经济研究
Economic Research
Anthropic 经济指数报告：学习曲线
Anthropic Economic Index report: Learning curves
2026年3月24日 阅读PDF版本
Anthropic 经济指数利用我们的隐私保护数据分析系统，追踪 Claude 在整个经济领域中的使用情况。这是我们尽早了解 AI 经济影响的一部分努力，以便研究人员和政策制定者有充足的时间做好准备。
本报告研究了 2026 年 2 月 Claude 的使用情况，基于我们上一份报告（使用了 2025 年 11 月的数据）中引入的经济原语（economic primitives）框架。我们的样本覆盖了 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 的发布时间重合。
我们首先记录了与之前报告相比使用情况的变化：增强（augmentation）模式——即 AI 补充用户能力的协作式交互——在 Claude.ai 和 API 流量中均略有增加。在 Claude.ai 上，使用场景更加多样化，上个月排名前十的任务占总使用量的份额低于 2025 年 11 月。由于这种多样化，Claude.ai 中对话的平均任务工资水平略低于之前的报告。
然后，我们重点关注 Claude 对劳动力市场和更广泛经济影响的一个重要决定因素：Claude 采用过程中的学习曲线（learning curves）。我们提供的证据表明，高使用年限（high-tenure）的用户已经形成了习惯和策略，使他们能够更好地利用 Claude 的能力。事实上，我们记录到，经验更丰富的用户不仅会尝试更高价值的任务，而且在对话中更有可能获得成功的回应。
自上次报告以来发生了什么变化
What has changed since our last report
在第一章中，我们重新审视了 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 的增强型使用迁移到我们第一方 API 中更自动化的工作流程。¹ 在本报告中，Claude.ai 的使用集中度有所下降：2 月份，排名前十的任务占总流量的 19%，低于 11 月份的 24%。尽管如此，本样本中几乎所有的任务都至少出现在我们之前的某个样本中。大约 49% 的职业中，至少有四分之一的任务是通过 Claude 完成的。
- Claude 的采用范围扩大到低工资任务。 随着用例的多样化，在 Claude 上完成工作的平均经济价值——以相关职业的美国工人工资衡量——略有下降。从机制上看，这是由于围绕体育、产品比较和家庭维护的个人查询增加所致。这种模式符合标准的“采用曲线”（adoption curve）故事，即早期采用者偏爱编码等特定的高价值用途，而后期采用者则承担更广泛的任务。
- 全球使用的不平等持续存在。 使用量仍然高度集中：前 20 个国家占所有人均使用量的 48%，高于之前的 45%，凸显了全球采用率的持续差距。然而，在美国国内，Claude 的人均使用量持续趋同：自上次报告以来，使用量最高的 10 个州所占的份额从 40% 下降到 38%。
学习曲线
Learning curves
经济指数中的一个核心发现是，Claude 的早期采用非常不均衡：Claude 在高收入国家、美国境内知识工作者较多的地区以及相对较少的一组专业任务和职业中使用得更为密集。
一个重要的问题是，采用的不平等将如何决定 AI 带来的好处会流向何处、流向何人。例如，如果有效的 AI 使用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证的那样——并且如果这些技能可以通过使用和实验获得，那么早期采用的好处可能会自我强化。
在第二章中，我们研究了用户如何塑造他们从 Claude 中获得的价值：他们如何将模型能力与手头的任务相匹配，以及使用模式和结果如何随着平台上的经验而变化。
- 模型选择与任务匹配。 我们表明，用户会选择我们最智能的模型类别 Opus 来处理在劳动力市场上通常获得更高工资的任务。例如，在付费的 Claude.ai 用户中，Opus 在编码任务中的使用率比平均水平高出 4 个百分点，而在辅导相关任务中的使用率则低 7 个百分点。对于 API 用户来说，这种模型切换的幅度大约是其两倍。
- 使用年限越长，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，而较少用于个人用例。例如，使用 Claude 六个月或更长时间的人，其个人对话减少了 10%，其输入反映的教育水平提高了 6%。最引人注目的是，这个高使用年限群体的对话成功率高出 10%，这种关联并不能用他们的任务选择、原籍国或其他因素来解释。虽然这可能反映了早期采用者的成熟度，但也可能是“干中学”（learning-by-doing）的证据，即人们通过经验学会了更好地使用 Claude。
自上次报告以来发生了什么变化
What has changed since our last report
Claude.ai 上用例的多样化
Diversification of use cases in Claude.ai
我们首先考察 Claude 被要求执行的任务类型。我们使用隐私保护系统，该系统允许我们在聚合层面描述行为，而无需透露单个对话记录的内容。我们从面向消费者的网页产品 Claude.ai 和面向开发者的接口（用于将 Claude 集成到产品和流程中的第一方 API）中抽样了 100 万次对话。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 上的用例集中度有所下降：最常见的 10 个 O*NET 任务从占对话的 24% 下降到仅 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 已增长为抽样流量中的很大一部分。Claude Code 的代理架构将编码工作分解为更小的 API 调用，这些调用被标记为不同的任务。因此，尽管编码在 API 总流量中的份额有所增长，但它分布在许多任务类别中，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，但 API 中的任务集中度大致保持不变。
