--- title: "Anthropic 经济指数：理解 AI 使用的新基石" title_en: "The Anthropic Economic Index report: New building blocks for understanding AI use" source: "Anthropic" source_url: "https://www.anthropic.com/research/economic-index-primitives" published_at: "2026-07-08T22:08:50.000Z" language: "zh-CN" topics: ["claude"] tags: ["Anthropic","Claude"] review_status: "unreviewed" --- # Anthropic 经济指数：理解 AI 使用的新基石 > Anthropic 发布第四份经济指数报告，引入“经济原语”指标，揭示 AI 对复杂任务加速显著，但成功率随复杂度下降，且使用分布高度不均衡。 ## 内容摘要 Anthropic 在第四份经济指数报告中引入“经济原语”指标，包括任务复杂度、技能水平、用途、AI 自主性和成功率，用于追踪 Claude 的经济影响。报告发现，Claude 对需要大学学位的复杂任务加速效果更明显（12 倍），但成功率较低（66%）；AI 使用集中在高技能职业，如计算机和数学领域；增强模式已超过自动化成为主流；地理分布仍不均衡，但美国各州间趋于均衡。报告还更新了先前指标，显示任 ## 为什么值得关注 该报告为理解 AI 如何改变工作提供了新工具，揭示了 AI 对高技能任务的显著加速效应，但也指出成功率限制和分布不均问题，有助于政策制定者和企业预测劳动力市场变化。 ## 核心要点 - Claude 对需要大学学位的任务加速 12 倍，但成功率仅 66%。 - AI 使用集中在计算机和数学职业，占对话的三分之一。 - 增强模式（52%）已超过自动化（45%）成为主要互动方式。 - 美国各州间 AI 使用趋于均衡，预计 2-5 年内全国一致。 - 任务成功率调整后，生产率增长估计从 1.8% 降至 1.0-1.2%。 人工智能真的能让人们工作得更快吗？AI 最擅长支持哪些类型的任务？它又会如何改变人们职业的性质？ 在 Anthropic，我们正在持续测量现实世界中的 AI 使用情况，就是为了回答这些问题。我们的[分析方法](https://www.anthropic.com/research/clio)能保护隐私，同时让我们了解 [Claude.ai](http://claude.ai/redirect/website.v1.281285a0-a972-493f-852d-b0c09b78ff5b) 上的对话（主要捕捉消费者的使用情况）以及我们第一方 API（主要捕捉企业的使用情况）。¹ 在过去的报告中，我们按[职业和工资水平](https://www.anthropic.com/news/the-anthropic-economic-index)评估了 AI 任务，更深入地研究了[软件开发](https://www.anthropic.com/research/impact-software-development)，并按[国家和美国各州](https://www.anthropic.com/research/economic-index-geography)研究了 AI 的使用情况。 现在，我们为经济指数增加了一个新的细节层次。在我们的第四份报告中，我们引入了所谓的"经济原语"：一组五个简单、基础的测量指标，用于追踪 Claude 随时间推移的经济影响。这组初始指标包括：任务复杂度、技能水平、用途（工作、教育或个人使用）、AI 自主性和成功率。² 我们通过让 Claude 回答一组关于本报告样本中每个对话的通用问题来得出这些原语。 这些原语提供了 AI 潜在经济影响的领先指标——并让我们能够回答关于 AI 如何已经在改变工作的更复杂问题。我们最新的报告采样了 2025 年 11 月的对话（主要使用 Claude Sonnet 4.5），利用我们的原语探索了一系列我们原本无法回答的问题——包括 Claude 在更复杂任务上的成功率如何变化，以及迄今为止 Claude 的使用是否可能预示着许多工作岗位的净技能降级效应。 你可以[在此](https://www.anthropic.com/research/anthropic-economic-index-january-2026-report)阅读第四份经济指数报告。下面，我们总结一下它的结果。 ## 我们从经济原语中学到了什么 我们将经济原语应用于关于单个任务、职业的问题，然后是我们观察到的变化的可能总体影响。