用AI越久的人越强！Anthropic最新经济指数报告催我们赶紧学AI了

Anthropic今年一月发布了第一版经济指数报告：学历越高越被代替，但你越聪明AI就越聪明。

新版报告又来了。

新报告最核心的发现是：用AI越久的人，跟AI协作越默契，完成任务的效率越高，用AI越久的人越强，而且AI学习曲线比你想象的更陡。

Anthropic经济指数通过隐私保护的数据分析系统，追踪Claude在各个经济领域的实际使用情况。

本期报告研究了2026年2月Claude的使用数据，覆盖Claude.ai消费者端和第一方API开发者端两个平台，样本量为各100万条对话。

报告在上期基础上，新增了对模型选择行为和学习曲线的深度分析。

报告发现，Claude的使用场景正在从少数高价值专业任务向更广泛、更多元的日常任务扩展，同时，资深用户在任务成功率和协作深度上展现出显著优势，这种差异可能深刻影响AI红利的分配格局。

使用场景正在快速扩散

在Claude.ai平台上，编程相关任务依然是最常见的使用场景，与计算机和数学类职业相关的任务占Claude.ai全部对话的35%。

从2025年11月到2026年2月，Claude.ai上的使用场景变得明显更加分散：排名前10的任务类型在全部对话中的占比从24%下降到19%。这背后有两股力量在推动。

一股力量是编程任务正在从Claude.ai向第一方API迁移。

Claude Code是一种代理式编程架构，它把编程工作拆分成更小的API调用，每个调用被标记为独立的任务类型。

虽然编程在API端流量中的整体份额在增长，但它分散到了许多任务类别中，而不是集中在少数几个类别里。所以API端的任务集中度基本保持不变，尽管有大量编程活动涌入。

另一股力量是使用类型结构的变化。

课程作业类对话从19%下降到12%，个人使用从35%上升到42%。

课程作业的下降部分可以用学术日历来解释：在样本采集期间，部分国家的学生正在放寒假。与此同时，从2月前后开始的新用户注册潮带来了更多普通用户，这些用户往往从更简单的任务入手。

上图清晰地展示了这种变化趋势。在Claude.ai端，前10大任务的占比从去年11月的24%一路下滑到今年2月的19%，表明使用场景正在变得更加多元化。

在API端，集中度变化不大，稳定在28%到33%之间，这与前面提到的编程任务分散化逻辑一致。

从工作、个人和课程作业这三个大类来看，个人使用的增长和工作使用的稳定，构成了Claude.ai端使用结构变化的主体轮廓。

值得注意的是，几乎所有这些新出现的任务类型在之前的数据中都已经出现过。

报告上次提到，49%的职业中至少有25%的任务类型已经在通过Claude完成。在本次数据中，这个累积估算几乎没有变化。新出现的O*NET（职业信息网络）任务类型比上次报告少得多，说明Claude的使用正从探索新领域转向深化已有领域的应用。

在交互模式方面，Anthropic将对话分为五种交互类型：指令型、反馈循环型、任务迭代型、验证型和学习型，并归入自动化和增强型两大类别。

Claude.ai端的增强型使用比例略有上升，主要由验证和学习模式的小幅增长驱动。在API端，自动化使用比例则出现了明显下降。

另一个衡量任务混合变化的角度是观察任务平均价值的变化，这个价值定义为从事该任务的美国工人的平均时薪。

Claude.ai端的任务平均价值从49.3美元轻微下降到47.9美元，主要原因是简单事实类问题（比如体育比赛结果、天气查询）的增加，以及编码任务向API端的迁移。尽管有所下降，Claude上处理的任务价值仍然远高于美国全国平均水平，这意味着Claude目前的使用仍然偏向于高技能、高价值的工作领域。

从更细粒度的经济原语指标来看，几项关键指标的变化方向与任务复杂度的下降一致。

用户输入内容所需的教育年限从12.2年下降到11.9年，用户给AI的自主权有所增加，人类单独完成该任务所需的时间减少了约2分钟。

有一个指标的变化方向与其他指标相反：Claude完成的任务被评估为在无AI辅助的情况下人类完成的可能性更低了。这可能暗示Claude正在处理一些以前只有专业人员才能完成的任务，这些任务对普通人来说本身就更难。

在上表所列的各项指标中，所有差异都具有统计学显著性（p小于0.001，人类单独完成时间这一项的p值小于0.05）。

这些变化描绘出一幅连贯的画面：Claude.ai的使用正在从高技能专业用户向更广泛的普通用户扩散，任务复杂度整体略有下降，但Claude处理的任务在人类能力边界上仍然具有挑战性。

