Anthropic 发布第六期经济指数报告：Claude 使用节奏与产物分析

引言

一年前，Claude 的大多数使用形式是用户与助手之间的对话。随着 Claude Code 和 Cowork 的快速增长，Claude 会话如今越来越多地由长时间运行的智能体任务构成。聊天记录已无法完整反映人们如何使用 AI，我们研究 Claude 经济影响的方法也不得不随之调整。

为了跟上这一变化，我们对经济指数的数据管道做了若干调整。在本版本中，我们：

• 以更高的采样率采集数据，使我们能够观察到小时级的使用模式。
• 引入新的分类器，为每段对话的输出打上标签。
• 分享更细粒度的数据，分别列出聊天与 Cowork 对话（合称“Claude 对话”）以及 1P API 的结果，并按月汇总。¹

我们在 附录中描述了其他方法上的调整。这些调整共同更清晰地呈现了 AI 如何映照并渗透进经济生活。

此外，我们此前一直无法了解 Claude 在用户会话 之外 的影响。人们如何看待 AI 正在改变他们的工作或他们可获得的机会？他们对 AI 的使用是否塑造了他们的预期？在理想情况下，他们希望从 AI 得到什么？我们报告了于 2026 年 4 月启动的 Anthropic 经济指数调查的初步发现。

我们在下文预览主要发现。

• 在第一章中，我们展示外部世界的节律如何塑造 Claude 的使用。与工作相关的查询在周末减少，但在收入最高的职业中降幅较小；人们倾向于在早晨询问新闻，而睡眠建议在凌晨 5 点左右达到高峰；税务相关请求在申报截止日期前后激增。
• 第二章探讨人们从 Claude 会话中获得的具体产物。这些产物高度取决于他们使用的是哪款产品。例如，Chat 和 Cowork 提供的解释多于 Claude Code。产物的性质也塑造了人们与 Claude 的互动方式。搭建网站留给 Claude 判断的空间远大于翻译文档，后者的答案在很大程度上由文本决定。我们还发现，更多算力与更有价值的产物相关联；某项输出消耗的 token 随该工作估计价值的上升而增加。
• 第三章呈现 Anthropic 经济指数调查的首批结果，我们通过 隐私保护系统将其与 Claude 使用数据关联起来。预期和体验会随人们使用 Claude 的方式而系统性变化：以最自动化方式使用 Claude 的人预期 AI 在未来一年承担更多任务，同时对这对他们工作意味着什么最为乐观，预计会对薪酬、工作保障和意义感产生积极影响。

节律

我们新的隐私保护遥测每天持续采样一部分对话，使我们能够研究按日和按小时的使用模式，而此前每份经济指数报告依赖的是为期七天的样本。这些分析捕捉了世界各地工作模式的起伏变化。²

我们发现，Claude 的使用情况与工作周节奏相吻合，个人用途的提示词在周末出现高峰。按小时统计的数据捕捉到了日内模式——人们在凌晨 5 点左右最常询问睡眠建议，在下午 6 点左右最常询问食谱。我们还看到使用情况反映了关键日期。例如，税务相关请求在美国 4 月 15 日申报截止日期前激增。

工作周

聊天与Cowork的占比³ 在样本期内，被归类为个人用途的对话占比从工作日的约35%升至周末的近50%（图1.1）。在工作周之外，用户的对话从商务往来、营销文案和幻灯片转向情感支持、医疗问题和投资建议。这一转变在高收入国家最为明显。

Claude Code 和 1P API 流量（即直接通过 Anthropic 路由的 API 流量）中也存在类似的模式，不过两者的个人使用基线比例都较低。⁴

请求集群⁵ 让我们再深入一层，看看哪些具体的 Claude Code 任务在工作日和周末之间波动最大。在周末，Claude Code 使用量下降最多的集群包括后端架构、API 调试和数据存储。上升最多的包括 AI 智能体设计、量化交易和游戏。

周末也可能为人们腾出空间去开展新的事业。在各国，与创业相关的对话在周六和周日最为频繁。不过，求职活动以及其他与工作相关的任务在周末会有所减少。⁶

每日节奏

Claude 的使用情况逐小时反映出日常生活的节奏。图 1.2 展示了不同请求集群在全球流量中相对于其总体平均值的每小时频率。⁷

人们在当地时间早上7点获取新闻。商务往来（例如撰写电子邮件）贯穿整个工作日，在上午10点至11点略有高峰。最大的峰值之一是食谱请求，下午6点的请求频率是平均水平的2.3倍。媒体推荐最集中在傍晚，而人们在黎明前的几个小时里寻求睡眠建议。

