Anthropic Índice Económico Análisis del informe más reciente, febrero de 2026, sobre el uso de Claude, revela que los escenarios de uso de Claude.ai continúan diversificándose, mientras que el nivel salarial promedio por tarea ha disminuido ligeramente. Este artículo proviene del informe de investigación publicado por Anthropic, traducido y editado por 動區動趨.
（Resumen previo: Anthropic lanza el panel de impacto de IA: ingresa tu profesión y en segundos descubre cuánto te puede reemplazar la IA）
（Información adicional: CZ: Los costos de transacción en EE. UU. son demasiado altos, aún falta competencia en el camino hacia la capital de las criptomonedas）
Índice del artículo
Toggle
- Cambios desde el informe anterior
- Curva de aprendizaje
- Capítulo 1: Cambios desde el informe anterior
- Diversificación de escenarios de uso de Claude.ai
- Nuevos patrones de automatización
- Revisión de la convergencia geográfica
- Capítulo 2: Aprendiendo a usar IA
- Selección de modelos
- Curva de aprendizaje
- Discusión
- Notas al pie
El Índice Económico de Anthropic utiliza nuestro sistema de análisis de datos de protección de privacidad para rastrear el uso de Claude en la economía general. Es uno de nuestros esfuerzos tempranos para entender el impacto económico de la IA, permitiendo a investigadores y responsables políticos prepararse con anticipación.
Este informe analiza la situación de uso de Claude en febrero de 2026, extendiendo el marco económico establecido en nuestro informe anterior (que utilizó datos de noviembre de 2025). La muestra abarca del 5 al 12 de febrero, tres meses después del lanzamiento de Claude Opus 4.5, y se superpone con la publicación de Claude Opus 4.6.
Primero, registramos los cambios en el uso en comparación con el informe anterior: la proporción de interacción ampliada (colaboración en tareas asistidas por IA) en Claude.ai y en el tráfico de API ha aumentado ligeramente. En Claude.ai, los escenarios de uso se vuelven más diversos, y la proporción de las 10 principales tareas en el uso total, menor que en noviembre de 2025. Debido a esta diversificación, el salario promedio por tarea en Claude.ai es ligeramente inferior al del informe previo.
Luego, nos centramos en un factor clave que afecta el mercado laboral y la economía en general: la curva de aprendizaje en el proceso de adopción de Claude. Presentamos evidencia de que usuarios con mayor experiencia han desarrollado hábitos y estrategias para aprovechar más eficazmente las capacidades de Claude. Nuestros datos muestran que los usuarios más experimentados no solo intentan tareas de mayor valor, sino que también logran respuestas más exitosas en las conversaciones.
Cambios desde el informe anterior
En el Capítulo 1, revisamos los hallazgos del informe de índice económico publicado en enero de 2026. Concluimos que:
- Los escenarios de uso de Claude.ai se diversifican. La escritura de código continúa desplazándose desde el uso ampliado en Claude.ai hacia flujos de trabajo más automatizados en nuestra API de primera parte. La concentración en los 10 principales O*NET en Claude.ai disminuye: en febrero, representaron el 19% del tráfico, frente al 24% en noviembre. Sin embargo, casi todas las tareas en la muestra anterior también aparecen en esta. Aproximadamente el 49% de las profesiones tienen al menos una cuarta parte de sus tareas realizadas con Claude.
- El alcance de adopción de Claude se amplía a tareas con salarios más bajos. La diversificación de escenarios lleva a una ligera disminución en el valor económico promedio de trabajo medido en salarios en EE. UU. Esto se debe a un aumento en consultas personales relacionadas con deportes, comparación de productos, reparaciones domésticas, etc. Este patrón sigue la narrativa de la “curva de adopción” estándar: los primeros adoptantes se concentran en tareas de alto valor como programación, mientras que los adoptantes posteriores abarcan una gama más amplia de tareas.
