引言

一年前，Claude 的大部分使用场景还是用户与助手之间的一对一对话。随着 Claude Code 和 Cowork 的迅速普及，如今 Claude 的会话越来越多地表现为长时间运行的智能体任务。聊天记录已无法完全反映人们使用 AI 的方式，我们研究 Claude 经济影响的方法也不得不随之调整。

为跟上这一变化，我们对经济指数（Economic Index）的数据管道进行了多项调整。在本版本中，我们：

• 以更高频率采样数据，从而能够观察到逐小时级别的使用模式。
• 引入了一个新的分类器，用于标注每次对话的输出内容。
• 分享更细粒度的数据，将聊天和 Cowork 对话（合称“Claude 对话”）以及 1P API 的结果按月汇总分别呈现。¹

我们在附录中描述了其他方法上的调整。这些调整共同为我们提供了更清晰的图景，展示 AI 如何映射并渗透到经济生活之中。

此外，我们此前一直缺乏对 Claude 在用户会话之外影响的了解。人们如何看待 AI 正在改变他们的工作，或改变他们可获得的机会？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 那里得到什么？我们在此报告 2026 年 4 月启动的 Anthropic 经济指数调查（Anthropic Economic Index Survey）的初步发现。

以下是我们主要发现的预览。

• 在第一章中，我们展示了外部世界的节奏如何塑造 Claude 的使用模式。与工作相关的查询在周末会减少，但在收入最高的职业中，这种减少幅度较小；人们倾向于在早晨询问新闻，而睡眠建议的请求在凌晨 5 点左右达到峰值；与税务相关的请求在申报截止日期前后激增。

• 第二章探讨了人们从与 Claude 的对话中获取的具体输出成果。这些成果高度依赖于他们所使用的产品。例如，Chat 和 Cowork 提供的解释比 Claude Code 更多。输出的性质也塑造了人们与 Claude 的互动方式。与翻译文档（其答案很大程度上由原文决定）相比，搭建网站需要更多地依赖 Claude 的判断。我们还发现，更多的计算资源与更有价值的产物相关联；给定输出所消耗的模型 token 数量会随着工作预估价值的提升而增加。

• 第三章展示了 Anthropic 经济指数调查的首批结果，我们通过隐私保护系统将这些结果与 Claude 的使用数据关联起来。期望和体验会随着人们使用 Claude 的方式而系统性变化：以最自动化方式使用 Claude 的人，预计 AI 在未来一年会承担他们更多的工作任务，但同时也对这对他们工作的意义感到最为乐观，预期这将对薪酬、工作保障和工作意义产生积极影响。

节奏

我们新的隐私保护遥测技术，每天持续采样一部分对话，使我们能够研究使用情况的每日和每小时模式，这与之前每份经济指数报告所依据的七天样本不同。这些分析捕捉了全球工作模式的起伏变化。

我们发现 Claude 的使用情况反映了工作周的模式，个人提示词在周末出现高峰。每小时的数据捕捉到了日内模式——人们最常在凌晨 5 点左右询问睡眠建议，在下午 6 点左右询问食谱。我们还看到使用情况反映了关键日期。例如，在 4 月 15 日美国报税截止日期之前，与税务相关的请求激增。

工作周

在采样期间，被归类为个人使用的 Chat 和 Cowork 对话比例，从工作日的约 35% 飙升至周末的近 50%（图 1.1）。在工作周之外，用户的对话从商务信函、营销文案和演示文稿，转向情感支持、医疗问题和投资建议。这种转变在高收入国家最为明显。

图 1.1：周末个人对话增加 Claude.ai、Claude Desktop、Claude Code 以及第一方 API 中，属于个人用途的对话每日占比。周六和周日以灰色阴影标出。

在 Claude Code 和第一方 API 流量（即直接通过 Anthropic 路由的 API 流量）中也存在类似的模式，不过这两者的个人使用基线比例都较低。

请求聚类分析让我们能够深入一层，观察哪些具体的 Claude Code 任务在平日与周末之间波动最大。在周末，使用量下降最多的 Claude Code 任务聚类包括后端架构、API 调试和数据存储；而使用量增长最多的则包括 AI 智能体设计、量化交易和游戏开发。