在夜间和周末，当人们确实转而使用 Claude 处理工作时，任务会偏向更高工资的职业（图 1.3）。虽然我们无法确凿地识别出提出这些请求的人所从事的工作，但这可能反映出这样一个事实：从事较高薪酬职业的人——比如营销经理或计算机程序员——更有可能在传统工作时间之外工作。相比之下，与最低两个四分位职业相关的任务——比如电话营销和文书工作——在总对话中所占的份额较小。这一模式并非仅由计算机和数学类任务驱动：当我们在稳健性检验中将这些职业从分析中剔除后，较高四分位的任务在夜间和周末仍然有所增加。

纳税日

本报告的样本期涵盖美国民众的纳税申报截止日期。图1.4显示，在截止日期前后，税务相关对话的占比出现大幅激增。4月14日，税务相关对话集群的常见程度是5月平均日的八倍，4月15日仍保持大致相同的高位。4月16日，这一比例急剧下降。

产物

在本章中，我们对聊天和 Cowork 中的每段对话（以下简称“Claude 对话”）进行分类⁸ 按产物分类，我们将产物分为30多个类别。我们将Claude在对话中产生的主要输出——一份文档、一段解释、一段代码、一篇学术论文等等，无论是在聊天窗口中呈现还是作为单独文档呈现——称为产物。产物的完整列表见 附录.

我们的分类器识别出93%的Claude对话会产生产物（图2.1）。⁹ 最常见的产物是解释（占对话的17%）、文档与报告（15%）以及指导（11%）。对话式输出（如解释或指导）与书面交付物（如文档或演示文稿）各占对话的约三分之一；代码与技术性工作（如应用或脚本）约占六分之一。

产物是什么，并不能说明它用于什么：同一件产物既可能是工作交付物，也可能是个人项目。接下来我们看看这一划分。

每种产物分别用于什么？

我们的 1月经济指数 引入了一个分类器，将每段对话归类为工作、个人或课业。在此，我们将这一划分应用于 Claude 对话中产生的产物（图 2.2）。

某些类别的产物几乎总是个人用途。在生成创意写作、指导和食谱的对话中，超过80%被归类为个人用途。在各类别内部，个人用途与工作相关用途可能看起来差异很大。例如，个人创意写作以同人小说、世界观构建和诗歌为主；其中13%与工作相关，主要以短视频脚本、编剧和演讲稿的形式出现。最可能与工作相关的类别包括创建营销内容（80%）、创建博客或文章（81%）以及编写数据库查询（82%）。

许多输出同样可能被用于个人和工作目的，包括制定计划或策略（44% 与工作相关，49% 用于个人）或翻译（42% 用于工作，44% 用于个人）。例如，最常见的个人规划类产物包括旅行行程和健身计划，而工作相关计划则大多涉及创业或内容策略。

最后，课业类产物的典型代表包括撰写学术论文和学位论文、制作教学材料以及数学相关查询，不过其中每一项都有不可忽视的一部分同时属于工作和个人两类。

我们也可以反过来问这个问题。与其问每个输出用于什么，不如问工作、个人和课业对话各自倾向于产生什么样的产物。工作对话最常产生文档和报告（20%），其次是解释（9%）、邮件草稿（7%）以及分析和摘要（6%）。课业对话看起来大体相似，文档和报告同样居首（21%），紧随其后的是解释（20%）、教学材料（11%）和学术论文（6%）。相比之下——也并不意外——只有6%的个人对话会产生文档。相反，最常见的结果是解释（25%）和建议（22%）。

成本与工作的价值相对应

生成这些输出需要算力，而我们发现算力往往随工作的价值而扩展。我们以 token 衡量每段对话的计算成本——即处理与生成的文本量，包括 Claude 的内部推理——并通过将每段对话分类后的任务映射到通常执行该任务的职业，在不同职业之间进行比较。在本节中，我们将分析范围限定为与工作相关的对话。

图2.3左侧面板显示了映射职业中对话级token数量的中位数与工资中位数之间的正相关关系。¹⁰ 例如，营销经理的收入大约是编辑的两倍（每小时80美元对37美元），而映射到其任务的对话消耗的token数量约为后者的2.5倍。诚然，这种关系并不精确，且存在明显的离群值。例如，药剂师的收入几乎是统计助理的三倍（每小时68美元对24美元），但映射到药剂师任务的对话所使用的token数量仅约为后者的二十分之一。