- Persisten desigualdades globales en el uso. La concentración sigue siendo alta: los 20 países con mayor uso per cápita representan el 48% del total, frente al 45% anterior, evidenciando una brecha de adopción global. Sin embargo, en EE. UU., el uso per cápita en los 10 estados principales se ha reducido del 40% al 38%.
Curva de aprendizaje
Un hallazgo central del índice económico es que la adopción de Claude fue inicialmente muy desigual: mayor en países de altos ingresos, concentrada en regiones de EE. UU. con más trabajadores del conocimiento, y limitada a pocas profesiones y tareas especializadas.
Una cuestión importante es cómo esta desigualdad en la adopción puede influir en la distribución de beneficios de la IA y quiénes se benefician. Por ejemplo, si usar IA eficazmente requiere habilidades complementarias y conocimientos especializados (como argumentamos en el informe anterior), y estas habilidades se adquieren mediante uso y experimentación, entonces los beneficios de los primeros adoptantes podrían reforzar un ciclo de auto-reforzamiento.
En el Capítulo 2, exploramos cómo los usuarios moldean el valor que obtienen de Claude: cómo alinean las capacidades del modelo con las tareas actuales, y cómo cambian los patrones y resultados a medida que acumulan experiencia en la plataforma.
- Selección de modelos y ajuste a tareas. Encontramos que los usuarios tienden a escoger la serie de modelos más inteligente — Opus — para tareas que en el mercado laboral suelen pagar más. Por ejemplo, entre usuarios de Claude.ai de pago, Opus se usa un 4% más en tareas de programación, y un 7% menos en tareas de tutoría, en comparación con la media. Este patrón de selección es aún más evidente en la API.
- Usuarios con mayor experiencia cambian a tareas laborales. Los usuarios con más experiencia en Claude.ai (más de 6 meses en la plataforma) tienen un 7% más de probabilidad de usar Claude para trabajo, y las tareas que realizan requieren mayor nivel educativo.
- Aprender haciendo. Los usuarios con mayor experiencia logran más éxito en las conversaciones con Claude. Incluso controlando por tipo de tarea y ubicación, su probabilidad de éxito es un 3-4% superior.
Capítulo 1: Cambios desde el informe anterior
Diversificación de escenarios de uso de Claude.ai
Analizamos las tareas que Claude realiza mapeando cada diálogo a tareas en la base de datos O*NET del Oficina de Estadísticas Laborales de EE. UU., usando un método que protege la privacidad para describir comportamientos globales sin exponer conversaciones individuales.
De dos plataformas, extraemos un millón de muestras de diálogos cada una: Claude.ai (interfaz de usuario) y la API de primera parte (plataforma de desarrolladores).
La programación sigue siendo el escenario más frecuente, con tareas relacionadas con computación y matemáticas representando el 35% de los diálogos en Claude.ai.
Entre noviembre de 2025 y febrero de 2026, la concentración en tareas en Claude.ai disminuye: en febrero, los 10 principales O*NET representan el 19% del tráfico, frente al 24% en noviembre. Esta caída se debe en parte a la migración de tareas de programación a la API, donde la arquitectura proxy de Claude Code divide el trabajo en múltiples llamadas API. Aunque la proporción de programación en la API aumenta, la distribución general de categorías de tareas se mantiene relativamente estable.
Este cambio explica solo parcialmente la disminución en concentración. La composición de escenarios también cambia: las tareas académicas bajan del 19% al 12%, mientras que las consultas personales suben del 35% al 42%. La caída en tareas académicas puede deberse a las vacaciones escolares en algunas regiones. Además, en febrero, se observa un aumento en nuevos registros, con más usuarios de ocio.
La diversificación en tareas laborales de Claude se mantiene en línea con patrones previos. Nuestro informe temprano mostró que el 49% de las profesiones usan Claude en al menos una cuarta parte de sus tareas; este indicador apenas ha cambiado. La aparición de nuevas tareas en O*NET también se ha ralentizado.
