Anthropic 经济指数：理解 AI 使用的新基础度量¶
原文：Anthropic Economic Index: New building blocks for understanding AI use
日期：2026-01-15
类别：经济研究
完整报告：阅读完整报告
引言¶
第四期 Anthropic 经济指数引入"经济原语"——五个追踪 AI 经济影响的基础度量维度，揭示 AI 对复杂任务的加速效果远大于简单任务，且可带来约 1-1.8 个百分点的生产力增长。
报告探讨 AI 是否让人们更快完成工作、AI 最擅长支持哪些任务、以及它可能如何改变职业结构。Anthropic 使用其隐私保护分析方法，持续衡量 Claude.ai（消费者使用）和第一方 API（主要为商业使用）上的真实世界 AI 使用。
此前的报告评估了按职业和工资水平划分的 AI 任务，研究了软件开发，并考察了按国家和美国各州的 AI 使用情况。
经济原语¶
第四期报告引入经济原语：五个追踪经济影响的基础度量维度：
| 维度 | 衡量内容 |
|---|---|
| 任务复杂度 | 不使用 AI 的预估完成时间、使用 AI 的时间、单次对话中是否包含多个任务 |
| 人类与 AI 技能 | 用户能否不借助 Claude 完成任务、提示词和响应所需教育年限 |
| 使用场景 | 专业、教育或个人使用 |
| AI 自主性 | 用户委托程度——从积极协作到完全委托 |
| 任务成功率 | Claude 对任务是否成功完成的自评 |
报告样本来自 2025 年 11 月的对话（主要使用 Claude Sonnet 4.5）。
经济原语的主要发现¶
任务维度¶
AI 加速了哪些任务？加速多少？¶
更复杂的任务获得更大的加速效果。
| 任务教育需求 | 加速倍数 | 成功率 |
|---|---|---|
| 高中教育（12年） | 9 倍 | ~70% |
| 大学学位（16年） | 12 倍 | 66% |
| API 端 | 更高 | — |
影响力随复杂度增长的幅度远大于复杂度对成功率的削弱——即净效果高度正向。
这与证据一致，表明白领专业人士更可能在工作中使用 AI。
图1. 加速倍数和成功率与人类受教育年限的关系。左图显示 ONET 任务级别加速倍数 vs 受教育年限散点图及最佳拟合线。右图显示与成功率的关系。*
Claude 能支持多长时间跨度的任务？¶
| 平台 | 50% 成功率对应的任务时长 |
|---|---|
| METR 基准测试 | 2 小时 |
| Anthropic API | ~3.5 小时 |
| Claude.ai | ~19 小时 |
差异解释：用户将复杂任务拆分为较小步骤并通过反馈循环交互，以及选择偏差（用户带来他们更有信心成功的任务）。
图2. 任务成功率与人工完成时间的关系。显示按平台划分的 ONET 任务级别任务成功率（%）与人工完成时间的关系，含线性回归拟合。*
Claude 的工作在各国间有何差异？¶
- 人均 GDP 较高的国家：Claude 更多用于工作或个人用途
- 人均 GDP 较低的国家：更可能用于教育课程
这与微软的研究一致，后者将 AI 教育使用与较低收入关联，将休闲使用与较高收入关联。
Anthropic 与卢旺达的合作伙伴关系和 ALX 支持这一从教育向更广泛应用的过渡。
图3. 人均收入预测 Claude 在各国的使用方式。各图显示特定使用方式占比（工作、课程学习或个人）与对数人均 GDP 的关系。
职业维度¶
覆盖范围¶
| 报告版本 | 任务覆盖率 |
|---|---|
| 第一期（2025年1月） | 36% 的工作岗位至少有四分之一任务使用 Claude |
| 汇总数据（跨所有报告） | 升至 49% |
经成功率调整（按任务频率和时长加权）后呈现不同图景：
- 部分职业（数据录入员、放射科医生）受影响程度远大于任务覆盖率单独表明的
- 其他职业（教师、软件开发者）受影响程度相对较小
图4. 有效 AI 覆盖率与任务覆盖率。显示职业级别有效 AI 覆盖率（%）与任务覆盖率的关系。虚线表示两者相等的位置。
任务内容¶
Claude 相对更可能覆盖需要更高教育水平的任务：
| 分类 | 平均教育年限 |
|---|---|
| Claude 覆盖的任务 | 14.4 年（美国副学士学位水平） |
| 经济整体平均 | 13.2 年 |
实验分析：移除 Claude 覆盖的任务将平均降低工作的技能要求。技术写作、旅行代理和教师等职业将受到影响。少数职业（如房地产经理）会看到相反效果。
图5. 所有任务与 Claude 覆盖任务的教育水平。蓝色柱显示按就业人数加权的所有 ONET 任务预测教育水平分布。橙色柱显示限制在 Claude.ai 任务后的相同指标。*
历史证据表明，自动化工作任务的技术可导致受影响职业的就业和工资后续下降。
总体影响¶
此前的估计：广泛 AI 采用可在十年内使美国劳动生产率增长每年提高 1.8 个百分点（约为趋势增速的两倍）。
使用经济原语的新发现：
| 调整方式 | 生产力增长影响 |
|---|---|
| 仅任务加速效果 | +1.8 个百分点/年 |
| 调整 Claude.ai 任务可靠性后 | +1.2 个百分点/年 |
| 调整 API 任务后 | +1.0 个百分点/年 |
即使 1 个百分点"仍将是显著的：它将使美国生产力增长恢复到 1990 年代末和 2000 年代初的水平。" 调查以来，Claude 已通过 Claude Opus 4.5 变得显著更强大。
此前度量的更新¶
追踪 2025 年 1 月到 11 月的趋势：
集中度¶
- 前 10 项任务占 Claude.ai 所有任务的 24%（从 2025 年 1 月的 21% 上升）
- 计算机和数学任务：约 Claude.ai 对话的三分之一，近 API 流量的一半
- 样本包含 Claude.ai 上 3,000 个不同的工作任务
增强 vs 自动化¶
| 时间 | 增强 | 自动化 |
|---|---|---|
| 2025年1月 | 55% | 41% |
| 2025年3月 | 55% | 42% |
| 2025年8月 | 47% | 49% |
| 2025年11月 | 52% | 45% |
长期趋势：自动化份额缓慢上升。
地理分布¶
- 前几名国家：美国、印度、日本、英国、韩国
- 采用率仍可由人均 GDP 很好解释
- 美国 Claude 使用在各州间变得更加均匀分布
- 模型预测如果趋势持续，Claude 使用将在"两到五年内"跨美国各州均等化
结论¶
AI 对全球劳动力的影响"仍然是高度不均匀的"——集中在特定国家和职业，对不同职业的影响方式截然不同。
报告为未来调查提供了新基线。预期：用户会带来更难的任务给 Claude，成功率更高，任务从 Claude.ai 向 API 转移（从消费者向企业），随着可靠性提升。
方法论说明¶
- 分析基于 Claude.ai 100 万次对话（免费、Pro、Max）和 100 万份第一方 API 流量转录的随机样本
- 全程使用隐私保护分析
- 原语通过让 Claude 回答关于样本中每次对话的常见问题来获得