务份额。对于某些职业，如数据录入员和数据库架构师，Claude 在其大部分工作职责中表现出色。
• Claude 用于比更广泛经济中技能要求更高的任务：我们在 Claude 使用中观察到的任务通常比更广泛经济中的任务需要更多的教育背景。如果我们假设 AI 辅助任务在工人职责中的份额会减少，那么移除这些任务将留下技能要求较低的工作。但这种简单的任务置换不会均匀地影响白领工人——对于某些职业，它移除了技能最密集的任务，而对于其他职业，则移除了技能要求最低的任务。

如果没有我们观察到 Claude 执行的那些任务，旅行社将经历技能降级（deskilling），因为复杂的规划工作将被常规的票务购买和收款所取代。相比之下，物业经理将经历技能升级（upskilling），因为簿记工作将被合同谈判和利益相关者管理所取代。

理解 AI 对经济影响的新窗口

A new window for understanding AI’s impact on the economy

这些结果为理解 AI 当前如何影响经济提供了一个新窗口。了解任务的成功率可以更准确地描绘哪些任务可能被自动化、某些工作可能受到多大影响，以及劳动生产率将如何变化。通过用户教育水平衡量差异化表现，则揭示了不平等效应。

事实上，输入和输出中教育水平的紧密关系表明，教育程度较高的国家可能更有条件从 AI 中受益，而这并不仅仅取决于采用率。

本次数据发布旨在使研究人员和公众能够更好地理解 AI 的经济影响，并探究这项变革性技术已经产生影响的途径。

第一章：自上一份报告以来的变化

Chapter 1: What has changed since our last report

概述

Overview

由于前沿 AI 模型的能力正在快速提升，且采用速度迅猛，因此定期评估人们和企业使用此类系统的变化——以及这种使用对更广泛经济意味着什么——至关重要。¹

在本章中，我们分析了从 2025 年 8 月到 2025 年 11 月（Opus 4.5 发布前夕）期间，Claude 的使用和扩散模式发生了哪些变化。我们提出四点观察：

• 使用仍然高度集中在特定任务上： 在 Claude.ai 上，最常见的十个任务占观察到的使用量的 24%，高于上一份报告中的 23%。对于第一方（1P）API 的企业客户而言，任务集中度增加更为显著：前十大任务现在占流量的 32%，高于上一份报告中的 28%。
• 在 Claude.ai 上，增强再次比自动化更常见：在我们上一份报告中，我们注意到自动化使用已上升至超过 Claude.ai 上的增强使用，这可能反映了能力的提升以及用户对 LLM 的熟悉度增加。2025 年 11 月的数据表明，Claude.ai 上的使用模式已广泛回归增强使用：被归类为增强的对话比例跃升了 5 个百分点，达到 52%，而被视为自动化的比例下降了 4 个百分点，降至 45%。² 在此期间的产品变化——包括文件创建功能、持久记忆（persistent memory）以及用于工作流自定义的技能（Skills）——可能已将使用模式转向更具协作性、人在回路中（human-in-the-loop）的交互。
• 在美国国内，使用率较低的州在采用率上增长相对更快：在美国国内，人均使用量在很大程度上仍然由劳动力与更广泛的 Claude 使用模式的匹配程度所决定：例如，在计算机和数学职业中工人比例较高的州，其使用率往往也更高。事实上，排名前五的州虽然只占劳动年龄人口的 38%，却占据了近一半（50%）的总使用量。

尽管如此，有早期迹象表明区域采用率正在快速收敛：在我们上一份报告中使用率较低的州，其使用量增长相对更快。如果这一趋势持续，全美人均使用量将在 2-5 年内趋于均等，这一扩散速度大约是 20 世纪以往具有经济影响力的技术传播速度的 10 倍。³

虽然这与 AI 的快速采用和扩散相符，但鉴于该估算是基于三个月内观察到的变化，因此存在不确定性。扩散速度在未来数月和数年内最终可能会放缓。

• 全球使用情况几乎没有显示出区域收敛增强或减弱的迹象：在全球范围内，人均 Claude 使用量——由 Anthropic AI 使用指数（AUI）衡量——仍然高度不均，且与 GDP 强相关。这些差距是稳定的：我们没有发现低使用率国家正在追赶或高使用率国家正在拉大差距的证据。