Desde nuestro primer informe, clasificamos las conversaciones en cinco tipos de interacción: instrucciones, ciclos de retroalimentación, iteraciones de tareas, validación y aprendizaje, agrupándolas en automatización y ampliación. El uso ampliado en Claude.ai ha aumentado ligeramente, impulsado por un crecimiento en validación y aprendizaje. En la API, el uso automatizado ha disminuido significativamente.
La concentración en tareas de computación y matemáticas en la API ha aumentado un 14% desde agosto de 2025, mientras que en Claude.ai disminuyó un 18%. Nuestro análisis del mercado laboral indica que esta migración puede reflejar impactos laborales más directos. La proporción de tareas gerenciales en Claude.ai sube del 3% al 5%, incluyendo análisis como preparación de memorandos de inversión y respuestas a clientes.
Medimos el valor de las tareas en función del salario promedio de los trabajadores en profesiones relacionadas en EE. UU. El valor promedio de tareas en Claude.ai ha bajado ligeramente, de $49.30 a $47.90 por hora, debido a un aumento en consultas simples (deportes, clima) y a la migración de tareas de programación. Nuestro análisis temprano mostró que las tareas de Claude suelen requerir mayor nivel educativo que el promedio, y están asociadas a salarios más altos.
Entre los dos informes, varios indicadores reflejan una disminución en la complejidad promedio de las tareas en Claude.ai. La educación media requerida para tareas típicas bajó de 12.2 a 11.9 años; los usuarios otorgan mayor autonomía a Claude; y el tiempo estimado para completar tareas sin ayuda de IA se redujo en unos 2 minutos. Al mismo tiempo, la dificultad de completar tareas sin IA aumentó ligeramente.
Figura 1: Cambios en la concentración de las 10 principales tareas en Claude.ai y la API, mostrando diversificación en Claude.ai y aumento en concentración en la API
Figura 2: Distribución del valor de tareas medido en salarios promedio en EE. UU., mostrando una ligera caída de $49.30 a $47.90 en tareas en Claude.ai
Figura 3: Comparación de distribución de categorías de tareas en Claude.ai y la API, evidenciando migración de tareas de programación hacia la API
Nuevos patrones de automatización
A medida que más tareas migran a la API, la exposición a la automatización aumenta. Los flujos de trabajo en la API son principalmente instrucciones, con poca intervención humana. Anteriormente destacamos la aplicabilidad en atención al cliente — incluyendo pagos automáticos y soporte de facturación —, lo que indica una alta exposición que puede acelerar cambios en profesiones.
Dos tipos de flujos en la API casi duplican su frecuencia en la muestra:
- Ventas y outreach comerciales: automatización en soporte de ventas, investigación de clientes B2B, enriquecimiento de datos, redacción de correos fríos
- Trading y operaciones de mercado: monitoreo de mercados y posiciones, recomendaciones de inversión, informes a traders
Revisión de la convergencia geográfica
En nuestro informe previo, señalamos que el índice de uso de IA de Anthropic (ajustado por población) en EE. UU. se estaba consolidando rápidamente entre estados, con estados de adopción inicial baja acelerando su incorporación.
Los datos actuales confirman que la tendencia de convergencia continúa, aunque a menor ritmo. De agosto de 2025 a febrero de 2026, los cinco estados con mayor uso representan el 24% del uso per cápita, frente al 30% anterior. Desde agosto de 2025, el coeficiente de Gini ha bajado, pero la velocidad de convergencia se ha desacelerado. Nuestra proyección actual estima que todos los estados alcanzarán niveles similares en unos 5 a 9 años, en lugar de 2 a 5 años como antes.6
A nivel internacional, la situación es opuesta: la concentración aumenta, y el coeficiente de Gini sube. Los países con mayor uso per cápita ahora representan una proporción mayor del total, y los 20 países con mayor uso ajustado aumentaron del 45% al 48%.
