经济研究

Anthropic 经济指数报告：节奏

2026年6月26日 阅读PDF版本

引言

Introduction

一年前，大多数 Claude 的使用场景是用户与助手之间的对话。随着 Claude Code 和 Cowork 的快速发展，Claude 会话现在越来越多地由长期运行的自主任务（agentic tasks）组成。聊天记录已无法完全反映人们如何使用 AI，我们研究 Claude 经济影响的方法也必须随之调整。

为了跟上步伐，我们对经济指数的数据管道进行了几项更改。在本版本中，我们：

• 以更高的频率采样数据，使我们能够观察到小时级别的使用模式。
• 引入一个新的分类器，用于标记每个会话的输出。
• 分享更细粒度的数据，分别展示聊天和 Cowork 会话（合称“Claude 会话”）以及 1P API 的结果，并按月汇总。¹

我们在附录中描述了其他方法论上的变化。这些变化共同提供了更清晰的图景，展示 AI 如何反映并渗透到经济生活中。

此外，我们此前一直缺乏对 Claude 在用户会话之外影响的洞察。人们如何看待 AI 正在改变他们的工作，或改变他们可获得的机会？他们对 AI 的使用是否塑造了他们的期望？在理想情况下，他们希望从 AI 那里得到什么？我们在此报告 2026 年 4 月启动的 Anthropic 经济指数调查的初步发现。

我们在下方预览主要发现。

• 在第一章中，我们展示了外部世界的节奏如何塑造 Claude 的使用。与工作相关的查询在周末会减少，但在收入最高的职业中降幅不那么明显；人们倾向于在早上询问新闻，而睡眠建议的请求在凌晨 3 点左右达到高峰；与税务相关的请求在申报截止日期前后激增。

• 第二章探讨了人们从 Claude 会话中获得的具体输出。这些输出高度依赖于他们使用的产品。例如，Chat 和 Cowork 提供的解释比 Claude Code 更多。输出的性质也塑造了人们与 Claude 的互动方式。构建网站比翻译文档留给 Claude 更多的判断空间，因为翻译的答案很大程度上由文本决定。我们还看到，更多的计算资源与更有价值的产物相关联；给定输出消耗的 token 数量会随着工作预估价值的增加而增加。

• 第三章展示了 Anthropic 经济指数调查的首批结果，我们通过隐私保护系统将其与 Claude 使用数据相关联。期望和体验会随着人们使用 Claude 的方式而系统性地变化：以最自动化方式使用 Claude 的人，预计 AI 将在未来一年承担他们更多的任务，但同时也对他们工作的未来感到最乐观，预期对薪酬、工作保障和工作意义产生积极影响。

节奏

Cadences

我们新的隐私保护遥测技术每天持续采样一部分会话，使我们能够研究每日和每小时的模式，这与之前每份经济指数报告依赖的七天样本形成对比。这些分析捕捉了全球工作模式的潮起潮落。²

我们发现 Claude 的使用反映了工作周的模式，个人提示在周末激增。每小时的数据捕捉了日内模式——人们最常在凌晨 3 点左右寻求睡眠建议，在下午 6 点左右询问食谱。我们还看到使用情况反映了关键日期。例如，在美国 4 月 15 日申报截止日期之前，与税务相关的请求激增。

工作周

The workweek

在样本期内，被归类为个人使用的聊天和 Cowork³ 会话比例从工作日的约 35% 激增至周末的近 50%（图 1.1）。在工作时间之外，用户的对话从商务信函、营销文案和幻灯片转向情感支持、医疗问题和投资建议。这种转变在高收入国家最为明显。

Claude Code 和 1P API 流量（即直接通过 Anthropic 路由的 API 流量）中也存在类似模式，尽管两者的个人使用基线率较低。⁴

请求簇⁵ 使我们能够更深入一层，查看哪些特定的 Claude Code 任务在工作日和周末之间波动最大。在周末，下降最多的 Claude Code 使用簇包括后端架构、API 调试和数据存储。增加最多的包括 AI 智能体设计、量化交易和游戏。