周末也可能为人们探索新事业创造了空间。在各个国家，与创业相关的对话在周六和周日达到峰值。然而，求职申请活动在周末会随其他工作任务一同减少。

日常节奏

按小时来看，Claude 的使用情况反映了日常生活的节奏。图 1.2 展示了不同请求聚类相对于其在全球流量中整体平均值的每小时频率。

人们在当地时间早上 7 点询问新闻。商务通信（例如邮件起草）则遵循工作日的节奏，在上午 10 点到 11 点出现一个小高峰。最大的峰值之一出现在食谱请求上，其在下午 6 点的频率是平均值的 2.3 倍。媒体推荐最集中在晚间，而人们则在黎明前的那几个小时寻求睡眠建议。

图 1.2：一天中不同时段的请求聚类 不同请求聚类在对话中占比的归一化小时频率，数据限定于 Claude 聊天和 Cowork 数据。

在夜晚和周末，当人们确实转向使用 Claude 处理工作时，这些任务更偏向于高薪职业（图 1.3）。虽然我们无法确切识别提出这些请求的人的职业，但这可能反映出高薪职业从业者——比如市场营销经理或计算机程序员——更有可能在常规工作时间之外工作。相比之下，与收入最低的两个四分位数职业（如电话销售和文书工作）相关的任务，在总对话量中所占比例较小。这种模式并非完全由计算机和数学类任务驱动：当我们在一项稳健性检验中将这些职业从分析中剔除后，较高四分位数职业的任务在夜晚和周末仍然有所增加。

图 1.3：夜晚和周末工作相关对话份额的变化，按职业薪资四分位数划分。每个柱状图显示，在夜晚和周末相较于工作日工作时间，来自指定薪资四分位数的工作相关任务份额的百分比变化。薪资四分位数是根据美国劳工统计局数据计算得出的，并按转录本数量进行了加权。

报税截止日

本报告所涵盖的样本期覆盖了美国民众的报税截止日期。图 1.4 显示，在截止日期前后，与税务相关的对话份额出现了大幅飙升。在 4 月 14 日，与税务相关的对话集群出现的频率是 5 月平均日期的八倍，并且在 4 月 15 日仍保持同样高的水平。到了 4 月 16 日，这一比例急剧下降。

图 1.4：美国报税截止日期前夕，与税务相关的对话激增。美国及世界其他地区与税务相关的对话所占份额。

制品

在本章中，我们将聊天和 Cowork 中的每段对话（以下简称“Claude 对话”）8 按其制品进行分类，并将其归入 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，无论是显示在聊天窗口中还是作为独立文档呈现——称为制品。完整的制品列表见附录。

我们的分类器识别出 93% 的 Claude 对话生成了某种制品（图 2.1）。最常见的制品类型包括：解释说明（占对话的 17%）、文档与报告（15%）以及指导建议（11%）。对话式输出（如解释说明或指导建议）和书面交付物（如文档或演示文稿）各占约三分之一的对话；代码与技术类工作（如应用程序或脚本）约占六分之一。

图 2.1：Claude 的输出结果。图中展示了 Claude 对话中十二种最常见的输出类型。1P API 的混合数据见附录。

输出是什么并不能说明它的用途：同一件制品既可能是工作交付物，也可能是个人项目。我们接下来将分析这一区分。

每件制品用于什么场景？

我们在一月份的《经济指数》报告中引入了一种分类方法，将每段对话划分为工作、个人或课程作业三类。在此，我们将这一分类应用于 Claude 对话中产生的制品（图 2.2）。

某些类别的制品几乎总是用于个人用途。超过 80% 涉及创意写作、指导建议和食谱的对话被归类为个人用途。在同一类别内部，个人用途与工作相关用途的表现可能大相径庭。例如，个人创意写作以同人小说、世界观构建和诗歌为主；而其中 13% 的工作相关用途则主要表现为短视频脚本、剧本创作和演讲稿。最可能属于工作相关用途的类别包括：创建营销内容（80%）、撰写博客或文章（81%）以及编写数据库查询（82%）。

许多输出用于个人和工作场景的可能性相当，包括制定计划或策略（44% 工作相关，49% 个人）以及翻译（42% 工作，44% 个人）。例如，最常见的个人规划类制品包括旅行行程和健身计划，而工作相关计划则多涉及创业或内容策略。

最后，与课程作业相关的产物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，尽管其中每一项都有不可忽视的比例同时属于工作和个人类别。