用于生成不同类型产物的 token 消耗也呈现出类似的规律。更复杂、更有价值的输出往往比更简单的输出消耗显著更多的 token。例如，关于构建应用的对话所消耗的 token 是对话中位数的三倍以上。而在另一端，典型的解释类对话所消耗的 token 约为对话中位数的五分之一。token 消耗中约 44% 的工资梯度可由输出组合来解释——工资更高的职业更有可能产出计算密集型的产物。

这在经济上为何重要？在映射到更高工资职业的对话中，Claude 产出更多（每轮输出量为 1.34 倍），同时用户参与更多（轮次为 1.53 倍），并更频繁地启用扩展思考（34% 的对话对比 31%；表 2.4）。关键在于，这些变化是同步发生的：Claude 产出更多并不意味着用户投入更少。如果人类仍然参与最高价值的任务，这一模式看起来更像是劳动增强而非劳动替代。这也表明，在某种程度上，更有价值的产出成本更高。下一节将考察每段对话中有多少决策被委托给 Claude。

Claude 在自行决策方面拥有多大的自主权？

我们按 1-5 分制衡量这一点，从“无”到“极高”。易于描述或明确规定的任务涉及的自主权很小：自主权最低的输出是数学或计算、翻译和问答。高自主权任务则需要在众多可能选项中做出选择，例如创建应用和网站、游戏或演示文稿。这类工作需要持续的判断，历来难以自动化。通过比较 Claude 聊天和 Cowork 与 Claude Code 中的自主权水平，我们表明这种情况正在开始改变。

在几乎所有类型的输出中（所示31种输出中的26种），Claude Code 的 AI 自主权水平都高于聊天或 Cowork。¹¹ 例如，在生成脚本和代码片段的对话中，使用 Claude Code 时自主权得分（按 1-5 分制计算的平均值）比在聊天或 Cowork 中生成相同产出的对话高 0.53 分。在所有对话中，自主权的平均差异为 0.37 分，这一差异有两个主要来源。¹²

这一差异中约三分之二可由同一批任务在 Claude Code 上以更多委托方式执行来解释。博客文章和文章说明了这一点：它们背后的请求和任务在两个界面上相似，但人们与 Claude 协作的方式却截然不同。生成一篇博客文章或一篇文章的聊天和 Cowork 对话中位数为 13 轮来回交流，而生成博客的 Claude Code 会话中位数只包含一次人类提示。其余三分之一则反映了两个界面上输出类型构成的不同。

人们可能会怀疑，这一差异仅仅反映了模型选择的不同。Claude Code 会话运行在能力最强模型上的比例要高得多（54% 由 Opus 提供服务，而聊天和 Cowork 对话中这一比例为 10%）。然而，当我们比较由同一模型提供服务的对话时，这一差距依然存在。例如，在使用 Sonnet 的对话中，Claude Code 会话的自主权得分仍高出 0.26 分，这表明所使用的产品很可能比底层模型更为重要。

退一步看表面上的比较，用户委托程度最高的输出类型，也正是消耗算力最多的类型：跨各类产物来看，平均自主权与token使用中位数同步上升（在chat和Cowork中r = 0.68； 附录 图 A.2）。

Claude 的回答水平高于提问所要求的水平

对于每一段对话，分类器会估算两个阅读水平——一个针对用户的提示，一个针对 Claude 的回复——以理解该文本所需的教育年数来表示。¹³ 我们发现，阅读水平因产物类型的不同而差异很大。一个平均而言会生成学术论文的查询需要超过16年的教育，大致相当于学士学位水平，而这些对话中有15%处于博士水平或以上（20年或以上教育）。另一端则是生成食谱或指导的对话，理解提示所需的受教育年限不到10年。

总体而言，产出阅读水平较高的产物类型，其提示的阅读水平也较高（跨对话的相关性为 0.87）。不过，我们也观察到，在几乎每一个类别中，Claude 的输出理解水平都高于提示，平均约高出一个受教育年限。这一差距在用户描述要构建某物的场景中最大，例如图像与图形（+2.6 年）、游戏（+1.9 年）以及应用与网站（+1.7 年）。部分差距可能只是语域不同；提示往往简短随意，而 Claude 倾向于用精炼的散文回复。然而，对于面向受众的写作，这一差距接近于零（博客 −0.1，学术论文 +0.0，电子邮件 +0.3），这可能是因为提示通常起草的是与预期输出语域相同的语言或源材料。

认知

前两章展示了人们如何使用 Claude，但并未深入揭示人们在工作中体验 AI 的方式——他们预期自己的工作和职场将如何变化、他们对 AI 当前及潜在影响的感受，以及他们对这项技术的期望。我们的 对81,000名Claude用户的访谈，于 2025 年 12 月进行， Anthropic 访谈员, 描绘了一幅图景受访者报告了大幅的生产力提升，但也表达了对被取代的担忧。这些担忧集中在职业生涯早期的劳动者，以及我们观察到 Claude 承担最多工作的那些职业中。¹⁴