（我们的完整方法论——包括我们如何测试原语准确性的细节——在[完整报告](https://www.anthropic.com/research/anthropic.com/research/anthropic-economic-index-january-2026-report)的第二章中有描述。） ### 任务 我们发现，Claude 对更复杂任务的加速效果最明显。我们通过 Claude 估计的理解对话输入所需的受教育年限来衡量这一点：在 Claude.ai 上，需要高中教育（12 年）的提示词任务被加速了 9 倍，而需要大学学位（16 年）的任务则被加速了 12 倍。（在 API 上，加速效果更大。）这些结果意味着，AI 的生产力提升目前正集中在需要相对较高人力资本的任务上，这与白领专业人士更可能在工作使用 AI 的[证据](https://www.nber.org/papers/w32966)一致。 当我们根据任务的成功率进行调整时，同样的趋势仍然存在——尽管形式较弱。Claude 成功完成需要大学学位的任务的概率是 66%，而对于那些需要低于高中教育的任务，成功概率是 70%。这减少了但并未消除总体效应：Claude 对任务加速的影响随复杂度增长的速度，比复杂度与成功率下降之间的相关性要快得多。 [METR](https://metr.org/) 对 AI 的[任务时间跨度](https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/)的测量表明，更长的任务对 AI 模型来说更难完成。但随着模型变得更好，AI 模型能够工作的时间长度正在稳步增加：这个指标现在已成为 AI 进步的关键指标。 我们能够利用经济原语来补充 METR 的分析。在下面的图表中，我们展示了 Claude 在 [Claude.ai](http://claude.ai/redirect/website.v1.281285a0-a972-493f-852d-b0c09b78ff5b) 和我们的 API 上的任务级成功率，相对于人类完成相同任务所需的时间： METR 的基准测试表明，Claude Sonnet 4.5（我们分析中使用的模型）在 2 小时的任务上能达到 50% 的成功率。相比之下，我们自己的 API 数据发现，Claude 在耗时近两倍（约 3.5 小时）的任务上成功率为 50%，而在 Claude.ai 上，持续时间则长得多——大约 19 小时。但这可能并不像看起来那么不一致：我们的方法论在某些重要方面与 METR 不同。在我们的样本中，用户可以将复杂任务分解成更小的步骤，创建一个反馈循环，让 Claude 能够纠正方向。而且，我们的样本包含一种选择偏差，而不是一组固定的任务：用户会把那些他们更有信心能成功的任务交给 Claude。 我们的分析显示了 Claude 的有效时间跨度如何与使用一致任务集的研究中发现的结果不同。我们将在后续报告中追踪这个指标。 我们发现，在不同经济发展阶段的国家，Claude 完成的任务类型差异很大。在人均 GDP 较高的国家，Claude 更常用于工作或个人用途——而另一端国家则更可能将其用于教育课程。这符合一个简单的"采用曲线"故事：低收入国家在教育和少量工作任务上显示出较大的 AI 使用份额，而随着国家变得更富裕，AI 使用会向个人用途多样化。 这些结果与微软[最近的工作](http://microsoft.com/en-us/research/wp-content/uploads/2025/12/New-Future-Of-Work-Report-2025.pdf)一致，该工作将教育中的 AI 使用与较低的人均收入联系起来，而休闲用途的 AI 使用则与较高收入相关。我们[最近与卢旺达政府](https://www.anthropic.com/news/rwandan-government-partnership-ai-education)和技术培训提供商 ALX 的合作正是基于这一考虑：参与者从培养 AI 素养开始，我们正在试点一个项目，为一些毕业生提供为期一年的 Claude Pro 访问权限，支持他们从教育用途过渡到更广泛的应用范围。 ### 职业 在我们[第一份报告](https://www.anthropic.com/news/the-anthropic-economic-index)中（使用 2025 年 1 月的数据），我们发现样本中 36% 的工作岗位中，Claude 被用于至少四分之一的任务。汇总各报告的数据后，这一比例已上升到 49%。但一旦我们考虑到 Claude 的成功率（我们根据工人执行该任务的频率和任务耗时进行加权），我们对哪些工作受 AI 使用影响最大的看法就不同了。 在下面的图表中，我们将之前测量的职业任务覆盖率放在 x 轴上，将我们新的调整后测量放在 y 轴上。虽然两者确实相关，但我们发现，一些职业（如数据录入员和放射科医生）受 AI 的影响比单纯的任务覆盖率所暗示的要大得多，而其他职业（如教师和软件开发人员）则相对受影响较小。 