跨任务和相关职业的使用模式变化

Shifting patterns of usage across tasks and associated occupations

尽管前沿 LLM 在与现代经济各个方面相关的任务上拥有令人印象深刻的能力范围，但 Claude 的使用仍然高度集中在少数任务上。与近一年前相比，Claude.ai 上的消费者使用集中度略有增加：2025 年 11 月，分配给最普遍的十个 O*NET 任务的对话比例为 24%，比 8 月高出 1 个百分点，高于 2025 年 1 月的 21%。2025 年 11 月最普遍的任务——修改软件以纠正错误——单独就占了使用量的 6%。

在我们上一份 Anthropic 经济指数报告中，我们通过研究 1P API 客户中 Claude 的使用情况，开始追踪企业采用模式。最常见的十个任务在 API 记录中的占比从 8 月的 28% 增长到 11 月的 32%。在一小部分任务中集中度上升表明，即使模型在更广泛的任务上变得更有能力，最高价值的应用仍在产生超乎寻常的经济价值。与 Claude.ai 类似，API 客户中最常见的任务也是修改软件以纠正错误，占到了十分之一的记录。

事实上，计算机和数学任务——如修改软件以纠正错误——继续主导 Claude 的整体使用，占 Claude.ai 上对话的三分之一和 1P API 流量的近一半。这种主导地位在 Claude.ai 上有所减弱：分配给这些（主要是）编程相关任务的对话份额从 2025 年 3 月的峰值 40% 下降到 2025 年 11 月的 34%。与此同时，在 1P API 流量中，分配给计算机和数学任务的转录份额从 2025 年 8 月的 44% 小幅上升至 11 月的 46%（图 1.2）。

2025 年 11 月，Claude.ai 上第二大使用份额来自教育指导和图书馆类别。这主要涉及课程作业帮助、复习以及教学材料的开发。自我们第一份报告以来，此类使用稳步增长，从 2025 年 1 月占 Claude.ai 对话的 9% 上升到 11 月的 15%。

在 2025 年 8 月至 11 月期间，Claude.ai 上用于艺术、设计、娱乐、体育和媒体任务的使用份额有所增加，因为 Claude 在越来越多的对话中被用于写作任务，主要是文案编辑以及虚构作品的写作和润色。设计与写作相关任务比例的跃升，逆转了早期报告中持续下降的趋势。对于 Claude.ai 和 API 客户而言，Claude 用于生命、物理和社会科学相关任务的对话/转录份额均有所下降。

对于 API 客户来说，最显著的发展可能是与办公和行政支持相关任务的转录份额增加，从 8 月的 10% 上升到 2025 年 11 月的 13%。由于 API 使用以自动化为主，这表明企业越来越多地使用 Claude 来自动化常规的后台工作流程，例如电子邮件管理、文档处理、客户关系管理和日程安排。⁴

增强再次在 Claude.ai 上占据主导地位

Augmentation is again dominant on Claude.ai

AI 将如何影响经济，不仅取决于 Claude 被用于哪些任务，还取决于用户访问和利用底层模型能力的方式。自我们第一份报告以来，我们将对话分为五种交互类型，并将其归为两大类：自动化和增强。⁵

图 1.3 描绘了自一年前我们首次收集此数据以来，自动化与增强使用的演变情况。2025 年 1 月，Claude 的增强使用占主导地位：56% 的对话被归类为增强，而自动化占 41%。⁶ 到 2025 年 8 月，被归类为自动化的对话数量超过了增强。

这是一个值得注意的发展，因为它表明模型能力和平台功能的快速提升，与用户越来越多地将任务完全委托给 Claude 的趋势相吻合。这在“指令式”（directive）协作模式中表现得很明显，该模式被进一步归类为自动化。指令式对话是指用户向 Claude 下达任务，Claude 以最少的来回交互完成任务的对话。从 2025 年 1 月到 2025 年 8 月，此类指令式对话的比例从 27% 上升到 39%。⁷

三个月后，指令式对话的比例下降了 7 个百分点，至 2025 年 11 月的 32%，因为增强再次在 Claude.ai 上比自动化更普遍。尽管如此，与近一年前我们首次开始追踪这一指标时相比，自动化份额仍然较高，这表明即使 8 月份的峰值夸大了其实现速度，但潜在趋势仍然是朝着更高程度的自动化发展。

虽然我们看到一些证据表明 Claude.ai 上的使用正转向软技能（如设计、管理和教育），但 11 月份向增强使用的回归是广泛的（图 1.4）。增强使用的增加主要是由用户与 Claude 迭代以完成任务（“任务迭代”）驱动的，而不是要求 Claude 解释概念（“学习”）。请参见图 1.5，了解与跨 O*NET 任务的三种最常见交互模式以及自下而上描述的对 Claude 的请求相关的常见词汇。

