Anthropic 经济指数报告：节律¶
原文发布于 2026 年 6 月 26 日，作者 Maxim Massenkoff, Eva Lyubich, Szymon Sacher, Zoe Hitzig, Shaoyi Zhang, Ryan Heller, Peter McCrory
引言¶
一年前 Claude 的使用以对话为主，如今 Agentic 长任务正在重塑使用形态，方法论也随之升级。 一年前，Claude 的使用主要表现为用户与助手之间的对话。随着 Claude Code 和 Cowork 的增长，越来越多的会话涉及长时间运行的 Agentic 任务。聊天记录已不再能完整捕捉使用模式，方法论需要适应新的现实。
本版报告的数据管道变化包括：
| 变化 | 说明 |
|---|---|
| 更高采样率 | 支持按小时级别分析使用模式 |
| 新的产出分类器 | 为每个对话的输出打标签 |
| 更细粒度的数据拆分 | 将聊天和 Cowork 对话（"Claude 对话"）与第一方 API 分开，按月汇总 |
其他方法论变化详见附录。
报告还呈现了 Anthropic 经济指数调查的初步结果（2026 年 4 月启动），旨在了解人们如何感知 AI 对工作和机会的影响。
核心发现预览¶
| 章节 | 主要发现 |
|---|---|
| 第一章：节律 | 工作相关查询在周末减少（高薪职业减幅更小）；人们早上查新闻；助眠建议在凌晨 5 点达峰；报税请求在截止日前激增 |
| 第二章：产出物 | 聊天和 Cowork 提供更多解释，Claude Code 则不同；建网站比翻译文档给 Claude 更多自主权；更多计算量关联着更有价值的产出 |
| 第三章：感知 | 以最自动化方式使用 Claude 的人预期 AI 承担更多任务，同时对薪酬、工作安全感和意义感最为乐观 |
第一章：节律¶
新的隐私保护遥测系统实现了按小时分析，揭示出 Claude 使用量完美映射人类工作周和日常生活的节奏。 新的隐私保护遥测系统每天持续采样对话，支持日级和小时级模式的研究（此前为七天采样）。Claude 的使用量反映着工作周节奏：个人类 prompt 在周末激增。小时级数据揭示了日内模式。使用量还会反映关键日期，例如美国报税截止日。
工作周¶
个人使用比例在周末从 35% 跃升至近 50%，对话主题从工作文档切换到情感支持和投资建议。 在聊天和 Cowork 对话中，个人使用的比例从工作日的约 35% 跃升至周末的近 50%。工作周之外，对话主题从商务通信、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。
图 1.1：个人对话在周末增加 — Claude.ai、Claude 桌面端、Claude Code 和第一方 API 中个人使用对话的每日比例。灰色底纹为周六和周日。
类似模式也存在于 Claude Code 和第一方 API 流量中，但个人使用的基线比例较低。
周末 Claude Code 中下降最多的使用集群包括后端架构、API 调试和数据存储；增加最多的包括 AI Agent 设计、量化交易和游戏开发。
跨国来看，与创业相关的对话在周六和周日最集中。求职活动则与其他工作类任务一起在周末下降。
日内节律¶
从新闻到食谱到助眠建议，Claude 的每小时使用量精确映射了人类日常生活的时间线。 按小时来看，Claude 的使用反映了日常生活节律：
| 场景 | 时间特征 |
|---|---|
| 新闻请求 | 当地时间早上 7 点达峰 |
| 商务通信 | 跟随工作日弧线，10-11 点有小峰值 |
| 食谱请求 | 下午 6 点是平均水平的 2.3 倍 |
| 媒体推荐 | 晚间最集中 |
| 助眠建议 | 在黎明前数小时达峰 |
图 1.2：一天中不同请求集群的分布 — 不同请求集群的标准化每小时对话比例，仅限 Claude 聊天和 Cowork 数据。
在夜间和周末，工作任务偏向高薪职业。与收入最低两个四分位数职业（电话营销、文书工作）相关的任务占比下降。这一模式并非完全由计算机和数学类任务驱动——即使移除这些职业，高四分位数任务在夜间和周末仍然占比上升。
图 1.3：夜间和周末工作相关对话份额的变化（按职业工资四分位数划分） — 每个柱状图显示指定工资四分位数任务在夜间/周末相对于工作日工作时间的百分比变化。工资四分位数使用 BLS 数据计算。
报税日¶
4 月 14 日税务相关对话是 5 月平均日的 8 倍，15 日保持高位，16 日骤降——Claude 的使用量是现实世界截止日期的精准映射。 4 月 14 日，税务相关集群是 5 月平均日的 8 倍，4 月 15 日保持同等水平。4 月 16 日则急剧下降。