也就是说，即使是我们修订后的评估仍然有限：我们只评估在 Claude.ai 上执行的任务，而且这些对话如何映射到现实世界的变化并不总是很清楚。这是我们计划在未来进一步深入研究的领域。 我们提出的另一个问题是，AI 覆盖的任务代表了一个给定职业中技能较高还是较低的组成部分。使用我们为每个任务创建的技能水平估计，我们发现 Claude 相对更可能覆盖需要较高教育水平的任务——具体来说，是那些平均需要 14.4 年教育的任务（相当于美国的副学士学位），而经济体的平均水平是 13.2 年（如下所示）。这与我们之前的发现一致，即白领工人更频繁地使用 Claude。 作为一项实验，我们估计了移除这些 Claude 覆盖的任务将如何改变人们工作的任务构成。作为一阶效应，这平均会导致工作技能降级，因为它会移除那些需要较高教育的任务。技术作家、旅行社代理和教师等职业会受到影响（我们在[报告](https://www.anthropic.com/research/anthropic.com/research/anthropic-economic-index-january-2026-report)中进一步讨论），尽管少数职业（如房地产经理）会看到相反的效果。 我们不一定预测这种技能降级会发生：即使 AI 完全自动化了它目前支持的任务，劳动力市场也可能以这种分析未考虑的方式动态调整。（当然，随着模型的改进，AI 覆盖的任务构成也会改变。）也就是说，我们认为这为 AI 在不久的将来可能对职业产生的最直接影响提供了一个有用的信号。³ ### 总体影响 在我们早期的研究中，我们[估计](https://www.anthropic.com/research/estimating-productivity-gains)广泛采用 AI 可能在未来十年内使美国劳动生产率增长每年提高 1.8 个百分点——大约是趋势增长率的两倍。我们的新原语使我们能够重新审视这一分析。 仅基于我们对任务加速的估计，我们复制了之前 1.8 个百分点的增长发现（即使我们加入了 API 数据）。但是，当我们考虑到任务可靠性时——也就是说，当我们根据任务成功的概率调整任务级的时间节省估计时——对于在 [Claude.ai](http://claude.ai/redirect/website.v1.281285a0-a972-493f-852d-b0c09b78ff5b) 上完成的任务，我们的估计下降了约三分之一（降至每年 1.2 个百分点），而对于通常在 API 上完成的更具挑战性的任务，下降幅度稍大（降至 1.0 个百分点）。 即使是每年劳动生产率增长 1 个百分点也是显著的：这将使美国的生产率增长回到 1990 年代末和 2000 年代初的水平。而且，正如我们在[早期研究](https://www.anthropic.com/research/estimating-productivity-gains)中提到的，这个总体估计没有考虑到 AI 模型变得更强大，或者工作中 AI 的使用变得更加复杂的可能性——这可能会使数字高得多。事实上，自从我们的调查以来，随着 Claude Opus 4.5 的发布，Claude 已经变得强大得多。 ## 我们先前指标的更新 除了我们的原语，我们还收集了一轮关于我们在先前报告中追踪的指标的新数据。这使我们能够找出 2025 年从 1 月到 11 月 AI 使用趋势。在这里，我们主要发现与先前分析结果相比只有微小的演变，这些结果指向了 Claude 使用的不均匀分布。 首先，我们发现 Claude 的使用仍然高度集中在某些任务上：尽管我们的样本包括 Claude.ai 上的 3,000 个独特工作任务，但前十名占了 24%，这从 2025 年 1 月的 21% 稳步上升。更具体地说，计算机和数学任务继续主导 Claude 的使用：它们约占 Claude.ai 上所有对话的三分之一，以及我们 API 流量近一半。 其次，我们的新报告发现，在 [Claude.ai](http://claude.ai/redirect/website.v1.281285a0-a972-493f-852d-b0c09b78ff5b) 上，增强（52% 的对话）已超过自动化（45%）成为与 Claude 互动的最流行模式。这与我们在 8 月样本中看到的情况相反（当时自动化以 49% 对 47% 领先），但是，当我们从更长的时间跨度评估这个问题时，我们仍然看到自动化在任务中的份额缓慢上升：去年 1 月增强以 55% 对 41% 领先，3 月以 55% 对 42% 领先。 第三，我们最新的分析显示，AI 使用的地理集中度（正如我们[上次讨论的](https://www.anthropic.com/research/economic-index-geography)）仍然明显。美国、印度、日本、英国和韩国在 Claude.ai 的总体使用中仍然领先，采用率仍然可以用人均 GDP 很好地解释。