周末也可能为人们追求新事业创造了空间。在各个国家，与创业相关的对话在周六和周日最高。然而，求职申请活动与其他工作相关任务一样，在周末会下降。⁶

日常节奏

Daily rhythms

逐小时来看，Claude 的使用反映了日常生活的节奏。图 1.2 显示了不同请求簇相对于其在全球流量中总体平均值的每小时频率。⁷

人们在当地时间早上 7 点询问新闻。商务信函（例如，起草电子邮件）描绘了工作日的轨迹，在上午 10-11 点略有高峰。最大的峰值之一是食谱请求，其在下午 6 点的频率是平均值的 2.3 倍。媒体推荐最集中在晚上，而人们在黎明前几小时寻求睡眠建议。

在夜间和周末，当人们确实转向 Claude 处理工作时，任务偏向于高薪职业（图 1.3）。虽然我们无法确切识别提出这些请求的人的工作，但这可能反映出高薪职业（如营销经理或计算机程序员）的人更可能在传统工作时间之外工作。相比之下，与收入最低两个四分位数的工作（如电话销售和文书工作）相关的任务在总会话中的占比下降。这种模式并非仅由计算机和数学任务驱动：在稳健性检验中，当我们从分析中移除这些职业时，较高四分位数的任务在夜间和周末仍然增加。

报税日

Tax day

本报告样本期涵盖了美国人的纳税申报截止日期。图 1.4 显示，在截止日期前后，与税务相关的对话占比出现大幅飙升。在 4 月 14 日，与税务相关的簇的常见程度是 5 月平均日的八倍，并且在 4 月 15 日仍保持同样高的水平。在 4 月 16 日，它们急剧下降。

产物

Artifacts

在本章中，我们根据产物（artifact）对聊天和 Cowork（以下简称“Claude 会话”）⁸ 上的每个会话进行分类，并将其归入 30 多个类别。我们将 Claude 在会话中产生的主要输出——一份文档、一个解释、一段代码、一篇学术论文等，无论是显示在聊天窗口中还是作为单独文档——称为产物。完整的产物列表见附录。

我们的分类器识别出 93% 的 Claude 会话产生了产物（图 2.1）。⁹ 最常见的产物是解释（占会话的 17%）、文档和报告（15%）以及指导（11%）。对话式输出（如解释或指导）和书面交付物（如文档或演示文稿）各约占会话的三分之一；代码和技术工作（如应用程序或脚本）约占六分之一。

输出是什么并不能告诉你它的用途：同一个产物可能是工作交付物，也可能是个人项目。我们接下来看看这种划分。

每种产物的用途是什么？

What is each artifact used for?

我们一月份的经济指数引入了一个基元（primitive），将每个会话分类为工作、个人或课程作业。在此，我们将这种划分应用于 Claude 会话中产生的产物（图 2.2）。

某些类别的产物几乎总是个人用途。超过 80% 产生创意写作、指导和食谱的会话被归类为个人用途。在类别内部，个人用途和工作相关用途可能看起来截然不同。例如，个人创意写作以同人小说、世界观构建和诗歌为主；而 13% 的工作相关部分则主要是短视频脚本、剧本写作和演讲稿。最可能与工作相关的类别包括创建营销内容（80%）、创建博客或文章（81%）以及编写数据库查询（82%）。

许多输出同样可能用于个人和工作原因，包括创建计划或策略（44% 工作相关，49% 个人）或翻译（42% 工作，44% 个人）。例如，最常见的个人计划产物包括旅行行程和锻炼计划，而工作计划则最常涉及创业或内容策略。

最后，课程作业特有的产物包括创建学术论文和学位论文、教育材料以及与数学相关的查询，尽管其中每个类别都有不可忽视的部分属于工作和个人类别。

我们也可以反过来问这个问题。与其问每种输出用于什么，不如问工作、个人和课程作业会话各自倾向于产生哪种产物。工作会话最常产生文档和报告（20%），其次是解释（9%）、电子邮件草稿（7%）以及分析和摘要（6%）。课程作业会话看起来大致相似，文档和报告也占主导地位（21%），紧随其后的是解释（20%）、教育材料（11%）和学术论文（6%）。相比之下——毫不奇怪——只有 6% 的个人会话会产生文档。相反，最常见的结果是解释（25%）和推荐（22%）。

