Anthropic 经济指数报告：经济基础度量¶
原文发布于 2026 年 1 月 15 日
第一作者：Ruth Appel, Maxim Massenkoff, Peter McCrory
第二作者：Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin
PDF：完整报告
引言¶
本报告引入五个新的经济基础度量，为 AI 对经济的影响提供更精细的画像。 报告提供了 2025 年 11 月（Opus 4.5 发布前）Claude 使用的详细画像。这些"基础度量"通过对匿名的 Claude.ai 和第一方 API 对话进行分析生成，覆盖五个维度：用户和 AI 技能、任务复杂度、授予 Claude 的自主度、成功率，以及用途分类（个人/教育/工作）。
核心发现¶
| 发现 | 详情 |
|---|---|
| 使用仍高度集中 | 前 10 项任务占 Claude.ai 对话的 24%；增强模式略超半数对话 |
| 全球使用分布持续不均 | 美国、印度、日本、英国、韩国领先；可由人均 GDP 良好解释 |
| 美国各州趋于收敛 | 如趋势持续，各州人均使用量将在 2-5 年内均等化 |
| 收入越高使用越多元 | 低 GDP 国家课业使用最多；高收入国家个人使用最多 |
| 复杂任务成功率更低 | 人工完成时间越长，Claude 成功率越低 |
| 纳入成功率后工作暴露度不同 | 数据录入员和数据库架构师等职业，Claude 在大部分工作中表现出色 |
| Claude 处理的任务技能水平更高 | 移除 Claude 执行的任务后，剩余工作的技能要求更低 |
第一章：较上期报告的变化¶
使用集中度¶
前十大任务持续主导使用量，计算机/数学相关任务占比最大但在下降。
| 平台 | 前十任务占比 | 最常见任务 |
|---|---|---|
| Claude.ai | 24%（上升自 23%） | 修改软件以纠正错误（6%） |
| API | 32%（上升自 28%） | 修改软件以纠正错误（10%） |
计算机和数学任务在 Claude.ai 上占比从 40%（2025 年 3 月）降至 34%（2025 年 11 月）。教育指导和图书馆使用从 9%（2025 年 1 月）升至 15%（11 月）。
增强 vs 自动化¶
增强式使用跃升至 52%，自动化使用降至 45%，产品变化推动了更多人机协作。
| 指标 | 变化 |
|---|---|
| 增强式使用 | 升 5pp 至 52% |
| 自动化使用 | 降 4pp 至 45% |
| 指令式对话 | 降 7pp 至 32% |
产品变更（包括文件创建、持久记忆和 Skills 功能）"可能将使用模式转向了更协作的人在环路交互"。增强式使用的增长主要由"任务迭代"而非"学习"驱动。
区域集中度¶
全球层面 AI 使用集中度基本未变，但美国各州间正在趋于均等。
Anthropic AI 使用指数（AUI）衡量 Claude 使用是否相对于适龄劳动人口超额或不足。丹麦的 AUI 为 2.1。
AUI 公式：AUI_c = 国家 c 的 Claude 使用份额 / 国家 c 的适龄劳动人口份额
美国内部基尼系数从 0.37 降至 0.32。前五个州占使用量的 50%，但仅占适龄劳动人口的 38%。
劳动力结构的影响："科技工作者份额每增加 1%，人均使用量增加 0.36%"，可解释约三分之二的跨州 AUI 差异。
扩散速度¶
回归分析显示美国各州人均 AI 采用将在 2-5 年内均等化——比 20 世纪技术扩散快约 10 倍。
| 方法 | β̂ 估计值 |
|---|---|
| OLS | ≈ 0.77 |
| WLS | ≈ 0.76 |
| 2SLS（工具变量） | ≈ 0.86–0.89 |
第二章：经济基础度量介绍¶
五个新的基础度量在现有协作模式之上提供更细粒度的分析。
| 度量 | 内容 |
|---|---|
| 任务复杂度 | 无 AI 的人工时间、有 AI 的时间、是否多任务 |
| 人类和 AI 技能 | 用户能否独立完成、prompt/response 对应的教育年限 |
| 用途分类 | 工作、课业、个人 |
| AI 自主度 | 委托决策的程度 |
| 任务成功率 | Claude 对完成情况的评估 |
验证¶
基础度量已通过外部基准验证。Claude 的时间估计与实际软件工程任务耗时相关；教育度量与各职业的实际工人教育水平相关。
平台差异¶