2026年4月，我们推出了 Anthropic 经济指数调查 以在此基础上继续推进。该调查让我们能够直接询问人们使用AI和工作的体验，并探究回答如何随Claude使用情况而变化。我们将调查回答与5月中旬至6月初的使用数据相关联，采用 隐私保护方法为了刻画每位受访者的使用模式，我们在这一时间窗口内为每人随机抽取最多 20 个会话（涵盖 Claude.ai、Cowork 和 Claude Code，使会话组合能反映每个人在各平台上的典型使用情况）。我们排除会话数少于五个的受访者，以减少抽样噪声。最终关联样本包含约 9,700 名调查受访者。

我们发现，大多数受访者预计未来一年AI将取得显著进展。尽管人们对AI能力的感知取决于自身经验、居住地以及工作受AI影响的程度，但他们对未来进展速度的预期却惊人地一致，这与一种“涨潮，在这一进程中，AI 能力会得到广泛提升。

对于这一进展对他们自身职业意味着什么，受访者的看法则不那么一致。职业生涯早期的劳动者报告称，AI 能完成他们工作中最高的比例，并对失业表达了最大的担忧。然而——与一种常见的担忧相反——最常把工作委托给 Claude 的人，正是那些 最 对自己的未来劳动力市场前景持乐观态度，并感到自己的技能价值正在提升。尽管（或许也正是因为）他们身处 AI 前沿附近，普通受访者对未来十年的期望并不集中于被取代，而是集中于协作。他们希望 AI 能够保留有意义的工作、将枯燥乏味的工作自动化，并且其收益能够被广泛共享。

谁回应了经济指数调查

经济指数调查并不代表一般人群。我们随机抽取Claude用户样本，但在谁完成调查方面可能存在选择偏差，而且我们在分析中过滤掉了低频用户。图3.1展示了调查受访者的职业构成（橙色）与美国就业构成（灰色）的对比。计算机与数学类职业的占比过高最为严重，约占调查受访者的30%——这与他们在Claude使用中的占比相当，但远高于其在美国就业中4%的占比。管理类职业占受访者的23%，¹⁵ 相对于其7%的就业占比也严重过度代表，尽管它仅占会话的4%。这一差距与管理者将Claude用于管理本身之外的任务相一致：在调查中，判断与管理被许多受访者（尤其是经验更丰富者）列为AI所缺乏的能力。运输与物料搬运、食品制备与服务相关、建筑与采掘等体力职业类别在调查中均代表性不足，在Claude会话中同样如此。

AI 与工作任务

关于AI影响的研究往往聚焦于职业暴露度，即某项工作中多大比例的任务可用AI完成。在 此前的工作，我们构建了一个衡量指标，用于衡量 观察到的暴露度，它衡量的是我们已经看到由 Claude 完成的职业任务所占比例。我们将其与一种常用的衡量指标进行了比较，即 理论暴露度，即大型语言模型理论上可以完成的职业任务所占比例。

理解职业暴露度的另一种方式，就是直接询问人们：AI 能完成他们工作中的多大一部分。我们询问受访者，如今 AI 能完全独立完成他们工作任务的多少比例（下称“ 观察到的暴露度），以及他们预计它在12个月后能承担多大比例（预期暴露度），并可选择从“几乎没有”到“几乎全部”之间的五个档位。近六成受访者选择了比当下更高的档位来描述明年。超过三分之一的人预计，明年AI能够完成他们的大部分或几乎全部工作任务（图3.2）。

图3.3比较了报告暴露度与预期暴露度同观察暴露度和理论暴露度之间的关系。我们提出两个问题：人们所报告和预期的AI能力是否与各职业的观察暴露度和理论暴露度指标相一致；以及那些职业在观察暴露度或理论暴露度上得分更高的受访者，是否预期未来一年会有更快的进展。对于第一个问题，答案是肯定的：报告暴露度（灰点）与观察暴露度和理论暴露度均呈正相关。对于第二个问题，答案是否定的：报告暴露度与12个月后预期暴露度（橙点）的最佳拟合线基本平行，这意味着观察暴露度或理论暴露度较高的岗位从业者预期大致相同的 增幅 在明年AI能完成的工作任务所占比例上，与观察暴露度和理论暴露度较低的岗位从业者大致相同。¹⁷ 换句话说，软件工程师和施工经理预期其职业内的进步幅度大致相同。