图 2.2：按使用场景划分的产物占比。按用途（工作、个人、课程作业）分类的、包含特定输出的对话所占比例。

我们也可以换个角度提问。与其问每个输出用于什么，不如问工作、个人和课程作业这三类对话各自倾向于产生哪种产物。工作对话最常产生文档和报告（20%），其次是解释说明（9%）、邮件草稿（7%）以及分析与总结（6%）。课程作业对话的情况大致相似，文档和报告同样占比最高（21%），紧随其后的是解释说明（20%）、教学材料（11%）和学术论文（6%）。相比之下——且毫不意外——个人对话中只有 6% 会产生文档。相反，最常见的结果是解释说明（25%）和推荐建议（22%）。

成本反映工作价值

产生这些输出需要算力，我们发现算力消耗往往与工作价值成正比。我们以模型 token 为单位衡量每次对话的计算成本——即处理与生成的文本量，包括 Claude 的内部推理过程——并通过将每次对话中分类后的任务映射到通常执行该任务的职业，来跨职业进行比较。在本节中，我们将分析范围限定在与工作相关的对话上。

图 2.3 的左图显示，对话级别的中位数 token 数量与映射职业的中位数工资之间存在正相关关系。¹⁰ 例如，市场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 数量大约是其 2.5 倍。诚然，这种关系存在噪声，并且有显著的异常值。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），然而映射到药剂师任务的对话所使用的 token 数量仅约为其二十分之一。

图 2.3：高薪职业的对话消耗更多模型 token 左图：某一职业的中位工资与该职业所属任务分类对话中典型（几何平均）模型 token 数量之间的关系，已按总体均值归一化。两个变量均以对数尺度表示。右图：生成特定产物所消耗的模型 token 分布。黑色线条表示中位数，箱体代表第 25 和第 75 百分位，须线代表第 10 和第 90 百分位。所有数值均按总体中位数模型 token 数归一化，并以对数尺度呈现。两图中的数据均限定为聊天和 Cowork 场景，且仅限被归类为工作相关的对话。模型 token 计数未根据服务对话的模型进行调整。

生成不同类型产物所消耗的模型 token 也反映了类似情况。更复杂、更有价值的输出通常比简单输出消耗显著更多的模型 token。例如，关于构建应用的对话消耗的模型 token 是中位数对话的三倍以上。而在另一端，典型的解释性内容消耗的模型 token 约为中位数对话的五分之一。模型 token 消耗中约 44% 的工资梯度可由产出组合解释——高薪职业更倾向于生成计算密集型产物。

这在经济层面为何重要？在映射到高薪职业的对话中，Claude 产出更多（每轮对话输出量是 1.34 倍），用户参与度更高（对话轮次是 1.53 倍），且更频繁地启用扩展思考（34% 的对话对比 31%；表 2.4）。关键在于，这些趋势是同步发生的：Claude 产出更多并不意味着用户产出减少。如果人类仍然参与最高价值的任务，这种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。下一节将考察每个对话中有多少决策被委托给了 Claude。

表 2.4：高薪职业中模型 token 消耗量更高的原因 映射到高薪职业的对话中，导致模型 token 消耗量更高的对话特征。职业按其工资中位数分为三个层级，并根据每个职业匹配到的对话数量进行加权。与计算相关的指标已按最低层级几何均值进行归一化处理。例如，第一行显示，映射到最高层级职业的典型对话所消耗的模型 token 数量，是映射到最低层级职业的典型对话的 2.07 倍。

Claude 在自主决策方面拥有多大程度的自主权？

我们按 1 到 5 的等级衡量这一点，从“无”到“极高”。易于描述或指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、翻译以及问答。高自主权任务是指需要在众多可能选项中做出选择的任务，例如创建应用程序和网站、游戏或演示文稿。这类需要持续判断力的工作历来难以自动化。通过比较 Claude Chat、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（所展示的 31 种输出中的 26 种），Claude Code 上的 AI 自主权水平都高于 Chat 或 Cowork。¹¹ 例如，与在 Chat 或 Cowork 上生成相同输出的对话相比，使用 Claude Code 生成脚本和代码片段的对话，其自主权平均高出 0.53 分（在 1 到 5 的等级上）。在所有对话中，自主权的平均差异为 0.37 分，这主要源于两个因素。¹²

