Anthropic AI 经济指数万字报告：自动化交易工作流频率翻倍，Claude 正从工具变生活助理

Anthropic 经济指数最新报告分析 2026 年 2 月 Claude 的使用情况，发现 Claude.ai 的使用场景持续多元化，平均任务薪资水平略有下降。本文源自 Anthropic 发布的研究报告，由动区动趋翻译、编辑。
（前情提要：Anthropic 上线 AI 冲击仪表板：输入职业，秒查你的工作被 AI 吃掉多少？）
（背景补充：CZ：美国加密交易费用太高了，迈向加密之都路上仍缺乏竞争）

本文目录

Toggle

• 自前份报告以来的变化
• 学习曲线
• 第一章：自前份报告以来的变化
  • Claude.ai 使用场景的多元化
  • 新兴自动化模式
  • 地理收敛再检视
• 第二章：学习使用 AI
  • 模型选择
  • 学习曲线
    • 经验效应
• 讨论
• 脚注

Anthropic 经济指数运用我们的隐私保护资料分析系统，追踪 Claude 在整体经济中的使用情况。这是我们尽早理解 AI 经济冲击的努力之一，以便研究人员与政策制定者有充裕时间做好准备。

本期最新报告研究 2026 年 2 月的 Claude 使用情况，以我们前一份报告（采用 2025 年 11 月资料）所建立的经济基本框架为基础加以延伸。我们的样本涵盖 2 月 5 日至 2 月 12 日，距 Claude Opus 4.5 发布三个月后，并与 Claude Opus 4.6 的发布时间重叠。

我们首先记录使用情况较前份报告的变化：扩增型互动（即 AI 辅助用户能力的协作互动）的比例在 Claude.ai 和 API 流量中均略有上升。在 Claude.ai 方面，使用场景趋于多元，前 10 大任务占整体使用量的比例，低于 2025 年 11 月时的水平。由于这种多元化，Claude.ai 上平均对话所对应的任务薪资水平略低于前份报告。

接下来，我们聚焦于影响 Claude 对劳动市场及更广泛经济影响的一项重要因素：Claude 采用过程中的学习曲线。我们提供证据，显示高资历用户已发展出得以更有效运用 Claude 能力的使用习惯与策略。确实，我们的资料显示，更有经验的用户不仅会尝试更高价值的任务，在对话中也更可能获得成功的回应。

自前份报告以来的变化

在第一章中，我们重新审视 2026 年 1 月发布的前一份经济指数报告的研究发现。我们得出以下结论：

• **Claude.ai 的使用场景趋于多元。**程序码撰写任务持续从 Claude.ai 的扩增型使用，向我们第一方 API 流量中更自动化的工作流程迁移。本报告中，Claude.ai 的使用集中度下降：前 10 大 O*NET 任务在 2 月份占对话的 19%，低于 11 月份的 24%。尽管如此，本样本中几乎所有任务在我们前一份样本中均曾出现过。约 49% 的职业已有至少四分之一的任务借助 Claude 完成。
• **Claude 的采用范围扩充至薪资较低的任务。**随着使用场景多元化，以相关职业美国劳工薪资衡量的 Claude 平均工作经济价值略有下降。此现象在机制上源于体育、商品比较、居家维修等个人性查询的增加。这一模式与标准「采用曲线」的叙事一致——早期采用者偏重程序码撰写等特定高价值用途，而后期采用者则涵盖范围更广的任务类型。
• **全球使用不平等持续存在。**使用量仍高度集中：前 20 个国家占所有人均使用量的 48%，高于前一份报告的 45%，凸显全球采用差距持续存在。然而，Claude 的人均使用量在美国境内持续收敛：自前份报告以来，使用量前 10 名州份的占比从 40% 降至 38%。

学习曲线

经济指数的一项核心发现是：Claude 的早期采用极不均衡——在高收入国家使用更为密集，在美国境内则集中于知识工作者较多的地区，且仅涉及相对少数的专业任务与职业。

一个重要问题是，采用的不平等可能如何决定 AI 的收益流向何处、惠及何人。举例而言，若有效使用 AI 需要互补性技能与专业知识（这是我们在前份报告中所主张的论点），且此类技能可透过使用与实验加以习得，那么早期采用的收益可能会形成自我强化的循环。