同样值得注意的是，报告暴露度系统性地高于观察暴露度。对此的一种解释是，并非每个人都会从事某一职业中的所有任务，而我们的调查不成比例地覆盖了更多使用 AI 的人群。¹⁸ 同理，由于理论暴露度是可能情况的上限，而非对当前使用情况的度量，因此理论暴露度会系统性地高估报告暴露度。

我们还考察了受访者对AI当前和未来能力的认知与其特征及使用模式之间的关系。图3.4的左图显示，对AI能力的认知与国家GDP呈负相关：¹⁹ 在高收入国家，人们报告AI目前能为其完成的任务平均比例要低约10个百分点。这一模式与以下可能性相符：AI替代了低收入国家劳动者日常工作中更大比例的任务，即便职业层面的暴露度指标——这类指标在发达经济体中往往更高——暗示的并非如此。事实上， 国际货币基金组织（IMF）已指出 尽管发达经济体整体上面临更广泛的人工智能暴露，但低收入国家的劳动者可能更难获得互补技能和基础设施，而这些技能和基础设施能让AI增强而非取代他们的工作。在 此前的研究 我们记录到，即使在对任务组合差异进行调整之后，低收入经济体仍倾向于以更自动化的方式使用 Claude。

中间面板显示，报告暴露度和预期暴露度也与工作年限呈负相关。²⁰ 拥有至少15年经验的人认为AI能完成的任务比例，比入职第一年的人低约10个百分点。我们发现证据表明，这可能是因为经验丰富的劳动者积累了难以被AI模仿的隐性或情境特定专业知识。在后续问题中，我们询问人们认为AI永远无法完成哪些任务以及原因；最常见的回答强调，AI缺乏其工作所需的判断力、情境意识和情境推理能力。受访者——尤其是那些拥有至少15年经验的人——还指出，其工作中的人际和关系维度——建立信任和管理人员——是AI无法复制的。

与AI的职业暴露情况类似，我们发现，人们对未来AI能力提升的看法与人均GDP和工作年限基本不相关。人们预期AI在12个月内能够完成的任务比例，普遍高于他们对AI当前能力的看法。

接下来，我们考察人们与 Claude 的交互方式与其对 Claude 当前能力认知之间的关系。与过往报告一致，我们区分“自动化”与“增强”两种与 Claude 协作的模式。当用户要求 Claude 在几乎没有或完全没有用户输入的情况下完成任务时，我们将此类对话识别为自动化。具体而言，自动化占比是指模式为指令式（“翻译这份文档”）或反馈循环（“修改这封邮件……让它更随意一些”）的对话所占比例。²¹

图3.4右侧面板显示，报告暴露度和预期暴露度随自动化占比上升而提高。这可能是因为委托行为本身传递了关于能力的信息——将整个任务交出去的人能直接观察到AI能独立完成什么——也可能是因为本来就相信AI能胜任自己工作的人最愿意把工作交出去。当我们用用于工作任务的会话占比、或在Claude Code中进行的会话占比来替代自动化占比时，同样的规律依然成立。²²

AI与就业

我们还询问了人们认为自己的工作在未来12个月内会如何变化。超过三分之一的受访者表示，职责很可能会或极有可能发生重大变化（包括他们自己、同级同事、初级同事和高级同事）。10%的人认为失去自己工作的可能性为可能或极有可能。这略低于美国年化失业风险率；²³ 不过，由于我们的受访者偏向于就业稳定的知识型工作者（这一群体在基线水平上可能面临低于平均的离职风险），这仍可能表明感知风险有所上升。当被问及是什么推动了他们的预测这一开放式问题时，在认为自身失业可能性为可能或极有可能的受访者中，有38%将他们的预测归因于AI。²⁴ 值得注意的是，受访者平均而言对他人的失业担忧甚于对自身失业的担忧。²⁵ 受访者尤其担心初级同事失业，超过三分之一的人表示，初级同事在未来一年内失业的概率超过60%。受访者对低收入国家（所有人）失业的担忧也更强。

使用Claude方式更自动化的人，是否也更担心失去工作？我们考察了人们对AI在未来一年对工作六个维度预期影响的看法：薪酬、工作保障、找到新工作的能力（经济维度），以及意义感、自主性和人际互动（内在维度）；并分析这些预期如何随Claude使用中自动化占比的不同而变化。