Figura 4: Tendencia de convergencia en uso per cápita de Claude en EE. UU., con los cinco principales estados bajando del 30% al 24%, a menor velocidad
Figura 5: Evolución del coeficiente de Gini en uso internacional de Claude, mostrando mayor desigualdad global respecto al informe previo
Capítulo 2: Aprendiendo a usar IA
Este capítulo explora dos características del uso que reflejan cómo los usuarios despliegan y aprenden a aprovechar IA: la selección de modelos y los patrones de usuarios más experimentados.
Primero, la selección de modelos revela insights sobre la demanda de inteligencia. Actualmente, casi no hay estudios sobre comportamiento en entornos multimodelo, donde los usuarios pueden equilibrar velocidad, rendimiento y costo. La preferencia por la serie Opus en tareas de mayor dificultad y valor refleja la asignación de tareas más complejas a modelos más potentes.
Segundo, el análisis por experiencia muestra diferencias en el uso según cuánto tiempo llevan los usuarios en Claude.ai, buscando entender la curva de aprendizaje. ¿Se vuelven más hábiles con el uso? ¿Cambian los patrones? Encontramos evidencia coherente con “aprender haciendo”: los usuarios más experimentados logran mejores resultados, colaboran más profundamente, intentan tareas más desafiantes y usan Claude en más escenarios diversos.
Selección de modelos
Las series de modelos de Claude — Haiku, Sonnet y Opus — ofrecen diferentes balances de costo, velocidad y rendimiento. Opus tiene la mayor capacidad de contexto y rendimiento superior en tareas complejas, pero también el costo por token más alto. Usuarios conscientes del costo, que se acercan al límite de uso, prefieren usar Opus para tareas difíciles y optan por otros modelos para tareas más sencillas. Esto coincide con nuestros datos.3
Entre usuarios de Claude.ai de pago, el 55% de tareas de computación y matemáticas (como programación) usan Opus, frente al 45% en tareas educativas.
Los usuarios técnicos reconocen ventajas en rendimiento y cambian proactivamente de Sonnet a Opus. Los usuarios eficientes usan Sonnet para tareas rutinarias, evitando agotar su cuota. Estas diferencias también reflejan que las tareas educativas son relativamente sencillas, y que los estudiantes son más sensibles a los costos.
Un análisis más detallado muestra que las profesiones con salarios más altos tienden a usar más Opus. Por ejemplo, en Claude.ai, los desarrolladores usan Opus en un 34% de sus diálogos, mientras que en tareas de tutoría solo un 12%. Tras controlar otros factores, por cada $10 adicionales en salario promedio, la proporción de uso de Opus en diálogos aumenta en 1.5 puntos porcentuales. La sensibilidad a la complejidad de tareas en la API es aproximadamente el doble, y por cada $10 en valor de tarea, la proporción de Opus aumenta en 2.8 puntos porcentuales. Los usuarios que automatizan flujos de trabajo pueden tener más motivos para cambiar de modelo.
Figura 6: Proporción de uso de Opus en diferentes tipos de tareas, mostrando preferencia por tareas técnicas de mayor salario (como desarrollo de software), y menor uso en tareas educativas
Figura 7: Correlación entre salario y uso de Opus, indicando que por cada $10 en salario, la tasa de uso de Opus aumenta en aproximadamente 1.5 puntos porcentuales en Claude.ai, y en el doble en la API
Curva de aprendizaje
El primer modelo de Claude fue lanzado en marzo de 2023. Desde entonces, su crecimiento rápido ha generado una distribución diversa de experiencia entre usuarios: desde quienes comenzaron a usarlo desde el inicio, hasta quienes se registraron poco antes del período de medición. La experiencia en Claude influye en la experiencia del usuario, y es un tema importante a explorar.