大约三分之二的差异可以归因于在 Claude Code 上通过更多委托方式执行相同的任务。博客文章和文章说明了这一点：两种界面背后的请求和任务相似，但人们使用 Claude 的方式却截然不同。生成一篇博客文章或文章的中位数聊天和 Cowork 对话涉及 13 轮来回交互，而生成博客的中位数 Claude Code 会话仅包含一次人类提示词。剩余的三分之一反映了两种界面之间输出类型的构成差异。

图 2.5：按输出类型划分的 AI 自主性。按对话输出和界面划分的平均 AI 自主性水平。AI 自主性按 1 到 5 级评分，从“无”到“极高”。

有人可能会怀疑这种差异仅仅反映了模型选择。Claude Code 会话在最强模型上运行的频率要高得多（54% 由 Opus 提供支持，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的对话时，这种差距依然存在。例如，在使用 Sonnet 的对话中，Claude Code 会话的自主性仍然高出 0.26 分，这表明所使用的产品可能比底层模型更重要。

跳出界面比较来看，用户委托最多的输出类型也正是消耗计算资源最多的类型：在 artifacts 中，平均自主性与中位数 token 使用量同步上升（聊天和 Cowork 的相关系数 r = 0.68；附录图 A.2）。

Claude 的回答水平超越了提问水平

对于每次对话，一个分类器会估算两个阅读水平——一个针对用户的提示词，一个针对 Claude 的回复——以理解文本所需的教育年限来表示。我们发现，阅读水平因 artifact 类型的不同而差异巨大。生成学术论文的平均查询需要超过 16 年的教育水平，大致相当于本科水平，并且这些对话中有 15% 处于博士水平或以上（20 年或更长的教育年限）。另一端则是生成食谱或指导的对话，理解其提示词所需的教育年限少于 10 年。

总体而言，输出阅读水平较高的作品类型，其提示词的阅读水平也较高（跨对话的相关性为 0.87）。然而，我们也观察到，在几乎所有类别中，Claude 输出的理解难度都高于提示词，平均高出约一个教育年。差距最大的情况出现在用户描述需要构建的内容时，例如图像和图形（+2.6 年）、游戏（+1.9 年）以及应用和网站（+1.7 年）。部分差距可能仅仅源于语体差异：提示词通常简洁且非正式，而 Claude 倾向于用精炼的散文风格回复。不过，对于面向受众的写作（博客 -0.1，学术论文 +0.0，电子邮件 +0.3），差距接近于零，这可能是因为提示词通常草拟了与预期输出相同语体的语言或源材料。

**图 2.6：按作品类型划分的用户提示词与 Claude 回复的阅读水平** 理解用户提示词和 Claude 回复所需的大致教育年数。仅限于聊天和 Cowork 模式。

感知

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 当前及潜在影响有何感受，以及他们对这项技术有何期望。我们于 2025 年 12 月通过 Anthropic Interviewer 对 81,000 名 Claude 用户进行的访谈描绘了一幅图景：受访者报告了巨大的生产力提升，但也表达了对岗位替代的担忧。这些担忧主要集中在职业生涯早期的员工以及我们观察到 Claude 承担最多工作的职业领域。14

2026年4月，我们推出了Anthropic经济指数调查，以进一步推进这项工作。该调查使我们能够直接询问人们关于人工智能与工作的体验，并探究不同回答如何随Claude的使用情况而变化。我们采用隐私保护方法，将调查回复与五月中旬至六月初的使用数据关联起来。为了刻画每位受访者的使用模式，我们在此时间窗口内（涵盖Claude.ai、Cowork和Claude Code，因此会话组合能反映每个人在不同界面的典型使用情况）随机抽取每人最多20个会话。我们排除了会话数少于5个的受访者，以减少抽样噪声。最终关联样本包含约9700名调查受访者。

我们发现，大多数受访者预计未来一年人工智能将取得显著进展。虽然人们对AI能力的感知取决于其个人经验、居住地以及其工作受AI影响的程度，但他们对于未来进步速度的预期却惊人地一致，这与“水涨船高”的趋势相符，即AI能力将全面增强。

对于这种进步对其自身职业生涯意味着什么，人们的看法则不那么一致。早期职业工作者报告称，AI可以完成他们工作中占比最高的部分，并且他们对失业表达了最多的担忧。然而，与一种普遍的担忧相反——那些将任务委托给Claude最多的人，对自己未来的劳动力市场前景最为乐观，并认为自己的技能价值在增长。尽管（或许正因为）他们接近AI的前沿，但受访者对未来十年的期望平均而言并非聚焦于替代，而是协作。他们希望AI能够保留有意义的工作，自动化那些苦差事，并且其收益能够得到广泛分享。