在全部六个维度上，自动化会话占比更高的人对AI明年对其工作成果的影响更为乐观，相比之下，以更多增强方式使用Claude的人则不然。我们在对未来薪酬和找到工作能力产生积极影响的预期上看到了最大的效应。26报告AI对工作质量的经济维度和内在维度产生积极预期影响的人占比，在自动化程度更高的Claude用户中更高。该图展示了线性回归的系数估计，其中因变量为一个人是否预期 更乐观 在全部六个维度上，自动化会话占比更高的人对AI明年对其工作成果的影响更为乐观，相比之下，以更多增强方式使用Claude的人则不然。我们在对未来薪酬和找到工作能力产生积极影响的预期上看到了最大的效应。²⁶

一个自然的问题是，为什么自动化使用与情绪会同步变化。这种关系可能是由选择效应解释的，即对AI最热情的人也最愿意把整个任务交给它。我们无法完全排除这种可能，但在控制用户在Claude.ai上的使用时长后，这些估计值并没有发生实质性变化——我们可以把使用时长视为热情的代理指标，因为它能区分早期采用者与后期采用者。 Claude.ai——我们可以把它视为热情的代理指标，因为它能区分早期采用者与后期采用者。

另一种可能性是，如今以更自动化方式使用AI的人能更多享受到它的好处。这与我们 此前的发现绝大多数人报告其工作在速度、范围和产出质量方面都获得了生产力提升（分别为86%、82%和69%），同时27%的人表示通过节省原本需要购买的服务成本而获益。

除了显著的生产力提升外，大多数人还表示，借助AI学到了更多（68%），并觉得AI让自己的技能更有价值（57%）。图3.7展示了这两种结果如何随自动化会话占比而变化。我们可以看到，报告AI正在提升其技能市场价值的人占比随自动化占比上升而上升，而报告学到更多的人占比则大致持平。

关于委托使用的一个常见担忧是，把整个任务交给AI意味着将思考外包，产出上的收益是以学习和技能退化为代价换来的。我们在这里没有看到这种模式：委托程度更高的人报告的学习速度与其他所有人相同。然而，这些都是自我评估，而且技能即使在变得更有价值、即使有人报告学到更多时也可能退化，因此这些数据并不能排除技能退化的可能。

不同性别之间的使用方式有何差异

到目前为止，我们已经探讨了使用模式与期望和行为之间的关系。接下来，我们研究 人们以多种方式使用Claude。 人们以多种方式使用Claude。最显著的差异体现在性别上。女性仅占我们关联受访样本的12%，她们使用Claude的方式与男性不同。即使在考虑职业差异之后，她们将Claude用于工作的可能性仍略低，她们在Claude Code中的会话占比低0.24个标准差（6.3个百分点），其自动化占比低0.33个标准差（7.3个百分点）。相反，女性倾向于以更迭代的方式使用Claude，并且她们在聊天中记录的活跃时间多于男性，这表明她们的参与更具协作性。²⁷

人们希望人工智能转型后的经济带来什么？

Anthropic 经济指数调查揭示了人们对 AI 的正面和负面体验与情绪交织的复杂图景，但我们在调查结尾留下了一个充满希望的注脚。最后一个开放式问题请受访者“大胆畅想：你希望十年后由 AI 塑造的经济是什么样子？”我们将每份调查回答输入分类器，为回答打上相关主题标签。下方展示了被提及最多的五个主题。每个主题的详细说明可在 附录。

最常被提及的主题是人工智能对工作的增强。 增强 超过半数的受访者表达了某种形式的期望：希望与AI在让人感到有意义的工作上协作，希望自己的职业仍然重要，和/或希望新产业涌现并创造新的就业机会。与此同时，略超半数的受访者希望AI 自动化——具体来说是工作中那些枯燥乏味的部分——这样他们就能拥有更多自由时间，并在工作之外拥有更多追寻意义的空间。第三大常见主题是共享繁荣，约三分之一的受访者表达了这一期望：希望人工智能带来的经济收益能够被广泛共享。

讨论

AI 正在经济中迅速扩散，出现在越来越多的场景中，输出也越来越智能。在早期的人工智能聊天界面中，使用方式很简单，仅限于聊天窗口内，没有网页搜索、工具调用、产物或其他功能。如今，Claude 模型可以通过 Claude Code 和 Cowork 自主运行数小时。随着这些形态的变化，用户群体也在发生转变。早期采用者技术背景深厚。我们最新的用户将 Claude 应用于那些要求 更低的工资 的劳动力市场。

在本报告中，我们采取了若干步骤，以实现更具信息量的测量。首先，我们开始以越来越高的频率进行测量，按小时样本处理数据。这揭示了日常生活的节奏如何被刻入我们的使用日志，并为未来的研究开辟了途径。其次，我们开始记录产物，即人们从 Claude 那里带走的产品。这些使 Claude 的工作产出更加清晰可读，并显示出一些直观的模式。

