Anthropic 经济指数：AI 采用的地理与企业分布不均¶
作者： Ruth Appel、Peter McCrory、Alex Tamkin*（共同主导），Miles McCain、Tyler Neylon、Michael Stern
发布日期： 2025年9月15日
PDF 下载： 完整报告
引言¶
AI 的采用速度史无前例，但其分布高度集中——无论是在地理区域还是企业任务上。
在美国，40% 的员工报告在工作中使用 AI，较 2023 年的 20% 翻了一番。历史上，新技术从诞生到普及需要数十年：电力用了 30 多年才覆盖农村家庭，个人电脑花了 20 年才进入大多数美国家庭，即便互联网也用了约 5 年才达到 AI 仅 2 年就实现的采用率。
本报告的核心论点是："早期技术采用的一个显著特征是其集中性——既集中在少数地理区域，也集中在企业的少数任务上。"
本期报告在两个维度上扩展了 Anthropic 经济指数：一是对 Claude.ai 对话的地理分布分析，二是首次对企业 API 使用的系统性考察。
核心发现概览¶
| 维度 | 关键数据 |
|---|---|
| Claude.ai 使用趋势 | 编程占比 36%；教育任务从 9.3% 升至 12.4%；科学任务从 6.3% 升至 7.2% |
| 协作模式变化 | "指令式"对话从 27% 跃升至 39%；自动化首次超过增强使用 |
| 编程子任务 | 新代码创建 +4.5pp；调试下降 -2.9pp |
| 全球地理分布 | 新加坡 4.6x、加拿大 2.9x（基于人口预期）；印尼 0.36x、印度 0.27x、尼日利亚 0.2x |
| 美国州级分布 | 华盛顿特区人均使用 3.82x，犹他州 3.78x |
| 企业 API 部署 | 77% 为自动化模式（对比 Claude.ai 的约 50%）；能力比成本更重要 |
第一章：Claude.ai 使用的时间趋势¶
编程仍然占据主导地位，但教育和科学类任务正在快速增长，用户行为从"协作探索"转向"直接委派"。
数据覆盖三个时间段：2024年12月/2025年1月（V1）、2025年2-3月（V2）、2025年8月（V3）。
任务类别变化¶
| 任务类别 | V1 占比 | V3 占比 | 变化方向 |
|---|---|---|---|
| 计算机与数学 | 36% | 36% | 持平 |
| 教育教学与图书馆 | 9% | 12% | 上升 |
| 生命、物理与社会科学 | 6% | 7% | 上升 |
| 商业与金融运营 | 6% | 3% | 下降 |
| 管理类 | 5% | 3% | 下降 |
与新功能发布相关的变化¶
新功能直接驱动了使用模式的改变：
| 任务 | V1 占比 | V3 占比 | 关联功能 |
|---|---|---|---|
| 搜索电子数据源/数据库 | 0.03% | 0.49% | 网络搜索（3月发布） |
| 基于互联网的研究 | 0.003% | 0.27% | 研究模式（4月发布） |
| 开发教学材料 | 0.2% | 1.5% | 教育报告相关 |
| 创建多媒体文档 | 0.16% | 0.55% | Artifacts |
编程子任务的结构性转变¶
用户正从"修 Bug"转向"创建新项目"：
| 编程子任务 | V1 占比 | V3 占比 | 变化 |
|---|---|---|---|
| 编写新程序或修改现有程序 | 1.5% | 4.9% | +3.4pp |
| 设计、构建或维护网站 | 1.2% | 2.0% | +0.8pp |
| 开发新软件应用 | 0.06% | 0.6% | +0.54pp |
| 修改现有软件以纠正错误 | 4.8% | 2.7% | -2.1pp |
| 纠正错误并做出适当修改 | 3.0% | 2.1% | -0.9pp |
| 执行初步调试程序 | 2.0% | 0.9% | -1.1pp |
总体而言：新代码创建从 4.1% 升至 8.6%（+4.5pp），调试/纠错从 16.1% 降至 13.3%（-2.8pp）。
协作模式的演变¶
自动化使用首次超过增强使用——这是一个历史性拐点。
本报告将人与 AI 的协作模式分为两大类：
自动化模式（用户委派任务）：
- 指令式（Directive）：用户委派完整任务，极少来回交互
- 反馈循环（Feedback Loops）：用户委派后根据需要提供反馈
增强模式（用户主导完成）：
- 学习（Learning）：用户请求信息或解释
- 任务迭代（Task Iteration）：协作式迭代完成
- 验证（Validation）：用户请求对自己工作的反馈
指令式对话占比：27%（V1）→ 39%（V3）。这是该指数首次观测到自动化使用超过增强使用。
注：V3 使用 Claude Sonnet 4 进行分类（V2 使用 Sonnet 3.7）。使用 Sonnet 3.7 重新运行 V3 数据，指令式交互的上升趋势仍然显著。
第二章：Claude 使用的全球与美国地理分布¶
AI 采用呈现极度不均衡：高收入国家人均使用率是低收入国家的 10-35 倍，但低 AUI 国家的用户反而更倾向于完全委派任务。