随着任务向API迁移，它们可能面临更高的自动化程度。

API工作流远更可能是指令型的，对人工介入的需求更少。报告重点提到了两种在2月份出现频率翻倍以上的API工作流。

一种是商业销售与客户开发自动化，包括销售赋能材料生成、B2B（企业对企业）线索资格研究、客户数据丰富、冷邮件起草等。

另一种是自动化交易与市场运营，包括监控市场或仓位、提出具体投资建议、向交易员通报市场状况等。

这些自动化的兴起，直接关系到相关职业的未来变革方向。

全球使用差距与地理收敛

Anthropic在上期报告中发现，AI使用指数（AUI，按工作年龄人口调整后的使用量）在美国各州之间正在快速收敛：初始人均使用量较低的州显示出更快的采用速度。

本次报告的数据显示，这种收敛仍在继续，但速度有所放缓。

从2025年8月到2026年2月，前五大州的人均使用量份额从30%下降到24%。

基尼系数自2025年8月以来持续下降，但收敛速度在减慢。按照当前速率，各州要达到大致相当的人均使用水平，大约还需要5到9年，而上期报告的估计是2到5年。

上图左侧展示了美国各州的使用分布变化，曲线越接近对角线表示越均匀。可以看到，各州之间的差距在缩小，但缩小速度比预期要慢。

右侧展示了国家层面的情况，趋势截然相反：使用变得略微更加集中了。人均使用量最高的国家现在占据了整体使用中更大的份额，排名前20的国家从占调整后使用量的45%上升到48%。

美国国内和国际之间的这种分化值得深思。美国各州之间有相对统一的语言环境、法律框架和基础设施，AI的扩散更加均衡可以理解。

但在全球层面，数字基础设施的差异、语言障碍、支付能力的悬殊，都在加剧AI使用的不平等。排名前20的国家使用着48%的Claude流量，这个数字在未来可能还会上升。

选模型是一门学问

Claude提供三个模型等级：Haiku、Sonnet和Opus。它们在成本、速度和性能方面各有侧重。

Opus系列使用最多的token，擅长处理复杂任务，但在API上的每token价格更高。用户如果清楚这些差异，并且在成本和使用额度方面有所考虑，就应该把最复杂、最有价值的任务交给Opus，把更简单的任务交给其他模型。数据基本证实了这一点。

上图显示，在付费Claude.ai用户中，计算机和数学类任务（如编写软件）有55%使用Opus，而教育类任务只有45%使用Opus，差距约4个百分点。

技术型用户可能注意到了性能提升，会主动从默认的Sonnet切换到Opus。

注重效率的用户则可能学会了用Sonnet处理简单任务，以避免触及使用额度上限。教育类任务之间的差异，可能反映了大多数教育类任务对Sonnet来说已经足够简单，也可能反映了学生用户更在意使用额度。

以更细粒度的职业维度来看，用户执行与高薪职业相关的任务时，使用Opus的频率明显更高。

在Claude.ai上，34%的软件开发者任务使用Opus，而导师辅导类任务只有12%使用Opus。

整体来看，任务关联职业的时薪每增加10美元，Claude.ai用户使用Opus的比例就增加1.5个百分点。

API端的响应更加灵敏，斜率大约是前者的两倍，任务价值每增加10美元，Opus使用比例增加2.8个百分点。

使用编程式工作流的用户有更多理由在不同模型之间切换，相比之下，网页端用户的切换行为更随意一些。

用得越久越顺手

Claude的第一个模型于2023年3月发布。此后，Claude.ai和API的用户群都快速增长。最新样本包含了各种各样的用户，有的从Claude发布第一天就开始使用，有的在数据采集前一天才注册。