图 1.4：税务相关对话在美国报税截止日前激增 — 美国和世界其他地区税务相关对话的比例。
第二章：产出物¶
新分类器识别出 93% 的 Claude 对话产生了明确的产出物，最常见的是解释（17%）、文档报告（15%）和指导建议（11%）。 本章使用分类器为聊天和 Cowork 上的每个对话标注其产出物（主要输出），分为 30 多个类别——文档、解释、代码、学术论文等。
分类器识别出 93% 的 Claude 对话产生了产出物。最常见的产出物：
| 产出类型 | 占比 |
|---|---|
| 解释 | 17% |
| 文档和报告 | 15% |
| 指导建议 | 11% |
对话类输出和书面交付物各占约三分之一；代码和技术工作约占六分之一。
图 2.1：Claude 的产出类型 — 具有特定输出类型的对话比例。展示 Claude 对话中最常见的 12 种输出类型。
每种产出物的用途是什么？¶
创意写作和食谱几乎全是个人用途，营销内容和数据库查询则以工作为主——而翻译和策略制定则工作/个人各半。 不同产出类别在用途上差异巨大：
| 维度 | 产出类别 | 特征 |
|---|---|---|
| 几乎全是个人用途（>80%） | 创意写作、指导建议、食谱 | 创意写作以同人小说、世界观设定和诗歌为主 |
| 几乎全是工作用途 | 营销内容(80%)、博客/文章(81%)、数据库查询(82%) | — |
| 工作/个人各半 | 计划或策略(44%/49%)、翻译(42%/44%) | — |
| 课程学习特征 | 学术论文/论文、教育材料、数学查询 | — |
不同用途对话最常产出的内容：
| 用途 | 最常见产出 |
|---|---|
| 工作 | 文档/报告(20%)、解释(9%)、邮件草稿(7%)、分析/摘要(6%) |
| 课程学习 | 文档/报告(21%)、解释(20%)、教育材料(11%)、学术论文(6%) |
| 个人 | 解释(25%)、推荐(22%)、文档仅占 6% |
图 2.2：按用途划分的产出物比例 — 对话按目的分为工作、个人和课程学习。
计算成本追踪工作价值¶
对话的 token 消耗量与所关联职业的薪资正相关——营销经理的对话消耗约为编辑的 2.5 倍，而薪资恰好是后者的两倍。 计算资源的投入与工作价值成正比。报告以 token 为单位衡量计算成本并跨职业比较。
图 2.3 左侧面板显示，对话级别中位 token 数与映射职业的中位工资之间存在正相关。营销经理收入约为编辑的两倍（80 美元/小时 vs. 37 美元/小时），其对话消耗约 2.5 倍的 token。也有明显异常值：药剂师收入几乎是统计助理的三倍（68 vs. 24 美元/小时），但其对话 token 消耗仅为后者的约二十分之一。
图 2.3：高薪职业对话消耗更多 token — 左：中位工资与典型 token 数（对数尺度）的关系。右：按产出类型的 token 分布。数据仅限聊天/Cowork 工作相关对话。
更复杂的产出消耗显著更多 token。构建应用的对话使用超过中位数 3 倍的 token，而典型的解释仅用约五分之一。高薪职业 token 消耗梯度的约 44% 可由产出类型组合解释。
在高薪职业对话中，Claude 产出更多（每轮输出 1.34 倍）、用户参与更深（1.53 倍的轮次）、更频繁启用扩展思考（34% vs. 31%）。
表 2.4：高薪职业 token 消耗更高的成因 — 贡献于高 token 消耗的对话特征。最高三分之一对话消耗的 token 是最低三分之一的 2.07 倍。
Claude 拥有多少自主权？¶
在 1-5 分的自主权量表上，构建应用和游戏得分最高，数学计算和翻译最低；Claude Code 在几乎所有产出类型上都比聊天界面有更高自主权。 自主权以 1-5 分衡量，从"无"到"极高"。
| 自主权水平 | 产出类型 |
|---|---|
| 最低 | 数学/计算、翻译、问答 |
| 最高 | 应用/网站、游戏、演示文稿 |
在几乎所有产出类型中（31 种中的 26 种），Claude Code 上的 AI 自主权都高于聊天/Cowork。脚本和代码片段在 Claude Code 上多 0.53 分。所有对话的平均差异为 0.37 分。
差异的约三分之二来自相同任务在 Claude Code 上以更高委派程度执行。以博客为例：聊天/Cowork 中位博客对话涉及 13 轮来回；Claude Code 中位博客会话仅包含单个人类 prompt。剩余三分之一反映了不同的产出类型组合。