数据来源：2025年8月4-11日随机抽样的 100 万条 Claude.ai 对话，通过 Clio 进行隐私保护分析，覆盖 150 多个国家和美国全部州。
全球使用格局¶
总使用份额前三：
- 美国：21.6%
- 印度：7.2%
- 巴西：3.7%
Anthropic AI 使用指数（AUI）¶
公式： AUI = Claude 使用份额 / 劳动年龄人口份额（15-64岁）
AUI > 1 表示该国的 AI 使用"超出人口权重"，< 1 表示"低于预期"。
全球 AUI 排名¶
| 排名 | 国家 | AUI |
|---|---|---|
| 1 | 以色列 | 7.0 |
| 2 | 新加坡 | 4.57 |
| 3 | 澳大利亚 | 4.10 |
| 4 | 新西兰 | 4.05 |
| 5 | 韩国 | 3.73 |
主要发达经济体：
| 国家 | AUI |
|---|---|
| 美国 | 3.62 |
| 加拿大 | 2.91 |
| 英国 | 2.67 |
| 法国 | 1.94 |
| 日本 | 1.86 |
| 德国 | 1.84 |
中低收入经济体：
| 国家 | AUI |
|---|---|
| 玻利维亚 | 0.48 |
| 印度尼西亚 | 0.36 |
| 印度 | 0.27 |
| 尼日利亚 | 0.2 |
AUI 层级划分¶
| 层级 | AUI 范围 | 代表国家 |
|---|---|---|
| 领先（Leading） | 前 25% | 以色列、新加坡、澳大利亚、美国 |
| 中上（Upper Middle） | 50-75% | 法国、日本、德国 |
| 中下（Lower Middle） | 25-50% | 玻利维亚 |
| 新兴（Emerging） | 后 25% | 印度尼西亚、印度、尼日利亚 |
| 极低（Minimal） | 无可观测使用 | 多个国家 |
AUI 与 GDP 的关系¶
人均 GDP 每增加 1%，Claude 人均使用量增加 0.7%。 这一弹性系数表明，经济发展水平是 AI 采用的强预测因子，但并非唯一因素——以色列和新加坡的 AUI 远超其 GDP 水平所能预测的范围。
美国州级分布¶
总使用份额前四州：
- 加利福尼亚：25.3%
- 纽约：9.3%
- 得克萨斯：6.7%
- 弗吉尼亚：4.0%
美国州级 AUI 排名：
| 排名 | 州 | AUI |
|---|---|---|
| 1 | 华盛顿特区 | 3.82 |
| 2 | 犹他州 | 3.78 |
| 3 | 加利福尼亚 | 2.13 |
| 4 | 纽约 | 1.58 |
| 5 | 弗吉尼亚 | 1.57 |
州级收入与 AUI 的相关性弱于跨国比较。州人均 GDP 每增加 1%，AUI 增加 1.8%。
各国/州的任务差异¶
不同国家的"特色用途"：
| 国家 | 过度代表的使用场景 |
|---|---|
| 美国 | 家务管理、求职、医疗指导 |
| 巴西 | 翻译、法律服务 |
| 越南 | 软件开发、教育 |
| 印度 | 软件开发（几乎是唯一用途，占比超过一半） |
美国州级专业化差异：
| 州 | 特色用途 |
|---|---|
| 加利福尼亚 | IT 相关、数字营销、翻译 |
| 佛罗里达 | 商业建议、健身 |
| 华盛顿特区 | 文档编辑、信息提供、求职（求职使用为全美平均的 1.84 倍） |
协作模式的地理差异¶
一个反直觉的发现： 在控制任务组合后，高 AUI 国家的用户更倾向于增强模式（协作完成），而低 AUI 国家的用户更倾向于自动化模式（完全委派）。
这意味着在 AI 渗透率更高的地区，用户已发展出更精细的与 AI 协作的方式，而非简单地将任务"扔给"AI。
第三章：企业 API 部署¶
企业 API 使用中 77% 为纯自动化模式，能力而非价格决定了部署模式——上下文信息的组织是当前最重要的瓶颈。
数据来源：2025年8月随机抽样的 100 万条 API 转录记录，来自约半数一方 API 客户。
美国企业 AI 采用背景¶
根据美国人口普查局商业技术与运营调查（BTOS）：
| 时间 | AI 采用率 |
|---|---|
| 2023年秋 | 3.7% |
| 2025年8月初 | 9.7% |
| 行业 | 采用率 |
|---|---|
| 信息行业 | ~25% |
| 住宿/餐饮服务 | ~2.5% |
API 使用模式¶
自下而上的任务聚类（约占总流量一半）：
| 任务聚类 | 占比 |
|---|---|
| Web 应用调试 | ~6% |
| 解决技术问题 | ~6% |
| 构建专业商务软件 | 显著份额 |
| 开发/评估 AI 系统 | ~5% |
| 创建营销材料 | 4.7% |
| 处理商业与招聘数据 | 1.9% |
API 与 Claude.ai 的职业分布对比¶
| O*NET 职业类别 | API 占比 | Claude.ai 占比 | 差异 |
|---|---|---|---|
| 计算机与数学 | 44% | 36% | +8pp |
| 办公与行政 | ~10% | - | - |
