Anthropic经济指数报告：学习曲线¶

发布日期： 2026-03-24
作者： Maxim Massenkoff, Eva Lyubich, Peter McCrory, Ruth Appel, Ryan Heller
PDF： 阅读完整报告
数据集： HuggingFace

概述¶

本报告研究2026年2月的Claude使用数据，核心发现：使用场景多样化、编程向API迁移、资深用户学会了更好地利用Claude从而获得更高成功率。

Anthropic经济指数使用其隐私保护数据分析系统追踪Claude在经济中的使用情况，旨在帮助研究人员和政策制定者及早了解AI的经济影响。

本报告研究2026年2月的Claude使用数据，建立在上一期报告（2025年11月数据）的经济原语框架之上。样本覆盖2月5-12日，即Claude Opus 4.5发布三个月后，与Claude Opus 4.6发布同期。

核心发现¶

自上期以来发生了什么变化¶

上期报告：PDF

使用场景多样化¶

编程任务加速从Claude.ai向API迁移，Claude.ai上前10任务占比从24%降至19%——符合标准"采用曲线"规律。

• 编程任务从增强式的Claude.ai使用迁移至更自动化的API工作流
• 前10任务：19%的Claude.ai流量（2月），相比11月的24%下降
• 几乎所有任务在此前至少一次样本中出现过
• 约49%的职业至少有四分之一的任务在Claude上被执行

图1.1：前10任务使用份额随时间变化¶

图注：Claude.ai和第一方API中前10任务使用份额随时间变化。

采用扩展至低工资任务¶

• Claude上工作的平均经济价值（以美国工资衡量）略有下降
• 体育、产品对比和家庭维护等个人查询增加
• "与标准'采用曲线'故事一致——早期采用者偏好特定的高价值使用"

图1.2：Claude.ai上工作/个人/课程使用变化¶

图注：2025年11月和2026年2月Claude.ai上工作、个人和课程学习使用情况。

全球使用不平等持续¶

图1.3：协作模式份额变化¶

图注：Claude.ai中协作模式频率跨报告期变化。

对话被分为五种交互类型——指令式、反馈循环、任务迭代、验证、学习——归入自动化和增强两大类。Claude.ai中增强小幅增加，受验证和学习模式的小幅提升驱动。API数据中自动化急剧下降（见附录图A.3）。

API平台中的编程集中化¶

自2025年8月以来：
- API中计算机与数学类份额增加14%
- Claude.ai中下降18%
- Claude.ai中管理职业从3%升至5%

相关：劳动力市场影响

图1.4：平均任务价值跨版本和平台变化¶

图注：不同版本和平台的平均任务价值变化。

平均任务价值数据：
- Claude.ai：从$49.3降至$47.9
- 原因：简单事实性问题增加，编程任务迁移至API

表1.1：关键原语变化¶

图注：关键原语变化汇总。

Claude.ai关键原语变化：

涌现的自动化模式¶

API中两种至少翻倍的工作流：商业销售与拓展自动化、自动化交易与市场运营。

API工作流更可能是指令式的，较少需要人在回路中。客户服务任务在API数据中普遍存在（参考上期报告）。

2月vs三个月前至少翻倍的两种API工作流：

地理收敛性再审视¶

图1.5：地理收敛性¶

图注：美国各州（左）和各国（右）Anthropic使用指数的洛伦兹曲线。

美国各州：
- 收敛继续但速度放缓
- 前5州：人均使用份额从30%降至24%（2025年8月→2026年2月）
- 基尼系数自2025年8月下降
- 更新估计：各州达到大致相等人均使用率需 5-9年（此前估计2-5年）

跨国：
- 使用略微更集中
- 基尼系数上升
- 前20国家：45% → 48%的人口调整后使用量

学习使用AI¶

模型选择¶

不同Claude模型类别（Haiku、Sonnet、Opus）在成本、速度和性能间权衡。用户将最复杂的任务带给Opus。

图2.1：模型选择与职业领域¶

图注：模型选择与职业领域的关系。

图2.2：模型选择与职业¶

图注：模型选择与具体职业的关系。

• Claude.ai：34%的软件开发者任务涉及Opus vs 12%的辅导任务
• Claude.ai：每增加$10时薪 → Opus份额增加1.5个百分点
• 第一方API：斜率约为两倍大（每$10任务价值增2.8pp）

学习曲线¶

使用时间越长的用户越倾向于协作式使用、用于工作、处理更复杂任务，并获得更高的成功率（+4-5百分点）。

首个Claude模型于2023年3月发布。用户群此后快速增长。

表2.1：高使用时长与低使用时长用户差异¶

图注：高使用时长与低使用时长用户的差异。

高使用时长 = 在数据采集前≥6个月注册。关键差异：

图2.3：使用时长与教育水平和个人使用的关系¶

图注：使用时长与人类prompt所需教育年限以及个人使用比例的关联。

• 人类prompt所需教育年限：每增加一年Claude使用经验，增加近1年
• 个人使用：一年前注册的用户38% vs 最新用户44%

最高平均使用时长的任务：AI研究、git操作、修订手稿、创业融资
最低平均使用时长的任务：写俳句、查看体育赛况、建议派对食物

经验效应¶

图2.4：经验与成功率的关联¶

图注：经验与对话成功率的关联（回归分析）。

回归结果：

"一个有趣的潜在解释是，这些用户更好地学会了从AI中提取他们想要的东西。"

讨论¶

资深用户倾向于更协作地使用Claude、用于更多工作相关目的、处理更复杂任务并获得更多成功——这推翻了此前"自动化使用可能是成熟用户典型特征"的假设。

关键总结：
- 自2025年8月以来：API前10 O*NET任务占流量33%（从28%上升）
- Claude.ai任务自2025年11月以来更加多样化
- 低使用率美国州的更快追赶继续但放缓
- 低采用率国家略有进一步落后
- 课程学习份额下降；个人对话增加
- Claude.ai中prompt复杂度聚合值略有下降

这推翻了此前假设：自动化使用可能是成熟用户的典型特征；实际上，高级用户与Claude更多迭代。

报告提到了技能偏向技术变革的可能性：拥有高技能任务的早期采用者获得更成功的交互，可能既是最暴露于AI颠覆的群体，也是最受AI帮助的群体。

附录¶

完整附录：PDF

隐私保护系统论文：arXiv

引用¶

@online{anthropic2026aeiv5,
author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller},
title = {Anthropic Economic Index report: Learning curves},
date = {2026-03-24},
year = {2026},
url = {https://www.anthropic.com/research/economic-index-march-2026-report},
}

致谢¶

Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark

脚注¶

1. "第一方API"(1P API) = 通过Anthropic自有编程接口路由的开发者流量，区别于Claude.ai和第三方平台（Amazon Bedrock、Google Cloud Vertex）。
2. 包含来自Claude Code的数据。
3. 使用2019 O*NET-SOC代码（此前报告使用2010版本）。
4. 课程学习下降：在有活跃学期的国家下降5pp；大多数学生放假的地区下降12pp。
5. 交互类型定义见附录。
6. 任务价值示例："计算水分或盐含量..."仅由食品科学技术员执行（平均工资$26.15）。来源：2024年5月BLS OEWS表格。
7. 筛选出≥300次出现且增长≥2倍的O*NET任务。
8. 范围反映有（5年）或无（9年）权重的不同模型估计。
9. 使用日志级数据，采用相同隐私阈值。
10. 无论高使用时长定义如何，结果相似。
11. 采样期与超级碗广告重叠，带来许多首次用户。