图 2.5：按产出类型划分的 AI 自主权 — 按对话输出和产品表面划分的平均 AI 自主权（1-5 分）。
Claude Code 会话使用最强模型的频率远高于其他（54% 由 Opus 服务 vs. 聊天/Cowork 的 10%）。然而，比较相同模型的对话时差距仍然存在（Sonnet 会话在 Claude Code 上仍多 0.26 分），说明产品形态比模型能力更重要。
平均自主权和中位 token 使用量在产出物维度上同步上升（聊天和 Cowork 上 r = 0.68）。
Claude 的回答高于提问水平¶
Claude 的输出阅读水平几乎在所有类别上都比用户的 prompt 高约一年教育程度，在"描述需要构建什么"的场景中差距最大（图形 +2.6 年、游戏 +1.9 年）。 分类器为每个对话估算两个阅读水平（所需教育年限）。学术论文查询需要 16 年以上；15% 达到博士水平（20 年以上）。食谱/指导建议则低于 10 年。
更高阅读水平的输出与更高阅读水平的 prompt 高度相关（相关系数 0.87）。然而，Claude 的输出在几乎每个类别中都比 prompt 高出约一年教育程度。差距最大的是用户描述待构建事物的产出：图形/图像（+2.6 年）、游戏（+1.9 年）、应用/网站（+1.7 年）。差距接近零的是面向受众的写作：博客（-0.1）、学术论文（+0.0）、邮件（+0.3）。
图 2.6：用户 prompt 和 Claude 响应的阅读水平（按产出物分类） — 所需教育年限估计值。仅限聊天和 Cowork。
第三章：感知¶
首次经济指数调查链接了约 9,700 名受访者的使用数据，揭示出一个反直觉的发现：最依赖 AI 自动化的用户对未来劳动力市场最乐观。 本章呈现 Anthropic 经济指数调查的首批结果，通过隐私保护方法与 Claude 使用数据关联。最终关联样本约 9,700 名调查受访者。
大多数受访者预期 AI 在来年将取得重大进展。对能力的感知取决于经验、地理位置和工作暴露度，但对未来进展速度的预期惊人地一致——犹如"涨潮"效应。
早期职业工作者认为 AI 能完成其最高比例的工作，也最担心失业。然而，将最多任务委派给 Claude 的人对未来劳动力市场最乐观，并认为自己的技能价值在增长。
受访者画像¶
调查样本并非一般人口代表——计算机与数学职业占约 30%（而美国就业中仅占 4%）。 调查样本不代表一般人口：
| 职业组 | 受访者占比 | 美国就业占比 | 差异 |
|---|---|---|---|
| 计算机与数学 | ~30% | 4% | 极度过度代表 |
| 管理 | 23% | 7% | 过度代表 |
| 体力劳动类 | 极低 | — | 严重不足 |
图 3.1：调查受访者严重偏向计算机/数学和管理职业 — 按 SOC 组划分的受访者比例与 OEWS 美国就业数据对比。
AI 与工作任务¶
近六成受访者预期来年 AI 能完成更高比例的工作，超过三分之一预期 AI 能完成其"大部分或几乎全部"任务。 近六成受访者为来年选择了比当前更高的能力区间。超过三分之一预期 AI 明年能完成其大部分或几乎全部工作任务。
图 3.2：大多数受访者预期 AI 能完成的工作任务比例将在未来 12 个月增长 — 当前与 12 个月后工作任务比例的分布。
报告暴露度与观察暴露度和理论暴露度均正相关。然而，处于高观察/理论暴露度岗位的人对来年 AI 能力增幅的预期与低暴露度岗位大致相同。软件工程师和建筑工地经理预期大致相同的进步幅度。
报告暴露度系统性地高于观察暴露度（可能因为调查更容易触达重度 AI 用户）。
图 3.3：报告暴露度和预期暴露度 vs. 其他衡量指标 — 与观察暴露度（左）和理论暴露度（右）的对比。
对 AI 能力的感知与国家 GDP 负相关：高收入国家认为 AI 能完成的任务比例低约 10 个百分点。这与 AI 替代低收入国家工人更大比例任务的假设一致。
报告/预期暴露度与工作经验年限负相关。15 年以上经验的工人认为 AI 任务比例比入职第一年的工人低约 10 个百分点。资深工人指出判断力、情境感知以及人际关系维度是 AI 无法复制的。
报告和预期暴露度随 Claude 使用的自动化比例上升。
图 3.4：报告暴露度和预期暴露度 — 与人均 GDP（左）、工作经验年限（中）和 Claude 自动化会话比例（右）的关系。
AI 与就业¶
超过三分之一的人认为职责将在来年显著变化，10% 认为自己可能失业——但人们更担心他人（尤其是初级同事）失业。 超过三分之一的受访者表示职责在来年可能或很可能发生重大变化。10% 认为自己失业的可能性为"可能"或"很可能"。在那些认为失业可能的人中，38% 将预测归因于 AI。受访者对他人失业的担忧高于自身，尤其是对初级同事（超过三分之一认为概率 >60%）。