最后，使用数据所能承载的信息终究有限。我们的调查首次让我们能够直接询问人们如何使用AI以及对此有何感受。我们发现，受访者使用AI的范围比我们所认为的更广——他们报告称，AI能完成其工作的比例高于其职业的观测暴露度指标所暗示的水平。在被要求预测明年的能力时，超过35%的人预测AI将能够完成 大部分 他们的工作。

准确地对Claude所做的工作进行分类将始终是一个不断变化的目标。例如，随着AI能力的提升，AI之间可能会越来越多地相互交互和交换信息，其方式或许是人类或简单分类器难以理解的。归根结底，Claude对经济的影响将体现在经济总量指标中，例如 就业 以及其使用日志所反映的生产力。尽管如此，人工智能最早产生影响的领域很可能正是它承担工作最多的领域，因此，揭示这些不断变化的使用模式仍将是让公众了解情况的关键途径。

附录

可在此处获取。 此处。

脚注

01 这包括来自消费者（Free/Pro/Max）账户在以下两个平台上的聊天对话和 Cowork 会话： Claude.ai 以及 Claude 桌面应用。“第一方 API”或 1P API 指的是直接通过 Anthropic 自有编程接口路由的开发者流量，这既不同于 Anthropic 面向消费者的 Claude.ai 应用，也不同于 Amazon Bedrock 或 Google Cloud Vertex 等第三方平台。我们继续按照隐私和保留政策管理数据，我们的分析与我们的条款、政策和合同协议保持一致。

02 在整个过程中，所有分析均基于隐私保护分类器：转录文本仅由另一个 Claude 实例读取。随后，我们过滤掉任何观测数据不足的单元格，以确保隐私保护分析。

03 这包括在 Claude.ai 和 Claude 桌面应用这两个平台上进行的全部聊天对话和 Cowork 会话。 Claude.ai 以及通过 Claude 桌面应用进行的对话。Claude Code 与 API 流量则单独呈现。

04“第一方 API”或 1P API 指的是直接通过 Anthropic 自有编程接口路由的开发者流量，这既不同于 Anthropic 面向消费者的 Claude.ai 应用，也不同于 Amazon Bedrock 或 Google Cloud Vertex 等第三方平台。它不包括 Claude Code。

05请参阅我们的 Sonnet 3.7 报告 以及 附录。

我们将创业活动定义为详细请求聚类为创业、副业构想、融资、创作者变现、电子商务、商业模式、医疗健康业务、社会企业或活动业务的对话所占比例。简历活动是指产物分类器将输出分类为简历或求职申请的对话。

07 一天中的时段是根据对话的 IP 地址推断状态得出的。

08 本章数据涵盖 2026 年 4 月 10 日至 6 月 10 日期间采样的聊天和 Cowork 对话。在自主性讨论比较各界面时，纳入了同一时期的 Claude Code 会话。工资数据来自 BLS OEWS 2025 年 5 月发布版。

09“无”是对那些未产生显著具体产出的对话的统称。这可能包括简短或中途放弃的交流、导致错误的案例，或 Claude 提出澄清问题而用户未继续的案例。

我们使用几何平均数来计算对话层面的 token 数量，因为该变量极度右偏——少数对话使用的 token 数量比“典型”对话高出几个数量级。如果我们使用中位数，或者按各自成本对 token 加权以考虑所用模型的组合，这种关系也非常相似。也有一些显著的例外，包括医生职业。

11要更全面地了解 Claude Code，请参阅我们的 配套报告.

12 最大的例外是数据和电子表格，在这类场景中，聊天和 Cowork 对话所涉及的自主性高于 Claude Code（3.09 对 2.74）。这主要是构成性差异：约 70% 的差距反映了任务组合的不同。在聊天和 Cowork 中，这类产出偏向财务建模和仪表盘，由 Claude 设计结构；在 Claude Code 中，则偏向结构化提取和打标签，其规范更为精确。Cowork 中数据和电子表格工作既占比过高又尤其自主，这解释了聊天和 Cowork 提升的一部分原因。

13有关此分类所用提示词的详细信息，请参阅我们 3月报告.