成本与工作价值挂钩

Cost tracks the value of work

产生这些输出需要计算资源，我们发现计算资源往往与工作的价值成正比。我们以 token（处理的文本量，包括 Claude 的内部推理）来衡量每个会话的计算成本，并通过将会话的分类任务映射到通常执行该任务的职业来跨职业进行比较。在本节中，我们将分析限制在与工作相关的会话上。

图 2.3 的左图显示了会话级别的中位数 token 数量与映射职业的中位数工资之间的正相关关系。¹⁰ 例如，营销经理的收入大约是编辑的两倍（每小时 80 美元对 37 美元），而映射到他们任务的会话消耗的 token 数量大约是其 2.5 倍。诚然，这种关系存在噪声，并且有显著的异常值。例如，药剂师的收入几乎是统计助理的三倍（每小时 68 美元对 24 美元），然而映射到药剂师任务的会话使用的 token 数量仅约为其二十分之一。

用于生成不同类型产物的 token 也讲述了类似的故事。更复杂、更有价值的输出往往比更简单的输出消耗显著更多的 token。例如，关于构建应用程序的会话使用的 token 数量是中位数会话的三倍以上。在光谱的另一端，一个典型的解释使用的 token 数量约为中位数会话的五分之一。token 消耗中约 44% 的工资梯度可由产出组合解释——高薪职业更有可能产生计算密集型产物。

为什么这在经济上很重要？在映射到高薪职业的会话中，Claude 产生更多输出（每轮输出量是 1.34 倍），而用户参与度更高（轮次是 1.53 倍），并且更频繁地启用扩展思考（34% 的会话对比 31%；表 2.4）。至关重要的是，这些是同步变化的：Claude 产生更多输出并不意味着用户参与减少。如果人类仍然参与最高价值的任务，这种模式看起来更像是劳动增强（labor-augmenting）而非劳动替代（labor-displacing）。这也表明，在某种程度上，更有价值的输出成本更高。下一节将考察每个会话中有多少决策权被委托给了 Claude。

Claude 拥有多少自主决策权？

How much autonomy does Claude have to decide on its own?

我们按 1-5 的等级来衡量，从“无”到“极高”。易于描述或指定的任务涉及很少的自主权：自主权最低的输出是数学或计算、翻译和问答。高自主权任务是那些需要在众多可能选择中进行选择的任务，例如创建应用程序和网站、游戏或演示文稿。这类需要持续判断的工作历来难以自动化。通过比较 Claude 聊天和 Cowork 与 Claude Code 中的自主权水平，我们表明这种情况正在开始改变。

在几乎所有类型的输出中（显示的 31 个输出中的 26 个），Claude Code 上的 AI 自主权水平高于聊天或 Cowork。¹¹ 例如，使用 Claude Code 创建脚本和代码片段的会话，其自主权水平（在 1-5 的等级上平均）比在聊天或 Cowork 上产生相同输出的会话高出 0.53 分。在所有会话中，自主权的平均差异为 0.37 分，这有两个主要来源。¹²

大约三分之二的差异是由于在 Claude Code 上执行相同任务时委托程度更高。博客文章和文章说明了这一点：在两个平台上，其背后的请求和任务是相似的，但人们与 Claude 合作的方式截然不同。产生博客文章或文章的中位数聊天和 Cowork 会话涉及 13 轮来回交流，而产生博客的中位数 Claude Code 会话仅包含一个人类提示。剩下的三分之一反映了两个平台之间输出类型的混合情况不同。

有人可能怀疑这种差异仅仅反映了模型选择。Claude Code 会话在最强模型上运行的频率要高得多（54% 由 Opus 提供服务，而聊天和 Cowork 会话仅为 10%）。然而，当我们比较由同一模型服务的会话时，这种差距仍然存在。例如，在使用 Sonnet 的会话中，Claude Code 会话的自主权仍然高出 0.26 分，这表明所使用的产品可能比底层模型更重要。

从平台比较中退一步看，用户委托最多的输出类型正是消耗计算资源最多的那些：跨产物来看，平均自主权和中位数 token 使用量同步上升（聊天和 Cowork 上的 r = 0.68；附录图 A.2）。