Los usuarios con mayor experiencia (que llevan al menos 6 meses en la plataforma) muestran un uso más iterativo de Claude, reduciendo significativamente el uso delegativo. Utilizan Claude para trabajo en un 7% más de los diálogos, prefieren tareas que requieren mayor nivel educativo, y su distribución de tareas es menos concentrada. Las 10 principales tareas en su diálogo representan el 20.7%, frente al 22.2% en el grupo menos experimentado.
La distribución de tareas en usuarios con mayor experiencia indica que, por cada año adicional en la experiencia, se requiere aproximadamente un año más de educación para esas tareas. Además, usan Claude menos para aplicaciones personales: en usuarios con un año en la plataforma, el 38% de sus diálogos son personales, frente al 44% en los nuevos usuarios.
Estas interpretaciones pueden variar: los usuarios con mayor experiencia pueden ser un grupo auto-seleccionado, con características inherentes — por ejemplo, programadores que adoptaron temprano, que podrían ser un factor de confusión. También existe un sesgo de supervivencia: quienes se registraron hace un año probablemente consideran a Claude útil, mientras que quienes dejaron de usarlo no aparecen en la muestra.
El análisis temprano mostró que países con menor ingreso y menor educación tienden a tener mayor complejidad en el uso. Esto puede explicarse por el patrón de adopción inicial: los primeros usuarios en cualquier país o grupo tienden a ser adoptantes tempranos en aplicaciones de alto valor. A medida que la adopción crece, más personas se unen, incluyendo escenarios de ocio.
El análisis de agrupamiento revela que los usuarios con mayor experiencia y salarios más altos tienden a realizar tareas como investigación en IA, operaciones con git, revisión de manuscritos y financiamiento de startups. En contraste, los de menor experiencia prefieren crear haikus, consultar resultados deportivos o sugerencias para fiestas.
Figura 8: Relación entre experiencia y distribución de tareas, mostrando que usuarios con más de 6 meses prefieren tareas con salarios más altos y mayor nivel educativo, mientras los nuevos usuarios se concentran en consultas de ocio
Efecto de experiencia
Para explorar estas relaciones controlando variables, analizamos datos de registros de diálogos con características específicas.7 Un modelo simple de regresión con éxito en diálogo como resultado y experiencia como predictor muestra que los usuarios con mayor experiencia tienen un 5% más de probabilidad de éxito en sus diálogos.8
El éxito puede reflejar mejores habilidades de comunicación, que pueden ser imitadas. Sin embargo, si los usuarios con más experiencia realizan tareas fundamentalmente diferentes, con tasas de éxito más altas, la asignación de tareas podría ser la verdadera causa.
Al incluir efectos fijos por tareas en O*NET y por agrupamientos de solicitudes, comparamos usuarios con mayor y menor experiencia en tareas similares — por ejemplo, en análisis financiero, valoración y modelado empresarial. Los efectos fijos eliminan ventajas promedio de los usuarios más experimentados en esos agrupamientos, mostrando un efecto adicional del 3%.
Finalmente, al agregar efectos por modelos, escenarios y regiones, analizamos si los usuarios con mayor experiencia eligen modelos diferentes, usan diferentes idiomas, mantienen distintas aplicaciones o se registran en distintas regiones. Los resultados muestran que el efecto de mayor experiencia aumenta ligeramente, elevando la tasa de éxito en 4 puntos porcentuales tras controlar estos factores.
Estos resultados indican que los usuarios con mayor experiencia tienen más éxito en diálogos con Claude, y que esto no se explica solo por idioma o tipo de tarea. Una explicación sólida es que aprenden a aprender en la plataforma — un factor clave para ampliar sus capacidades con la experiencia.
Figura 9: Resultados de regresión sobre éxito en diálogos, mostrando que, tras controlar tipo de tarea, modelo, idioma y región, los usuarios con mayor experiencia aún tienen un 3-4% más de éxito
Discusión
Este informe revisa los principales indicadores del uso de Claude, incluyendo por primera vez la selección de modelos y su relación con el éxito en diálogos. Desde agosto de 2025, el uso en la API de primera parte se ha concentrado: los 10 principales O*NET pasaron del 28% al 33%. Los escenarios en Claude.ai se diversifican desde entonces. La convergencia geográfica en EE. UU. continúa, aunque a menor ritmo. Los países con menor adopción enfrentan desventajas menores.