谁参与了经济指数调查

经济指数调查并不能代表整体人口。我们接触的是 Claude 用户的随机样本，但完成调查的人可能存在选择性偏差，并且我们在分析中过滤掉了不常使用 Claude 的用户。图 3.1 展示了调查受访者的职业构成（橙色）与美国整体就业情况（灰色）的对比。计算机与数学类职业的占比过高，约占受访者的 30%——这与他们在 Claude 使用量中的占比相当，但远高于他们在美国就业人口中 4% 的占比。管理类职业占受访者的 23%15，相对于其 7% 的就业占比也严重偏高，尽管该类职业仅占会话量的 4%。这一差距与管理层使用 Claude 处理非管理类任务的情况相符：在调查中，许多受访者（尤其是经验更丰富者）将判断力和管理能力列为 AI 所欠缺的能力。交通运输与物料搬运、食品制备与服务相关、建筑与开采等体力劳动类职业在调查中占比偏低，这与它们在 Claude 会话中的表现一致。

图 3.1：与美国整体就业情况相比，调查受访者严重偏向计算机与数学类以及管理类职业。该图展示了受访者在 22 个主要 SOC 组别16 中报告其所属职业的占比，并与 OEWS 统计的各职业在美国就业人口中的占比进行了对比。

AI 与工作任务

关于 AI 影响的研究通常关注职业暴露度，即某一特定工作中可用 AI 完成的任务占比。在先前的工作中，我们构建了一个实际暴露度指标，用于衡量我们已观察到通过 Claude 完成的职业任务占比。我们将其与一个常用的理论暴露度指标进行了对比，后者衡量的是大语言模型理论上能够完成的职业任务占比。

理解职业暴露程度的另一种方法，是直接询问人们，AI 能完成他们工作中多大比例的任务。我们询问受访者，AI 目前能完全独立完成他们工作中多大比例的任务（以下简称“报告暴露度”），以及他们预计 12 个月后 AI 能处理多大比例的任务（“预期暴露度”），受访者可从“几乎没有”到“几乎所有”五个区间中选择。近六成受访者选择了比当前更高的明年区间。超过三分之一的受访者预计，明年 AI 能够完成他们大部分或几乎所有工作任务（图 3.2）。

图 3.2：大多数受访者预计，未来 12 个月内 AI 能完成的工作任务比例将增长。该图展示了受访者认为 AI 当前能完成的工作任务比例与 12 个月后能完成比例之间的分布情况。

图 3.3 将报告暴露度和预期暴露度，与观测暴露度和理论暴露度进行了比较。我们探究了人们报告和预期的 AI 能力，是否与不同职业的观测暴露度和理论暴露度指标相符，以及那些职业在观测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（灰色圆点）与观测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 个月后的预期暴露度（橙色圆点）的最佳拟合线基本平行，这意味着，在观测暴露度或理论暴露度高的岗位上工作的人，与那些在观测暴露度和理论暴露度较低的岗位上工作的人，对明年 AI 能完成工作任务比例的增长预期大致相同。¹⁷ 换言之，一名软件工程师和一名施工经理，对自己职业领域内 AI 能力进步幅度的预期大致相当。

同样值得注意的是，报告中的暴露程度系统性地高于实际观察到的暴露程度。对此的一种解释是，并非某个职业中的每个人都会从事该职业的所有任务，而我们的调查不成比例地覆盖了那些更多使用 AI 的群体。¹⁸ 类似地，由于理论暴露程度是可能性的上限，而非当前使用情况的衡量标准，因此理论暴露程度会系统性地高估报告中的暴露程度。

图 3.3：报告与预期的暴露程度 vs 其他衡量指标。人们认为 AI 现在能完成的任务占比（报告暴露程度，灰色）以及 12 个月后能完成的任务占比（预期暴露程度，橙色），分别与实际观察到的暴露程度（左图）和理论暴露程度（右图）进行对比。每个点代表一个职业，样本量较小的职业会与暴露程度相近的职业合并，以保护隐私。报告暴露程度和预期暴露程度是根据调查受访者所选区间的中点计算得出的。