在第二章中，我们探讨使用者如何塑造自身从 Claude 获取的价值：他们如何将模型能力与当前任务相匹配，以及使用模式与成效如何随平台使用经验的累积而改变。

• **模型选择与任务相匹配。**我们发现，用户倾向于为在劳动市场中通常获得较高薪资的任务选用我们最智慧的模型系列——Opus。例如，在付费的 Claude.ai 用户中，Opus 在代码撰写任务上的使用率比平均值高出 4 个百分点，在辅导相关任务上则低于平均值 7 个百分点。这一模型选择模式在 API 中表现得更为明显。
• **长资历用户转向工作任务。**在 Claude.ai 上使用时间较长的用户，更多地将 Claude 用于工作。高资历的 Claude.ai 用户（在平台使用 6 个月以上）将 Claude 用于工作的可能性高出 7 个百分点，且使用 Claude 处理的任务所需教育程度也更高。
• **从做中学习。**高资历用户在与 Claude 的对话中更能获得成功。具体而言，即使在控制任务类型或地理因素后，他们成功完成对话的可能性仍高出 3 至 4 个百分点。

第一章：自前份报告以来的变化

Claude.ai 使用场景的多元化

我们通过将每次对话对应至美国劳工统计局职业信息网（O*NET）中的任务，来研究 Claude 所执行的任务类型。这一对应采用隐私保护方法论，使我们能够描述整体行为，而无需暴露个别对话记录。

我们从两个平台各抽取一百万次对话样本：Claude.ai（我们的消费者界面）以及第一方 API（我们的开发者平台）。

程序码撰写仍是我们平台上最常见的使用场景，与电脑及数学职业相关的任务占 Claude.ai 对话的 35%。

在 2025 年 11 月至 2026 年 2 月之间，Claude.ai 的任务集中度有所下降：前 10 大 O*NET 任务在 2 月份占对话的 19%，低于 11 月份的 24%。这一下降部分源于程序码撰写任务向第一方 API 迁移，Claude Code 的代理式设计将程序码撰写工作拆分为许多独立的 API 调用。尽管程序码撰写在 API 中的比重有所增加，但各任务类别的整体分布仍相对稳定。

这一迁移仅能解释集中度下降的部分原因。使用场景的组成也发生了变化：课业相关的对话比例从 19% 降至 12%，而个人使用则从 35% 攀升至 42%。课业比例的部分下降可归因于某些地区的冬季学术假期。此外，2 月份也出现新用户注册加速的情况，带来了更多休闲型用户。

Claude 职场任务的多元化建立在既有模式之上。我们的早期报告指出，49% 的职业已将 Claude 采用于至少四分之一的任务量；这一指标自前份报告以来几乎没有变动。新 O*NET 任务的出现速度也比早期明显放缓。

自我们的第一份报告以来，我们将对话分类为五种互动类型——指令型、反馈循环型、任务迭代型、验证型及学习型——并将这些类型归入自动化和扩增两大类。Claude.ai 的扩增型使用略有增加，主要受验证及学习模式小幅增长驱动。在第一方 API 资料中，自動化型使用则大幅下降。

API 平台的电脑及数学任务集中度有所提升。自 2025 年 8 月以来，该类别在 API 中增加了 14%，同时在 Claude.ai 中减少了 18%。我们并行的劳动市场分析显示，API 中的这一迁移可能预示着更直接的职业性冲击。Claude.ai 中管理职业的任务比例从 3% 升至 5%，涵盖分析型任务（如准备投资备忘录）和客户回应型任务。

我们以相关职业的美国工人平均时薪衡量任务的价值。Claude.ai 中的平均任务价值略有下降，从每小时 49.30 美元降至 47.90 美元，主要受简单事实性查询（体育、天气）增加及程序码撰写任务迁移影响。我们的早期分析指出，Claude 的任务通常需要高于平均水平的教育程度，这些任务也对应着高于平均水平的薪资。

在两份报告之间，几项基本指标的变化反映了 Claude.ai 平均任务复杂度的下降。典型人工输入所需的平均教育程度从 12.2 年降至 11.9 年；用户也赋予 Claude 更多自主权；独立完成任务的预估时长缩短了约 2 分钟。与此同时，任务在没有 AI 辅助的情况下完成的难度略有提升。