图 3.5：报告可能/很可能发生职责变化或非自愿失业的比例 — 针对自身、同级、初级同事、高级同事。
在所有六个维度（薪酬、工作安全感、找新工作能力、意义感、自主权、人际互动）上，自动化会话比例更高的人对 AI 对工作结果的影响更乐观。对薪酬和找工作能力的正面预期影响最大。
图 3.6：自动化程度更高的 Claude 用户正面预期更高 — 对标准化 AI 自动化比例的线性回归系数估计。
控制 Claude.ai 使用时长后，这些估计没有显著变化。
大多数人报告了生产力提升：速度（86%）、范围（82%）、质量（69%）。27% 报告了成本节约。多数人还报告通过 AI 学到了更多（68%），并感觉技能更有价值（57%）。
认为 AI 增加了技能市场价值的比例随自动化程度上升。认为学到更多的比例在各自动化水平上大致持平——重度委派者的学习报告率相同。
图 3.7：技能正面回报随自动化比例上升；学习保持平稳 — 自动化比例与技能价值（蓝色）和学习（橙色）的关系。
使用模式的性别差异¶
女性仅占关联样本的 12%，控制职业差异后，她们的自动化程度更低但互动更深——Claude Code 使用低 0.24 个标准差，但聊天活跃时间更长。 女性仅占关联受访者样本的 12%。控制职业差异后：
| 维度 | 差异 |
|---|---|
| 工作使用概率 | 略低 |
| Claude Code 使用比例 | 低 0.24 标准差（6.3 个百分点） |
| 自动化比例 | 低 0.33 标准差（7.3 个百分点） |
| 互动方式 | 更迭代式 |
| 聊天活跃时间 | 高于男性（更协作式参与的信号） |
图 3.8：女性有明显不同的使用模式 — 控制职业后女性与男性平均值的差异（标准差）。显示 95% 置信区间。
人们对未来的期望¶
开放式问答的五大主题：AI 增强工作（>50%）、自动化苦差事（~50%）、共享繁荣（~33%）。 关于"10 年后 AI 转型经济中的期望"的开放式问题中，前五大主题：
| 排名 | 主题 | 占比 | 具体内容 |
|---|---|---|---|
| 1 | AI 增强工作 | >50% | 希望与 AI 协作完成有意义的工作，职业仍然重要，出现新行业和就业机会 |
| 2 | AI 自动化苦差事 | ~50% | 自动化工作中乏味的部分，获得更多自由时间和工作之外的意义 |
| 3 | 共享繁荣 | ~33% | AI 的经济收益被广泛分享 |
图 3.9：人们期望人机协作、自动化苦差事和更多自由时间，以及广泛共享的经济收益 — 开放式回答中最常见的五个主题。
讨论¶
AI 正以越来越高的自主性快速扩散，早期用户群已从技术精英扩展到更广泛的人群——测量方法也必须跟上。 AI 正通过越来越多的界面快速扩散，输出也越来越智能。早期 AI 聊天界面很简单；如今 Claude 模型可以通过 Claude Code 和 Cowork 自主运行数小时。用户群正在转变——早期采用者技术水平很高；最近的用户将 Claude 应用于对应较低工资的任务。
本报告在测量方面的改进：
| 步骤 | 说明 |
|---|---|
| 更高频测量 | 按小时采样，揭示日常生活节律 |
| 记录产出物 | 使 Claude 的工作更可理解 |
| 调查 | 直接询问人们对 AI 使用和感知 |
调查受访者报告 AI 能完成的工作比例高于观察暴露度衡量所示。超过 35% 预测 AI 明年能完成其大部分工作。
准确分类 Claude 的工作仍是一个移动靶。随着能力提升，AI 可能越来越多地彼此互动。Claude 的经济影响最终将体现在就业和生产力等宏观指标上。然而，揭示使用模式对于向公众提供信息仍然至关重要。
附录¶
完整附录见此处。
引用¶
@online{anthropic2026aeiv6,
author = {Maxim Massenkoff and Eva Lyubich and Szymon Sacher and Zoe Hitzig and Shaoyi Zhang and Ryan Heller and Peter McCrory},
title = {Anthropic Economic Index report: Cadences},
date = {2026-06-26},
year = {2026},
url = {https://www.anthropic.com/research/economic-index-june-2026-report},
}