我们还研究了受访者对 AI 当前及未来能力的看法与其个人特征和使用模式之间的关系。图 3.4 的左图显示，对 AI 能力的看法与国家 GDP 呈负相关：¹⁹ 在高收入国家，人们报告 AI 现在能为其完成的任务平均占比约低 10 个百分点。这一模式与以下可能性一致：AI 替代了低收入国家工人日常从事的更大比例的任务，尽管职业层面的暴露指标（在发达经济体中往往更高）显示的情况相反。事实上，国际货币基金组织（IMF）已指出，虽然发达经济体整体上面临更广泛的 AI 暴露，但低收入国家的工人可能更缺乏那些能让 AI 增强而非替代其工作的互补技能和基础设施。在早期研究中，我们曾记录到，即使在调整了任务组合差异后，低收入经济体在使用 Claude 时也往往采用更自动化的方式。

中间面板显示，报告的和预期的接触程度也与工作年限呈负相关。20 拥有至少 15 年工作经验的人认为 AI 能完成的任务比例，比刚入职第一年的人低大约 10 个百分点。我们发现的证据表明，这可能是因为经验丰富的员工积累了 AI 难以模仿的隐性知识或特定情境的专业技能。在后续问题中，我们询问了受访者他们认为 AI 永远无法完成哪些任务及其原因；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 年工作经验的人，还指出他们工作中涉及关系和人际互动的方面——建立信任和管理人员——是 AI 无法复制的。

与职业接触 AI 的情况类似，我们发现关于 AI 能力未来提升的看法与人均 GDP 和工作年限基本不相关。受访者预期 AI 在 12 个月后能够完成的任务比例，普遍高于其对 AI 当前能力的看法。

图 3.4：报告的和预期的接触程度在 GDP 更高的国家和经验更丰富的员工中较低，并随着自动化使用 Claude 的比例上升而增加。报告的和预期的（12 个月）接触程度，分别对应国家人均工作年龄人口 GDP（左图）、工作年限（中图）以及被归类为自动化的 Claude 会话比例（右图）。

接下来，我们考察了人们与 Claude 互动的方式与其当前对 Claude 能力的看法之间的关系。与之前的报告一样，我们将与 Claude 协作的模式区分为“自动化”和“增强”两种。当 Claude 被要求完成一项任务而用户几乎不提供输入时，我们将此类对话识别为自动化。具体来说，自动化比例是指对话模式为指令式（“翻译这份文档”）或反馈循环式（“编辑这封邮件……让它更随意一些”）的对话所占的比例。21

图 3.4 的右侧面板显示，报告的和预期的暴露程度随自动化占比上升而增加。这可能是因为任务委派能反映能力——那些将整个任务交出去的人能直接观察到 AI 能独立完成什么——也可能是因为那些已经相信 AI 能完成自己工作的人最愿意将任务交出去。当我们用工作任务的会话占比或 Claude Code 中的会话占比替代自动化占比时，也呈现出相同的模式。22

AI 与就业

我们还询问了受访者如何看待未来 12 个月内自己工作的变化。超过三分之一的受访者表示，工作职责很可能或极有可能发生重大变化（针对自身、同级同事、初级同事和高级同事分别询问）。10% 的受访者认为自己很可能或极有可能失业。这一比例略低于美国年度失业风险率；23 然而，由于我们的受访者偏向于就业稳定的知识工作者（这一群体在基准情况下面临的离职风险本应低于平均水平），这可能仍表明感知到的风险有所上升。当被问及是什么因素驱动了他们的预测时，在认为自己很可能或极有可能失业的受访者中，38% 将原因归咎于 AI。24 值得注意的是，受访者平均而言更担心他人失业，而非自己失业。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（所有人的）失业问题也更为担忧。

图 3.5：报告工作职责很可能或极有可能发生重大变化，或明年将非自愿失业的人员占比。报告认为自身、同级同事、初级同事或高级同事的工作职责很可能发生变化（左侧面板）或个人将失去其希望保留的工作（右侧面板）的受访者占比。

以更自动化方式使用 Claude 的人，是否也更担心失去工作？我们考察了人们对于未来一年 AI 在六个工作维度上预期影响的看法：薪资、工作稳定性、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）；并研究了这些预期如何因 Claude 使用中的自动化占比而异。

在所有六个维度上，与更倾向于增强式使用 Claude 的人相比，自动化会话占比更高的人对 AI 明年对其工作成果的影响持更乐观的态度。我们观察到，对未来薪资和找到新工作能力的积极预期影响最为显著。