图1：Claude.ai 与 API 平台前 10 大任务集中度的变化情况，显示 Claude.ai 使用场景多元化而 API 集中度上升的趋势

图2：以相关职业美国劳工时薪衡量的 Claude 任务价值分布，显示 Claude.ai 平均任务薪资从 49.30 美元略降至 47.90 美元

图3：Claude.ai 与第一方 API 的任务类别分布比较，显示程序码撰写任务从 Claude.ai 向 API 迁移的趋势

新兴自动化模式

随着越来越多的任务迁移至 API，暴露于自动化的程度也随之增加。API 工作流程主要采用指令型形式，人工介入极少。我们此前曾强调客服应用的普遍性——包括自动化付款和账单支持——显示客服代表面临较高的暴露程度，可能加速职业变化。

两种 API 工作流程在各样本期间之间的频率约增加了一倍：

• **商业销售与外展：**自动化销售支持内容、研究 B2B 潜在客户、丰富客户信息，以及撰写冷邮件
• **自动化交易与市场操作：**监控市场和仓位、提供投资建议，以及向交易员通报市场状况

地理收敛再检视

我们在早期报告中指出，Anthropic AI 使用指数（已针对人口进行调整）在美国各州之间迅速收敛，初始采用率较低的州正在加速追赶。

当前资料确认收敛趋势持续，但速度比我们此前观察到的更慢。从 2025 年 8 月至 2026 年 2 月，前五名州的人均使用量占比从 30% 降至 24%。自 2025 年 8 月以来，吉尼系数（Gini coefficient）有所下降，但收敛速度已放缓。我们更新后的预测估计，所有州达到同等人均使用量需约 5 至 9 年，而早期估计为 2 至 5 年。

在国际层面，情况恰恰相反：集中度有所提升，吉尼系数相应上升。人均使用量最高的国家如今占整体使用量的比重更大，前 20 个国家的人均调整使用量已从 45% 上升至 48%。

图4：美国各州 Claude 人均使用量的收敛趋势，显示前五名州占比从 30% 降至 24%，收敛速度较前期放缓

图5：各国 Claude 使用量的国际吉尼系数走势，显示全球不平等程度与前一报告相比有所加剧

第二章：学习使用 AI

本章探讨两个反映用户如何部署和学习 AI 的使用特征：模型选择，以及更有经验的用户的使用模式。

第一项是模型选择，揭示了对智慧需求的洞察。目前几乎没有关于多模型环境下用户行为的既有研究，在这种环境中，用户可以在速度、效能和成本之间进行取舍。Opus 在适当任务上的集中选择，应能反映将更难、更高价值的任务分配给此一模型的行为。

第二项调查是按资历划分的使用情况，探讨与用户加入 Claude.ai 时间相关的差异，旨在揭示学习曲线。用户在使用 Claude 的过程中会变得更加擅长吗？使用模式会如何改变？我们发现了与「从做中学」一致的证据：更有经验的用户在对话中有更好的成效，与 Claude 的协作更加深入，尝试更有难度的任务，并将 Claude 更多地应用于多元化工作场景。

模型选择

Claude 的模型系列——Haiku、Sonnet 和 Opus——在成本、速度和效能之间各有取舍。Opus 拥有最高的上下文限制，在复杂任务上表现卓越，但在 API 中每个 token 的成本也最高。一个具有成本意识且接近使用上限的用户，会希望将 Opus 用于困难、高价值的任务，并为较简单的工作选择其他替代方案。这大致上与我们在资料中观察到的情况吻合。

在使用所有模型系列的付费 Claude.ai 用户中，55% 的电脑与数学任务（如软件代码撰写）使用 Opus，相较之下教育类任务仅有 45%。

技术用户可能认识到效能优势，主动从预设的 Sonnet 切换。具有效率意识的用户则可能将 Sonnet 用于例行工作，以避免耗尽使用配额。这些差异也可能反映出教育任务相对简单，或学生群体对成本的敏感度较高。