| 教育与图书馆 | 3.6% | 12.3% | -8.7pp |
| 艺术与娱乐 | 5.2% | 8.2% | -3pp |
使用集中度¶
- 底部 80% 的任务类别仅占 Claude.ai 使用量的 12.7%、API 使用量的 10.5%
- 基尼系数：Claude.ai 为 0.84，API 为 0.86
- 这意味着 AI 的实际应用高度集中在极少数任务类型上
企业自动化程度¶
| 指标 | API | Claude.ai |
|---|---|---|
| 自动化模式占比 | 77% | ~50% |
| 增强模式占比 | 12% | ~50% |
| 自动化主导的任务比例 | 97% | 47% |
上下文与复杂度¶
输出长度变异极大：第 90 百分位的任务输出长度是第 10 百分位的 4 倍。输出对输入的弹性系数为 0.38——即输入长度每增加 1%，输出长度仅增加 0.38%。
这一发现意味着存在边际递减效应，报告据此提出了一个关键洞察：
"部署 AI 处理复杂任务的瓶颈，更多在于能否获取到正确的信息（上下文组织），而非底层模型能力本身。"
成本分析¶
- 计算机/数学任务的成本比销售相关任务高 50% 以上，但仍主导着使用量
- 成本与使用频率呈正相关（而非负相关）
在控制任务特征后：成本每增加 1%，使用频率仅降低 0.29%。这意味着 成本降低 10% 仅能带来约 3% 的使用量增长。
"成本与使用量的正相关关系表明，成本在塑造企业 AI 部署模式中发挥的作用微乎其微。"
企业选择 AI 应用场景时，能力匹配度远比价格更重要。
结论与启示¶
如果 AI 的生产力收益集中在已经繁荣的地区和已准备好自动化的行业，现有不平等将加剧而非缩小。
报告警告了潜在的分化风险。经验丰富、拥有隐性知识的工人可能从中获益，而入门级工人面临冲击。Brynjolfsson、Chandar 和 Chen（2025）的研究发现，自 2022 年底以来，AI 高暴露岗位的入门级工人就业前景相对恶化。
这份报告同时开源了底层数据，包括 Claude.ai 和一方 API 流量的任务级使用模式（映射到 O*NET 分类体系）、按任务细分的协作模式，以及方法论文档。
开源数据¶
报告开放了以下数据：
- Claude.ai 和一方 API 流量的任务级使用模式（O*NET 分类映射）
- 按任务细分的协作模式分布
- 完整的方法论文档
主要参考文献¶
- Gallup 2025, AI Use at Work Has Nearly Doubled in Two Years
- Bick, Blandin, Deming, 2024 The Rapid Adoption of Generative AI
- Lewis & Severnini, 2020 Short- and long-run impacts of rural electrification
- Kalyani, Bloom, Carvalho, Hassan, Lerner and Tahoun 2025 Diffusion of New Technologies
- Gordon, 2012 Is U.S. Economic Growth Over?
- Pritchett, 1997 Divergence, Big Time
- Kremer, Willis, You, 2022 Converging to Convergence
- Jones, Jones, and Aghion, 2017 Artificial Intelligence and Economic Growth
- Nelson and Phelps, 1966 Investment in Humans, Technological Diffusion, and Economic Growth
- Goldin and Katz, 2008 The Race between Education and Technology
- Hall and Kahn 2003 Adoption of New Technology
- Crane, Green, and Soto 2025 Measuring AI Uptake in the Workplace
- Gabaix 2016 Power Laws in Economics: An Introduction
- Kremer 1993 The O-Ring Theory of Economic Development
- Liu et al, 2023 Lost in the Middle: How Language Models Use Long Contexts
- Ide and Talamaś, 2025 Artificial Intelligence in the Knowledge Economy
- Brynjolfsson, Chandar, and Chen 2025 Canaries in the Coal Mine?
- Gans 2025 If AI and workers were strong complements, what would we see?