图 3.6：在更频繁自动化使用 Claude 的用户中，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比例更高。该图展示了线性回归的系数估计值，回归对象是某人对 AI 是否会对工作质量的六个维度产生积极影响的指标，自变量为归一化的 AI 自动化使用占比。

一个自然而然的问题是，为什么自动化使用程度与用户情绪会同步变化。一种可能是，这种关系可以用选择性偏差来解释：对 AI 最热衷的人，也最愿意将整个任务交给 AI 处理。我们无法完全排除这种可能性，但在控制了用户在 Claude.ai 上的使用时长（可将其视为热情度的代理变量，因为它区分了早期采用者和后期采用者）后，这些估计值并未发生显著变化。

另一种可能是，以更自动化方式使用 AI 的人，今天就能更多地体验到 AI 带来的好处。与我们之前的发现一致，绝大多数用户报告在工作的速度、广度和质量方面获得了生产力提升（比例分别为 86%、82% 和 69%），而 27% 的用户报告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，大多数人还表示通过AI学到了更多东西（68%），并感觉AI让自己的技能变得更有价值（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。我们看到，报告AI正在提升其技能市场价值的人群比例随着自动化占比上升而增加，而报告学到更多东西的人群比例则大致持平。

关于委托，一个常见的担忧是，将整个任务交给AI意味着放弃了思考，产出的提升是以学习和技能退化为代价的。我们在这里并未观察到这种模式：重度委托者报告的学习率与其他人群相同。然而，这些是自我评估，技能可能在变得更有价值、个人报告学到更多东西的同时仍然退化，因此数据并不能排除技能退化的可能性。

图3.7：报告技能预期回报积极的人群比例随自动化占比上升而增加，而报告学到更多东西的人群比例则持平。该图展示了任务自动化占比与报告AI提升其技能市场价值（蓝色）以及使用AI时学到更多东西（橙色）的人群比例之间的关系。

使用方式在性别间的差异

到目前为止，我们探讨了使用模式与预期及行为之间的关系。接下来，我们研究不同人群以何种方式使用Claude。最显著的差异体现在性别上。女性仅占我们关联受访者样本的12%，她们使用Claude的方式与男性不同。即使在考虑了职业差异之后，她们在工作中使用Claude的可能性也略低，在Claude Code中的会话占比低0.24个标准差（6.3个百分点），自动化占比低0.33个标准差（7.3个百分点）。相反，女性更倾向于迭代式地使用Claude，并且在聊天中投入的活跃时间比男性更多，这是更具协作性参与的一个信号。

图 3.8：即使在控制职业差异后，女性的使用模式也明显不同。该图展示了女性与男性的使用模式对比。每个柱状条代表女性与男性在该使用指标上的平均值差异，已控制职业（SOC 细分类别），并以结果的标准差表示。须状线表示 95% 置信区间。样本仅限于自我认同为女性或男性的受访者。女性的 Claude Code 使用占比和自动化使用占比显著较低，而总活跃分钟数则更高。

人们对人工智能转型后的经济有何期望？

Anthropic 经济指数调查揭示了人们对 AI 的积极与消极体验及感受的混合状态，但我们以充满希望的语气结束了本次调查。最后一个开放式问题要求受访者“大胆想象：你希望十年后由 AI 塑造的经济是什么样子？”我们通过一个分类器对每份调查回复进行了处理，该分类器为回复打上相关主题标签。以下展示了最常被提及的五个主题。每个主题的更多描述可在附录中找到。

图 3.9：人们期望人机协作、繁琐工作的自动化以及更多空闲时间，并希望 AI 带来的经济收益能被广泛共享。该图展示了受访者对“十年后由 AI 塑造的经济是什么样子”这一开放式问题回答中最常见的五个主题。

最常被提及的主题是 AI 对工作的增强。超过一半的受访者表达了某种形式的愿望：希望与 AI 协作完成有意义的工作，希望自己的职业仍然重要，以及/或希望新产业涌现并创造新的就业机会。与此同时，略超过一半的受访者希望实现 AI 自动化——特别是他们工作中繁琐的部分——以便拥有更多空闲时间和更多空间去追求工作之外的意义。第三个最常见的主题，由约三分之一的受访者表达，是共同繁荣：希望 AI 带来的经济收益能被广泛共享。