更细致的分析揭示了较高薪资职业任务与更多 Opus 选择之间的相关性。以 Claude.ai 为例，软件开发人员任务的 Opus 使用率为 34%，而家教任务仅为 12%。在控制其他因素后，平均时薪每增加 10 美元，Claude.ai 对话中 Opus 的占比就增加 1.5 个百分点。第一方 API 流量对任务复杂度的敏感度约为前者的两倍，任务价值每增加 10 美元，Opus 占比增加 2.8 个百分点。实施程式化工作流程的用户，相较于网页界面用户，可能有更多理由切换模型。

图6：各任务类型的 Opus 模型选择比例，显示用户倾向为薪资较高的技术性任务（如软件开发）选用 Opus，而教育类任务的 Opus 使用率相对较低

图7：职业薪资水平与 Opus 模型选择率的相关性分析，显示在 Claude.ai 中每增加 10 美元时薪，Opus 使用率提升约 1.5 个百分点，API 中的效应则约为两倍

学习曲线

Claude 的第一个模型于 2023 年 3 月发布。此后的快速成长形成了多元化的用户资历分布——从自第一个模型发布就开始使用的用户，到在测量期间前不久才注册的用户，皆涵盖其中。Claude 资历如何影响用户体验，是值得深入了解的课题。

高资历用户（在样本期至少 6 个月前即已加入的用户）展现出更多迭代式使用 Claude 的方式，而委派型使用则大幅减少。他们将 Claude 用于工作的比例高出约 7 个百分点，偏好所需教育程度较高的任务，任务分布也较不集中。前 10 大 O*NET 任务在其对话中占 20.7%，相比之下，对照组为 22.2%。

高资历用户的任务分布，对应至每增加一年使用年资约需多一年教育程度的任务。同时，他们较少将 Claude 用于个人应用：在平台使用一年的用户，其 38% 的对话属于个人性使用，而最新用户则为 44%。

这些模式可以有多种解读。高资历用户代表一个自我筛选的群体，可能反映出固有特质——例如作为早期采用者的程序设计师，即为一个潜在的混淆因素。此外也存在存活者偏差：一年前注册的用户很可能认为 Claude 对他们有用，而那些没有继续使用的人则未被观察到。

早期的分析记录了低收入、教育程度较低的国家往往有较高的使用复杂度。这很可能由早期采用模式所解释：任何国家或用户群体中 Claude 的第一批使用者，很可能是在高价值技术应用中使用 Claude 的早期采用者；随着采用率增长，越来越多的人加入，用户基础扩充到包含更多休闲型使用场景。

请求簇分析揭示了最高资历用户中薪资均值最高的任务：AI 研究、git 操作、手稿修订和创业融资。而最低资历用户中，则是：俳句创作、运动比分查询、派对食物建议。

图8：用户资历与任务分布的关系，显示高资历用户（6 个月以上）偏向薪资较高、教育程度要求较高的工作任务，而新用户则集中于个人休闲类查询

经验效应

为了在控制变量的情况下进一步探索这些关系，我们使用带有对话特定特征的日志层级资料进行分析。以对话成功率为结果变量、长资历指标为预测变量的简单双变量回归显示，长资历用户成功完成对话的概率约高出 5 个百分点。

成功或许只是良好提示技巧的反映，而这种技巧是可以被模仿的。然而，若高资历用户从事的是本质上不同、基准成功率就更高的任务，那么任务分配可能才是解释这些发现的真正原因。

加入 O*NET 任务和请求簇固定效应的规格，比较了执行相同类型任务的高资历与低资历用户——例如，比对在「执行企业财务分析、估值和建模」簇中的高资历与低资历用户。固定效应吸收了簇内高资历用户的平均优势，产生了 3 个百分点的效应值。

最终规格进一步加入模型、使用场景和地理固定效应，探讨高资历用户是否选择了不同的模型、以不同语言沟通、维护着不同的应用程序，或从不同地区注册。结果显示高资历用户的效应略有提升，表明在控制所有这些因素后，成功率提升了 4 个百分点。

这些结果显示，高资历用户在 Claude 对话中更为成功，且这一现象并非源于语言或所执行任务等简单因素。

高资历用户与 Claude 的对话更为成功，这无法以他们使用的语言或所执行的任务等简单因素来解释。一个有力的解释涉及在平台上学习能力的提升——这可能是随着经验积累而扩充套件的关键成功决定因素。