El marco económico nos permite rastrear cambios longitudinales en el uso de Claude. La proporción de uso en tareas académicas disminuye, mientras que las conversaciones personales aumentan. La complejidad promedio de entrada en Claude.ai baja ligeramente, con diálogos menos complejos y menor tiempo estimado para tareas independientes.
En general, Claude maneja tareas complejas y de alto valor, que no representan toda la economía. A medida que la base de usuarios crece, las tareas de menor salario aumentan en proporción. La valoración en salarios, como proxy, muestra una caída en Claude.ai desde nuestro primer informe, mientras que en la API sube. Ambos plataformas concentran tareas complejas en la serie Opus, con un cambio más marcado en la API.
Los usuarios con experiencia usan Claude de forma más colaborativa, en tareas laborales, con tareas más desafiantes y mejores resultados. Esto contrasta con la expectativa de que la automatización predomine entre los usuarios más avanzados; en cambio, muestran preferencia por iterar. Estos resultados apoyan la idea de que “aprender haciendo” aumenta la capacidad de aprovechar IA.
Otra interpretación es que efectos de grupo o sesgos de supervivencia impulsan estos resultados: los adoptantes tempranos suelen tener habilidades técnicas superiores; quienes siguen usando Claude probablemente son quienes consideran que es más útil para sus tareas. Los análisis controlados muestran que estos efectos no se explican solo por confusores simples, y que con más tiempo podremos distinguir mejor entre efectos de grupo y aprendizaje.
La diferencia en éxito puede profundizar desigualdades laborales. La economía reconoce que la innovación tecnológica con sesgo de habilidades puede aumentar los salarios de los trabajadores altamente cualificados y reducir los de otros. Este análisis sugiere que la adopción temprana, favorecida por habilidades altas, puede ser un canal de este efecto: los primeros usuarios con mayor habilidad interactúan con Claude con más éxito, beneficiándose más en la fase de expansión.
Figura 10: Gráfico final del informe, mostrando la relación entre desigualdad en uso de Claude, efectos de curva de aprendizaje y posibles impactos en el mercado laboral
Notas al pie
- En Claude Code, tareas de programación automatizadas, derivadas de Claude.ai suscrito, se contabilizan en el tráfico de Claude.ai.
- Se definen como “uso personal” las siguientes categorías de tareas en O*NET: 1) Preparación de alimentos y servicios relacionados (35-0000); 2) Cuidado personal y servicios (39-0000); 3) Arte, diseño, entretenimiento, deportes y medios (27-0000), solo para ocio/deportes; 4) Agricultura, pesca y silvicultura (45-0000); 5) Construcción y mantenimiento de espacios (37-0000); 6) Servicios comunitarios y sociales (21-0000), principalmente para salud y tareas familiares. No incluimos tareas educativas en uso personal.
- En este análisis, excluimos usuarios del plan gratuito de Claude.ai.
- Para calcular el salario promedio ponderado en profesiones relacionadas, usamos empleo y proporción de tiempo dedicado a la tarea.
- Para identificar patrones emergentes, seleccionamos tareas en O*NET que: (i) aparecen al menos 300 veces en los datos actuales; (ii) han crecido al menos 2 veces respecto al informe previo.
- Los rangos reflejan diferentes estimaciones usando modelos ponderados (5 años) o no ponderados (9 años) en el informe previo.
- Para este análisis, usamos datos a nivel de diálogo con umbrales de privacidad similares. Ver metodología en apéndice.
- Independientemente de cómo definamos experiencia, los resultados son similares.
- Nuestro período de muestreo coincide con la emisión de anuncios del Super Bowl, atrayendo muchos nuevos usuarios.