代码从 Claude.ai 迁移并非导致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。课程作业从占对话的 19% 下降到 12%，而个人使用从 35% 上升到 42%。课程作业下降的部分原因可以解释为，在我们的抽样期间，一些国家的学生正处于寒假。⁴ 与此同时，从 2 月份开始，新注册用户增加，带来了更多随意的 AI 用户。
虽然 Claude 的工作任务分布变得更加多样化，但几乎所有任务之前都在我们的数据中出现过。在上一份报告中，我们注意到 49% 的职业中至少有四分之一的任务是通过 Claude 完成的。在这次数据提取中，这个累积估计值几乎没有变化（附录图 A.2）。本报告的数据显示，新的 O*NET 任务比上一份报告少得多。
自第一份报告以来，我们将对话分为五种交互类型——指令型（directive）、反馈循环（feedback loop）、任务迭代（task iteration）、验证（validation）和学习（learning）——并将其归为两大类：自动化（automation）和增强（augmentation）。⁵ 图 1.3 显示，Claude.ai 中的增强模式略有增加。这是由验证和学习模式的微小增长推动的。在附录图 A.3 中，我们显示第一方 API 数据中的自动化模式急剧下降。
我们的 API 平台继续获得相对较高的计算机和数学任务份额（按职业类别划分的使用份额见附录）。自 2025 年 8 月以来，API 中此类任务的份额增加了 14%，而在 Claude.ai 中则下降了 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 向 API 的迁移可能预示着相关职业的工作将发生更迫在眉睫的转变。Claude.ai 中与管理职业相关的任务增加（从流量的 3% 增加到 5%），既来自分析性任务（例如，准备投资备忘录），也来自回答客户问题。
衡量 Claude 上任务组合变化的另一种方法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 Claude.ai 中任务价值的这一估计值从 49.3 美元略微下降至 47.9 美元，这主要是由于简单事实性问题（例如，体育赛事结果、天气）的增加以及编码任务向 API 转移所致。正如我们在上一份报告中提到的，我们在 Claude 上看到的任务通常需要更高的教育水平。该图显示，这些任务的工资也往往高于美国全国平均水平。
虽然变化轻微，但当前报告与上一份报告之间几个原语的变化捕捉到了 Claude.ai 上任务复杂性的类似下降。人类输入所需的平均受教育年限从 12.2 年下降到 11.9 年，用户授予 AI 更多的自主权，人类单独完成该任务所需的时间减少了约 2 分钟。有一个变化表面上朝着相反的方向发展：Claude 执行的任务被认为在没有 AI 的情况下人类完成的可能性略低。
新兴的自动化模式
Emergent automation patterns
随着任务迁移到 API，它们可能更容易受到自动化的影响。API 工作流程更可能是指令型的，对人工参与的需求更少。在之前的报告中，我们强调了客户服务任务，例如，支付和账单问题的自动支持，在 API 数据中很普遍。这些导致了客户服务代表（Customer Service Representatives）的暴露度更高——记录显示 Claude 在自动化工作流程中执行了他们很大比例的任务，因此随着 AI 的普及，这些工作可能更有可能发生变化。
我们重点介绍两个在 2 月份比三个月前出现频率更高的 API 工作流程，它们在最新样本中的份额至少翻了一番：⁷
- 业务销售与外展自动化： 销售赋能生成、B2B 潜在客户资格研究、客户数据丰富、冷邮件起草。
- 自动交易与市场运营： 监控市场或头寸、提出具体投资建议、告知交易者市场状况以及相关任务。
重新审视地理趋同
Revisiting geographic convergence
在上一份报告中，我们注意到 Anthropic AI 使用指数（AUI），即根据地理区域的劳动年龄人口调整后的使用量，在美国各州之间正在迅速趋同：最初人均使用量较低的州显示出更快的采用速度。
图 1.6 的左图显示，这种趋同在我们最新的数据中仍在继续，但速度有所放缓。从 2025 年 8 月到 2026 年 2 月，人均使用量流向前五个州的份额从 30% 下降到 24%。基尼系数自 2025 年 8 月以来有所下降，尽管趋同速度已经放缓。当我们更新上一份报告的估计值时，我们发现按照这个速度，各州大约需要 5-9 年才能达到大致相等的人均使用量，而不是 2-5 年。⁸
在国家层面（右图），模式是相反的：使用量变得略微更加集中，基尼系数在同一时期上升。使用 Claude 最多的国家（人均）现在占总使用量的份额更大，前 20 个国家经人口调整后的使用量从 45% 上升到 48%。
学习使用 AI
Learning to use AI
在本章中，我们重点关注反映人们如何部署和学习与 AI 协作的两个使用特征：模型选择（model selection）和长期用户的使用习惯。
首先，我们通过研究人们何时选择我们性能最强的模型类别 Opus，来揭示对智能的需求。关于 AI 用户如何在不同的模型之间进行选择，权衡速度、性能和成本，我们知之甚少。如果用户正在根据手头的任务进行校准，我们应该会看到 Opus 集中在更困难、价值更高的工作上。