图9：高资历用户对话成功率的回归分析结果，显示在控制任务类型、模型选择、使用语言及地理因素后，长资历用户的成功率仍高出 3 至 4 个百分点

讨论

本报告重新审视了 Claude 使用的主要指标，并首次分析了模型选择与对话成功率。自 2025 年 8 月以来，第一方 API 使用日趋集中：前 10 大 O*NET 任务从占流量的 28% 增至 33%。Claude.ai 的任务自 2025 年 11 月资料以来趋于多元化。美国地理收敛持续，但速度低于早期报告所示。采用率较低的国家面临相对轻微的劣势。

经济基本框架使我们能够追踪 Claude 使用方式的纵向变化。课业相关的使用占比有所下降，个人性对话则有所增加。Claude.ai 输入的平均复杂度略有下降，对话显示出较不复杂的输入和较低的独立完成时间估计。

Claude 整体上处理的是复杂、高价值的任务，这些任务在美国整体经济活动中并不具代表性。随着用户群的扩大，薪资较低的任务类别占流量的比例略有增加。以职业薪资为代理指标衡量的任务价值估计，在 Claude.ai 中自我们第一份报告以来有所下降，而在 API 中则有所上升。两个平台都将复杂任务集中于最强大的 Opus 模型系列，这一转变在 API 中更为显著。

有经验的用户对 Claude 的使用更具协作性，更多地将其用于工作，尝试更有难度的任务，并取得更好的成效。这与自动化使用在最先进、最成熟的用户中占主导地位的预期相反；相反地，有经验的用户表现出对迭代型使用的偏好。这些结果与「从做中学」的论点一致：更多接触 AI 能带来更强的能力提取效果。

另一种解释是，群组效应或存活者偏差可能是推动这些结果的因素。早期采用者可能具有高于平均水平的技术能力；持续使用 Claude 的用户可能代表那些认为任务最适合使用 Claude 的人。经过严格控制的回归分析解释了简单的混淆因素（高资历用户带来不同类型的任务）；随着时间推移，我们预计将能更好地区分群组效应和存活者偏差与「从做中学」之间的差异。

成功率的差异可能加剧劳动市场不平等。经济学家长期以来认识到技能偏向型技术变革的潜在影响：这类创新会提高高技能工作者的薪资，同时压抑其他人的薪资水平。本分析识别出这一现象可能正在发生的一个途径：倾向于高技能工作者的早期采用者，与后来、技术能力较低的采用者相比，与 Claude 的互动更为成功。尽管两个群体都面临 AI 驱动的冲击，但早期采用者在扩增阶段是最大的受益者。

图10：报告综合分析的最终图表，呈现 Claude 使用不平等、学习曲线效应与劳动市场影响之间的整体关联

脚注

2. 在 Claude Code 中自动化的程序码撰写任务，因其源自 Claude.ai 订阅，故被汇总计入 Claude.ai 流量。
3. 我们将以下 O*NET 任务类别定义为「个人性」使用（或个人用途）：1）食品制作及相关服务（35-0000）；2）个人护理与服务（39-0000）；3）艺术、设计、娱乐、体育及媒体（27-0000），仅针对娱乐/体育任务；4）农业、渔业及林业（45-0000）；5）建筑及场地清洁维护（37-0000）；6）社群及社会服务（21-0000），主要针对个人健康/家庭任务。我们不将教育任务纳入个人使用。
4. 在此分析中，我们从样本中排除了 Claude.ai 免费方案用户。
5. 为了汇总与多个执行相同任务的职业相关的 O*NET 薪资，我们以就业人数和在该任务上花费的时间比例为权重，计算其薪资的加权平均值。
6. 为找出新兴模式，我们筛选出以下 O*NET 任务：（i）在当前资料中至少出现 300 次；（ii）与前份报告相比增长至少 2 倍。
7. 所给出的范围反映了在前份报告中以有（5 年）或无（9 年）权重执行模型的不同估计。
8. 在此分析中，我们使用日志层级资料以相同的隐私阈值估计模型。详细方法论见附录。
9. 无论如何定义高资历，这些结果均相似。
10. 我们的抽样期间与超级碗广告的发布时间重叠，带来了许多首次用户。