在我们用户群体之外，由更结构化的调查数据所呈现的类似模式也同样成立，这些数据来自 Anthropic 公开记录一项覆盖超过5万名美国人的全国代表性调查。

15 在职业被编码为管理类的人群中，48.1% 表示自己受雇于某家公司，24.4% 表示自己是拥有雇员的企業主，21.7% 表示自己是自雇人士或承包商。其余人目前没有工作，报告的是其最近一份职业。

16不包括军事。

17由于回答被分箱处理——因此最低可能的编码回答也高于零，而最高可能的回答则低于一——本图中的斜率偏向于零。因此，我们对斜率的比较只作定性解读，而不将其视为精确估计。不过，若改用“报告 AI 能完成至少 60% 的工作任务”这一指标来估计该关系（该指标不受中点编码影响），上述模式（正斜率且近乎平行的直线）依然稳健。

分箱后的回答量表很可能也起了作用：由于中点编码会把报告的任务份额拉离两端，即使不存在任何实质性差异，观察到的暴露度也往往会显得在暴露程度最低的职业中低估了 AI 的能力，而在暴露程度最高的职业中高估了 AI 的能力。

19 劳动年龄成年人的人均 GDP 的构建方式与 Anthropic Economic Index 中相同，使用的是 世界银行 WDI （2024）以及 联合国《世界人口展望》 （2024）用于劳动年龄人口估计，以及 IMF《世界经济展望》 （2025 年估计值）用于 GDP。

我们询问调查受访者在当前或密切相关的岗位上有多少年经验。

21协作模式分类器将对话记录映射为以下交互模式之一：- 指令型：人类将任务执行完全委托给 AI，交互极少- 反馈循环：人类与 AI 进行迭代对话以完成任务，人类主要提供来自环境的反馈- 任务迭代：人类与 AI 进行迭代对话以完成任务，由人类对 AI 的输出进行改进- 学习：人类寻求理解与解释，而非直接完成任务- 验证：人类使用 AI 检查或验证自己的工作

工作份额和 Claude Code 份额都与自动化程度呈正相关：Claude Code 是一种智能体工具，其会话平均而言比聊天或 Cowork 的会话更自动化，而工作会话同样比个人会话更倾向于自动化。工作用途也直接产生影响——该调查询问的是工作任务，因此将 Claude 用于工作的人可能会机械地预期它承担更大比例的工作任务。因此，在控制这些指标后，自动化份额与任务份额之间的关系（当前、12 个月后以及变化量）会被削弱，但所有三种关系仍然为正且具有统计显著性。

23 美国的裁员和解雇率（BLS JOLTS（总计非农就业人数，经季节性调整）在截至2026年4月的12个月里，平均每月约占就业人数的~1.1%，折合年化总和约为~13.4%，因此10%略低于非自愿离职事件的实际年度发生率。

24 这个问题是同时针对工作变动预测和工作流失预测提出的。因此，38% 是那些将自己工作流失预测归因于 AI 的人群比例的上限。

这与人们对自己处境的评价比对他人处境的评价更为正面这一常见模式如出一辙。类似的现象曾在新冠疫情期间出现，当时自我报告的财务状况优于对国民经济的看法。 在新冠疫情期间，当时自我报告的财务状况优于对国民经济的看法。

26 这与国家 GDP 和经验的情况形成对比：在那些情况下，GDP 和经验越低，任务份额越高（如图 3.4 所示）。 ， 更高的自述失业概率。

27 尽管这可能源于聊天/Cowork 与 Claude Code 之间的替代关系，但即使在控制 Claude Code 会话份额后，这一模式依然成立。这些模式在控制职业固定效应后也依然存在。

作者与致谢

作者与致谢

Maxim Massenkoff、Eva Lyubich、Szymon Sacher、Zoe Hitzig、Shaoyi Zhang、Ryan Heller、Peter McCrory。

致谢

Scott Booth、Keir Bradwell、Meredith Callan、Dexter Callender III、Boris Cherny、Chris Doenlen、Eleanor Dorfman、Jake Eaton、Evan Frondorf、Deep Ganguli、Romello Goodman、Ankit Gupta、Kunal Handa、Rebecca Hiscott、Andrew Ho、Hanah Ho、Jerry Hong、Saffron Huang、Mo Julapalli、Katie Kennedy、Jennifer Martinez、Miles McCain、Kelsey Nanan、Tyler Neylon、Adnan Pirzada、Dianne Penn、Kerry Persen、Sarah Pollack、Ankur Rathi、Santi Ruiz、David Saunders、Ankit Siva、Michael Stern、Ami Vora、Scott White、Heather Whitney、Kim Withee、Ryan Zauk、Jack Clark。

引用

@online{anthropic2026aeiv6,
        author = {Maxim Massenkoff and Eva Lyubich and Szymon Sacher and Zoe Hitzig and Shaoyi Zhang and Ryan Heller and Peter McCrory},
        title = {Anthropic Economic Index report: Cadences},
        date = {2026-06-26},
        year = {2026},
        url = {https://www.anthropic.com/research/economic-index-june-2026-report},
}