接下来，我们研究使用情况如何根据使用年限而有所不同，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：有经验的用户会随着时间的推移变得更好吗？他们的使用方式有何不同？我们发现了与“干中学”一致的证据。高使用年限的用户不仅在对话中取得了更大的成功，而且与 Claude 的协作更多，将更具挑战性的任务带给 Claude，更有可能将 Claude 用于工作目的，并且用于更广泛的任务。
模型选择
Model selection
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 类模型使用最多的 token，擅长处理复杂任务，但在我们的 API 上每个 token 的价格更高。如果用户意识到这一点并注意成本和用量限制，他们应该将他们最复杂和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。这大致就是我们在数据中观察到的。
下面的图 2.1 显示，对于可以访问所有模型类别的付费 Claude.ai 账户，55% 的计算机和数学任务（如编写软件代码）使用了 Opus，而教育任务中这一比例为 45%。技术用户可能会注意到性能提升并主动从默认的 Sonnet 切换。或者，注重效率的用户可能会学会对更简单的任务使用 Sonnet，以避免达到用量限制。与此相关的是，这里的差异可能反映出大多数教育任务对 Sonnet 来说已经相当容易，或者学生更可能注意用量限制。
下面的图 2.2 以更细粒度的方式展示了这一点。当用户执行与高薪职业相关的任务时，他们更频繁地使用 Opus。例如，在 Claude.ai 上，34% 的软件开发人员任务涉及 Opus，而辅导教师任务中这一比例仅为 12%。总体而言，任务的时薪每增加 10 美元，Claude.ai 用户使用 Opus 的对话份额就会增加 1.5 个百分点。第一方 API 流量显示出对任务复杂性的更大反应。其斜率大约是前者的两倍，任务价值每增加 10 美元，Opus 份额就会增加 2.8 个百分点。与网页用户相比，部署程序化工作流程的用户可能有更多理由在模型之间切换。
学习曲线
Learning curves
第一个 Claude 模型于 2023 年 3 月发布。自那时起，Claude.ai 和 API 上的用户群迅速增长。我们最新的样本包含各种用户，有些用户注册了第一个 Claude 版本，有些用户则在我们测量其使用情况的前一天才注册。一个人使用 Claude 的年限如何塑造他们的体验？⁹
表 2.1 显示了低使用年限用户和高使用年限用户之间的差异，后者定义为至少 6 个月前注册 Claude 的用户，低使用年限用户则是其他所有人。¹⁰ 高使用年限用户更有可能使用 Claude 来迭代他们的工作，而通过指令型使用模式委派更大责任的可能性则小得多。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。对于高使用年限组，前 10 个 O*NET 任务占总使用量的份额略低（20.7% 对比 22.2%）。
下面，我们深入探讨上面讨论的两个原语：与每次对话相关的人类受教育年限，以及用于个人用途的对话记录份额。
在左侧面板中，我们显示，用户每多使用 Claude 一年，理解人类提示所需的受教育年限就会增加近 1 年。在右侧面板中，我们显示，与此同时，个人使用量在减少：一年前注册的用户将 38% 的对话用于个人用例，而最新用户这一比例为 44%。
在快速发展的通用技术用户群中，有几个因素可以解释这些模式。高使用年限的用户是自我选择的，这里的差异可能反映了稳定的特征。例如，他们可能是计算机程序员，更可能是早期采用者。此外，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从他们的使用中看到了积极的结果。我们无法观察到一年前注册但不再使用 Claude 的人。
这些发现反映了我们在《经济原语》报告中看到的情况：收入较低、教育水平较低的国家在某些情况下反而显示出更复杂的使用。最早的采用者通常有高价值的技术用例。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 已经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、修改手稿和初创公司融资。平均使用年限最低的任务具有更简单的工作流程，例如写俳句、查看体育比分和推荐聚会食物。¹¹
经验效应
Experience effects
我们在下面的图 2.4 中进一步探讨了这些关系，使用对数级别数据来精细控制对话的特征。在顶部面板中，规范 (1) 显示了一个简单的双变量回归，以任务成功作为结果变量，以长期使用年限指标作为预测变量。成功是 Claude 对对话是否成功的评估，如我们之前的报告所述。该图显示，长期使用年限的用户对话成功的可能性高出约 5 个百分点。
这可能反映出高使用年限的用户更擅长提示。但如果这反映出他们给 Claude 带来了不同的任务——那些更有可能成功的任务呢？
在规范 (2) 中，我们加入了特定 O*NET 任务和请求集群的固定效应。这相当于在相同狭义定义的任务内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“对特定公司执行企业财务分析、估值和建模”的请求集群。固定效应比较该集群内的高使用年限和低使用年限用户，并且在每个其他集群内也是如此。只有当平均而言，长期使用年限用户在这些任务内比较中更成功时，我们才会观察到正系数。这种控制在一定程度上缓和了这种效应，使其接近 3 个百分点。