| 维度 | Claude.ai | API |
|---|---|---|
| 工作用途占比 | 46% | 74% |
| 指令式对话 | - | 64% |
| 自动化占比 | - | 75% |
| AI 辅助时间 | 15 分钟 | 5 分钟 |
| 无 AI 人工时间 | 3.1 小时 | 1.7 小时 |
| 成功率 | 67% | 49% |
| 计算机/数学占比 | 36% | 52% |
Claude.ai 总体用途分布：46% 工作、19% 课业、35% 个人。
第三章：地理差异¶
工作和个人用途在高收入国家更常见，课业用途在低收入国家更常见。
人均 GDP 每增加 1%，国家层面的 Claude 人均使用量增加约 0.7%。
| 地区特征 | 发现 |
|---|---|
| 巴尔干半岛、巴西 | 工作用途占比最高 |
| 印度尼西亚 | 课业用途占比最高 |
| 纽约州 | 美国各州中工作用途最多 |
人类教育水平和 AI 教育水平几乎完全相关（国家：r = 0.925；美国各州：r = 0.928）。"人类如何给 AI 提示决定了 AI 能有多有效。"
高收入、高使用量国家表现出更多增强式使用，委托给 Claude 的决策自主度较低。
第四章：任务与生产力¶
加速效果与复杂度¶
更复杂的任务获得更大的时间节省，但成功率也更低。
| 教育年限要求 | 加速倍数（Claude.ai） |
|---|---|
| 12 年（高中） | 9x |
| 16 年（大学） | 12x |
但高中水平以下任务成功率约 70%，大学水平任务降至 66%。
任务时限¶
API 数据中 50% 成功率阈值在人工 3.5 小时处达到；Claude.ai 因多轮迭代推至约 19 小时。
这与 METR 对 Sonnet 4.5 约 2 小时和 Opus 4.5 约 5 小时的软件工程基准估计一致。
有效 AI 覆盖率¶
有效 AI 覆盖率 = Claude 能成功执行的工作日占比，按任务频率和成功率加权。49% 的工作至少有四分之一的任务可被 AI 覆盖（上升自此前的 36%）。
高覆盖率职业：数据录入员、医学转录员、放射科医生。低于预期的职业：微生物学家（Claude 无法进行实验室操作）。
技能影响¶
Claude 倾向于覆盖高教育水平任务（14.4 年 vs 经济整体 13.2 年），移除这些任务通常导致工作"去技能化"。
| 案例 | 去技能化方向 |
|---|---|
| 技术文档撰写者 | 失去高教育水平分析任务 |
| 旅行社 | 失去复杂规划，保留日常票务 |
| 房地产经理（反例：技能提升） | 失去日常簿记，保留合同谈判 |
总体生产力影响¶
纳入任务成功率后，基准估计从 1.8pp 降至 1.0-1.2pp 年度劳动生产力增长——仍具重大经济意义。
| 假设 | 年度劳动生产力增长（pp） |
|---|---|
| 基准（不考虑成功率） | 1.8 |
| Claude.ai 成功率调整 | 1.2 |
| API 成功率调整 | 1.0 |
| CES 互补性（σ=0.5） | 0.7–0.9 |
| CES 替代性（σ=1.5） | 2.2–2.6 |
"即使在考虑可靠性之后，隐含的影响仍然具有重大经济意义——每年持续增加 1.0 个百分点"将使美国生产力增长恢复到 1990 年代末/2000 年代初的水平。
结论¶
AI 的影响将通过现有制度结构介导，而非均匀展开；发展能有效使用 AI 的人力资本至关重要。
Claude 倾向于被用于高教育水平任务。移除这些任务可能导致工作去技能化。收入与使用模式的强相关性表明，AI 的影响"将通过现有制度结构介导，而非均匀展开"。要让 AI 惠及全球用户，"发展能够有效使用 AI 的人力资本，特别是在低收入经济体中，至关重要"。
引用¶
@online{anthropic2026aeiv4,
author = {Ruth Appel, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin},
title = {Anthropic Economic Index: Economic Primitives},
date = {2026-01-15},
year = {2026},
url = {https://www.anthropic.com/research/anthropic-economic-index-january-2026-report},
}