Claude 的回答水平高于提问水平

Claude answers above the level it was asked

对于每个会话，一个分类器会估算两个阅读水平——一个针对用户的提示，一个针对 Claude 的回应——以理解文本所需的教育年限来表示。¹³ 我们发现，阅读水平因产物类型而异。产生学术论文的平均查询需要超过 16 年的教育，大致相当于学士水平，并且这些会话中有 15% 处于博士水平或以上（20 年或以上教育）。在光谱的另一端是产生食谱或指导的会话，理解提示所需的教育年限少于 10 年。

一般来说，输出阅读水平较高的产物类型，其提示的阅读水平也较高（跨会话的相关性为 0.87）。然而，我们也观察到，在几乎每个类别中，Claude 输出的理解水平都高于提示，平均高出大约一年的教育水平。在用户描述要构建的内容时，差距最大，例如图像和图形（+2.6 年）、游戏（+1.9 年）以及应用程序和网站（+1.7 年）。部分差距可能仅仅是语域（register）问题；提示通常简洁且非正式，而 Claude 倾向于用精炼的散文回应。然而，对于面向受众的写作（博客 -0.1，学术论文 +0.0，电子邮件 +0.3），差距接近于零，这可能是因为提示通常包含以与预期输出相同语域撰写的草稿语言或源材料。

认知

Perceptions

前两章展示了人们如何使用 Claude，但并未深入洞察人们在工作场所体验 AI 的方式——他们期望自己的工作和职场如何变化，他们对 AI 当前和潜在影响的感受，以及他们对这项技术的期望。我们在 2025 年 12 月使用 Anthropic Interviewer 对 81,000 名 Claude 用户进行的访谈描绘了一幅图景：受访者报告了巨大的生产力提升，但也表达了对替代的担忧。这些担忧集中在职业生涯早期的工人以及我们观察到 Claude 承担最多工作的职业中。¹⁴

2026 年 4 月，我们启动了 Anthropic 经济指数调查，以在此基础上进一步开展工作。该调查使我们能够直接询问人们关于他们与 AI 和工作的体验，并探索这些回答如何随 Claude 的使用情况而变化。我们使用隐私保护方法将调查回复与 5 月中旬至 6 月初的使用数据关联起来。为了描述每个受访者的使用模式，我们在此时间窗口内每人随机抽取最多 20 个会话（跨 Claude.ai、Cowork 和 Claude Code，以便会话组合反映每个人跨平台的典型使用情况）。我们排除了会话少于 5 个的受访者，以减少抽样噪声。我们最终的关联样本包括约 9,700 名调查受访者。

我们发现，大多数受访者预计未来一年 AI 将取得显著进展。虽然人们对 AI 能力的认知取决于他们的经验、居住地以及他们的工作受 AI 影响的程度，但他们对于未来进步速度的预期却惊人地一致，这与“水涨船高”（rising tide）的现象一致，即 AI 能力普遍提升。

对于这种进步对他们自身职业生涯意味着什么的看法则不那么一致。职业生涯早期的工人报告说，AI 可以完成他们工作中最高比例的任务，并且对失业表达了最多的担忧。然而——与一种常见的担忧相反——将最多任务委托给 Claude 的人，对自己未来的劳动力市场结果最为乐观，并认为他们的技能价值在增长。尽管（或者也许正是因为）他们接近 AI 的前沿，但普通受访者对未来十年的期望并非替代，而是协作。他们希望 AI 能够保留有意义的工作，自动化枯燥乏味的任务，并且其收益能够被广泛分享。

谁回应了经济指数调查

Who responded to the Economic Index Survey

经济指数调查并不代表总体人口。我们接触到的是 Claude 用户的随机样本，完成调查的人可能存在选择性，并且我们从分析中过滤掉了不频繁的用户。图 3.1 显示了调查受访者的职业构成（橙色）以及美国就业情况（灰色）。计算机和数学职业的代表性最高，约占调查受访者的 30%——与他们在 Claude 使用中的占比相当，但远高于他们在美国就业中 4% 的占比。管理层占受访者的 23%，¹⁵ 相对于其 7% 的就业占比也严重偏高。