一个人的使用时长如何影响他与Claude的交互体验？这是本报告最具洞察力的发现。

上表对比了高资历用户（注册Claude至少6个月）和低资历用户（其余所有用户）的各项特征。

高资历用户更倾向于用Claude迭代完善他们的工作，而不太倾向于通过指令型模式将责任委托给AI。

他们比低资历用户多7个百分点的工作用途比例，使用的任务通常需要更高的教育水平。

他们的使用在特定任务上的集中度也更低，排名前10的任务占其总使用量的比例（20.7%）比低资历用户（22.2%）略低。

上图左侧面板显示，每增加一年的Claude使用时间，用户输入内容所需理解的教育年限就增加近1年。

右侧面板显示，与此同时，个人使用在减少：一年前注册的用户将38%的对话用于个人场景，而最新注册的用户这个比例是44%。

这两条线清晰地勾勒出一种模式：随着使用时间的增加，用户不仅把更多工作交给Claude，而且交给Claude的任务本身也更复杂。

在使用Claude的请求聚类中，平均使用时长最高的任务包括AI研究、git操作、修改论文手稿和初创公司融资。

平均使用时长最低的任务则更简单：写俳句、查体育比分、为派对推荐食物。

高资历用户不仅在用Claude处理更难的任务，他们用Claude处理的任务类型也在不断扩展。

最能说明问题的发现是成功率的差异。

报告使用Claude自身对对话成功与否的评估作为成功指标。在不控制任何变量的简单回归中，高资历用户的对话成功率比低资历用户高约5个百分点。

当加入O*NET任务类型和请求聚类的固定效应后（即在完全相同的任务类型内部比较），这个差异缩小到约3个百分点。

最后，当进一步控制模型选择、使用场景、语言和国家等变量后，高资历用户仍然有约4个百分点的成功率优势。

上图展示了逐步加入控制变量后的回归结果。每加入一层控制，95%置信区间都在缩小，说明估计更加精确。即便在最严格的控制条件下，高资历用户的成功率优势依然稳定。

这些结果指向一个耐人寻味的可能性：用户在使用AI的过程中确实在学习和进步，他们学会了如何更好地从AI那里获得想要的结果。

多种因素可以解释这些模式。

高资历用户本身就是一个自我选择的群体，他们的差异可能反映了稳定的个人特征，比如他们可能本身就是程序员，更早成为AI的早期采用者。

此外，还存在固有的幸存者偏差：那些一年前注册但现在已经不再使用Claude的人，观察不到。最早的采用者通常有高价值的技术用例，当AI扩散到更广泛的人群后，更随意的使用才涌现出来。

这些发现与Anthropic上期经济原语报告的观察相呼应：在一些情况下，收入更低、教育水平更低的国家反而展现出更复杂的使用模式。

那是因为在采用率较低的国家，早期采用者仍然主导着用户群体。随着AI在人群中进一步扩散，使用模式自然会向更日常、更随意的方向回归。

讨论与启示

综合来看，这份报告描绘了Claude使用演化的两个同步趋势。

Claude正在从服务于少数高技能用户的专业工具，转变为覆盖更广泛人群的通用助手。使用场景的多元化、任务复杂度的轻微下降、个人使用比例的上升，都指向同一个方向。

与此同时，那些使用Claude时间最长的人，正展现出与其经验相匹配的能力提升，他们与Claude的协作更加深入，任务成功率更高，处理的工作也更有挑战性。

这两个趋势之间存在一种张力。AI的价值似乎随着使用经验的积累而增长。越会用AI的人越能从AI中获益，而新用户的涌入拉低了平均使用水平。

这种模式可能加剧劳动力市场中的技能偏向型技术变革效应：创新提高了高技能工人的工资，同时压低了其他人的机会。

报告的分析揭示了一条具体的传导渠道：早期采用高技能任务的资深用户，与新加入的、技术背景较弱的后来者相比，在与Claude的交互中成功率更高。

这些早期采用者可能同时是受AI驱动型变革影响最大的人群，也是在AI采用初期增强浪潮中获得最多帮助的人群。

这种学习曲线的存在也意味着，AI素养可能成为一项关键的新技能。

就像几十年前的计算机素养一样，掌握与AI有效协作的能力，可能决定一个人或一个组织能在多大程度上从AI技术中获益。

对于个人而言，花时间学习和实践AI工具的使用方法，可能是一项回报丰厚的投资。

对于政策制定者而言，确保AI素养培训的广泛可及性，可能是缓解AI红利分配不均的重要手段。

报告也承认存在其他解释的可能性。

早期采用者可能本身就更擅长技术，继续使用Claude的人可能恰好是那些拥有Claude特别擅长的任务的人。

但经过严格控制的回归分析已经排除了高资历用户带来不同种类任务这类简单混淆因素。

随着时间推移，Anthropic将能够更干净地区分世代效应、幸存者偏差和真正的学习效应。

AI时代正在拉开一场关于学习能力的竞赛。你准备好赛跑了吗？

参考资料：

https://www.anthropic.com/research/economic-index-march-2026-report