持续的区域集中性

Persistent regional concentration

在我们上一份报告中，我们引入了 Anthropic AI 使用指数（AUI），该指标衡量在特定地理区域内，相对于其劳动年龄人口规模，Claude 的使用是过度还是不足。AUI 定义为：

是什么塑造了美国境内和全球的使用模式？在我们上一份报告中，我们强调了收入差异在全球范围内扮演的关键角色：各国之间 Claude 使用量的差异很大程度上可以由人均 GDP 的差异来解释。在第三章中，我们将重新审视收入在塑造全球使用强度和使用模式方面的重要性。

在美国境内，收入作为使用量的预测指标并不那么明确。相反，似乎最重要的是每个州劳动力的构成，以及劳动力与 Claude 能力（反映在任务级别的使用中）的匹配程度。在计算机和数学职业中工人比例较高的州——如华盛顿特区、弗吉尼亚州和华盛顿州——人均使用量往往更高。量化来看，一个州此类技术工人比例每增加 1%，人均使用量就会增加 0.36%（图 1.7）。仅此一项就解释了近三分之二的州际 AUI 差异。

虽然我们直观地认为，拥有更多技术工人的州，Claude 使用量会更高，但这种模式更为普遍：在那些 Claude 使用比例高于美国劳动力平均水平的职业（例如，艺术、设计、娱乐、体育和媒体）中工人更多的州，或者那些 Claude 使用比例低于全国平均水平的职业（例如，运输和物料搬运）中工人相对较少的州，其人均使用量更高。这可以通过计算每个州劳动力构成与全球 Claude 使用构成之间的 Kullback–Leibler（KL）散度来观察。KL 散度较低的州——因此其劳动力与 Claude 使用模式更相似——往往人均使用量更高。

美国低使用率州 Claude 扩散速度加快的迹象

Signs of faster Claude diffusion in the US among low usage states

虽然劳动力构成的差异似乎在塑造美国境内的区域采用方面发挥作用，但早期证据表明，Claude 的扩散速度比历史先例预测的要快得多。历史上，具有经济影响力的技术在美国实现完全扩散大约需要半个世纪（Kalanyi 等人，2025）。相比之下，将 2025 年 11 月的 Claude 采用率与三个月前进行比较，我们估计美国各州之间人均采用率（以 AUI 衡量）达到均等可能在 2-5 年内实现。这一估计具有很高的不确定性，因为我们的估计精度无法排除更慢的扩散速度。

我们通过一个简单的扩散模型来生成这一估计，在此简要描述。我们将扩散建模为向人均使用量均等的共同稳态的比例收敛，其中每个州 s 的 AUI 等于 1：

用这种方式估计收敛的一个问题是，我们的 AUI 估计值会受到抽样噪声和与扩散无关的其他变化的影响。这会产生经典的衰减偏差（attenuation bias）：即使 AUI 实际上没有变化，我们对 β 的估计最终也可能显著低于 1。

为了解决这个问题，我们采用两阶段最小二乘法（2SLS）来估计模型，使用每个州劳动力构成（通过其与整体 Claude 使用模式的接近度来衡量）作为 2025 年 8 月 AUI 对数的工具变量。该工具变量的逻辑在于，劳动力构成是 Claude 使用量的强预测因子（相关性），但由于是独立测量的，预计与我们的 AUI 估计中的抽样噪声不相关（有效性）。如上所述，在 Claude 使用率高的角色中工人更多的州，其人均使用量确实系统性更高。

2SLS 估计值意味着收敛速度略慢：未加权时 β̂ ≈ 0.89，按各州劳动年龄人口加权时 β̂ ≈ 0.86。然而，这些估计值的精度较低，并且只有前者在 10% 的水平上在统计上可与 1 区分。尽管意味着比 OLS 更慢的收敛，但 2SLS 估计值仍然暗示着快速扩散：每个州 AUI 的对数偏差缩小 90% 仅需四到五年。

话虽如此，我们的估计仅基于三个月的数据。虽然 2SLS 规范可能有助于解决抽样噪声问题，但仍然存在相当大的不确定性。我们将在未来的报告中重新审视扩散速度这个问题。

¹ 与之前的报告一样，我们所有的分析都基于隐私保护分析。贯穿整个报告...