也就是说，在美国，我们观察到了更大的变化：Claude 的使用在美国各州之间变得明显更均匀分布。事实上，如果这种趋势持续下去，我们的模型预测 Claude 的使用将在两到五年内在全国范围内趋于均衡。我们在[报告](https://www.anthropic.com/research/anthropic.com/research/anthropic-economic-index-january-2026-report)中更详细地讨论了这一模型。 ## 结论 我们最新经济指数报告最直接的结论是，AI 对全球劳动力的影响仍然高度不均衡：AI 的使用仍然集中在特定国家和职业，并且它对某些职业的影响方式与其他职业非常不同，正如任务覆盖率的证据所示。 更一般地说，这份报告为我们提供了一个新的基准，用于比较我们未来的调查。随着 Claude 的改进，我们预计它将被要求承担更困难的任务，并且它可能会取得更大的成功。我们还预计，随着任务变得更加可靠，任务可能会从 [Claude.ai](http://claude.ai/redirect/website.v1.281285a0-a972-493f-852d-b0c09b78ff5b) 转移到 API（即，从主要是消费者转移到主要是企业）——如果发生这种情况，考虑到企业采用对 AI 生产力效应的重要性，这将为我们提供另一个可能的经济影响指标。通过我们的原语，我们将能够衡量这些变化如何开始影响现实世界的结果，包括人们工作的性质，以及在这个快速技术转型时期，哪些人（以及在哪里）可能受到最大影响。 与此同时，研究人员、记者和公众可以使用我们的数据来指导他们自己的研究和思考，并为我们可能需要的潜在政策回应提供经验基础。关于我们上面讨论的每个领域的更多细节，请参阅我们的[完整报告](https://www.anthropic.com/research/anthropic-economic-index-january-2026-report)。 --- - 与之前的报告一样，我们所有的分析都基于保护隐私的分析。在整个报告中，我们分析了来自 Claude.ai Free、Pro 和 Max 对话的 100 万次对话的随机样本（我们也称之为"消费者数据"，因为它主要代表消费者使用）以及来自我们第一方（1P）API 流量的 100 万份记录（我们也称之为"企业数据"，因为它主要代表企业使用）。 - 更具体地说，任务复杂度捕捉到任务在复杂度上的差异，包括完成所需的时间和难度。O*NET 中的"调试"任务可能指 Claude 修复函数中的一个小错误，或全面重构一个代码库——对劳动力需求的影响截然不同。我们通过估计人类在没有 AI 的情况下完成任务的时间、使用 AI 完成任务的时间，以及用户是否在单个对话中处理多个任务来衡量复杂度。人类和 AI 技能探讨自动化如何与技能水平相互作用。如果 AI 不成比例地替代需要较少专业知识的任务，同时补充高技能工作，这可能是另一种形式的技能偏向型技术变革——增加对高技能工人的需求，同时取代低技能工人。我们衡量用户是否可以在没有 Claude 的情况下完成任务，以及理解用户提示和 Claude 响应所需的受教育年限。用例区分专业、教育和个人使用。劳动力市场效应最直接地源于工作场所使用，而教育使用可能预示着未来劳动力在哪里建立 AI 互补技能。AI 自主性衡量用户将决策权委托给 Claude 的程度。我们最新的报告记录了不断上升的"指令性"使用，即用户完全委托任务。追踪自主性水平——从积极协作到完全委托——有助于预测自动化的步伐。任务成功率衡量 Claude 对 Claude 是否成功完成任务的评估。任务成功率有助于评估任务是否可以有效自动化（任务能否被自动化？）和高效自动化（自动化一个任务需要多少次尝试？）。也就是说，任务成功率对自动化劳动任务的可行性和成本都很重要。 - 事实上，一些[历史证据](https://www.michaelwebb.co/webb_ai.pdf)表明，当自动化工作任务的技术出现在专利数据中时，受影响职业的就业和工资随后会下降。 ## 相关内容 ### AI 模型中双重用途知识的关闭开关 ### 语言模型中的全局工作空间 新的可解释性研究揭示了 Claude 中一个新兴的心理工作空间，它持有不出现在模型输出中的内部想法。 ### Anthropic 经济指数报告：节奏 在我们最新的经济指数报告中，我们首次按小时采样，以询问：人们什么时候来找 Claude？他们用它做什么？以及他们如何看待 AI 对其工作的影响？ --- 英文原文：[The Anthropic Economic Index report: New building blocks for understanding AI use](https://www.anthropic.com/research/economic-index-primitives)