Anthropic Economic Index 报告：使用节奏

Image 1: Anthropic Economic Index report: Cadences

引言

一年前，Claude 的大多数使用还表现为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（Economic Index）的数据管道做了若干调整。在这个版本中，我们：

以更高的采样率抽取数据，使我们能够查看细至小时级别的使用模式。
引入一个新的分类器，对每段对话的输出进行标注。
分享更细粒度的数据，分别列出聊天和 Cowork 对话（合称“Claude 对话”）以及 1P API 的结果，按月度汇总。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期望？在理想情况下，他们希望从 AI 得到什么？我们报告了 Anthropic 经济指数调查的初步发现，该调查于 2026 年 4 月启动。

我们在下文预览主要发现。

在第 1 章中，我们展示了外部世界的节奏如何塑造 Claude 的使用。与工作相关的查询在周末减少，但在薪酬最高的职业中降幅没那么明显；人们倾向于在早晨询问新闻，睡眠建议在凌晨 5 点左右达到高峰；税务相关的请求在申报截止日期前后激增。
第 2 章探讨了人们从 Claude 会话中获得的具体产出。这些产出高度依赖于他们使用的是哪款产品。例如，Chat 和 Cowork 提供的解释比 Claude Code 更多。产出的性质也塑造了人们与 Claude 的交互方式。搭建网站留给 Claude 的判断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出物相关联；给定产出所消耗的 token 随该工作估计价值的上升而增加。
第 3 章呈现了 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。人们的预期和体验会随其使用 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 在未来一年会承担他们更多任务，但对这对他们工作意味着什么却最为乐观，预期会对薪酬、工作保障和意义感产生积极影响。

节奏

我们全新的隐私保护遥测技术每天持续对一部分对话进行采样，使我们能够研究按天和按小时的使用模式，这与以往每份经济指数报告所依据的七天采样形成对比。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相呼应，个人类提示词在周末激增。按小时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，在傍晚 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，与税务相关的请求在美国 4 月 15 日报税截止日期前激增。

工作周

在采样期间，被归类为个人用途的 chat 和 Cowork 3 对话占比从工作日的约 35% 激增至周末的略低于 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显著。

图 1.1：个人用途对话在周末增加在 Claude.ai、Claude Desktop、Claude Code 和 1P API 中，个人用途对话的每日占比。周六和周日以灰色阴影标示。

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，不过两者的个人用途基线占比都更低。4

请求聚类 5 让我们能够更深入地了解哪些具体的 Claude Code 任务在工作日与周末之间的波动最大。在周末，Claude Code 使用量下降最多的聚类包括后端架构、API 调试和数据存储。上升最多的则包括 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追求新的事业。在各个国家，与创业相关的对话在周六和周日达到最高。然而，求职活动在周末会下降，其他与工作相关的任务也是如此。6

每日节律

一小时接一小时地看，Claude 的使用情况反映了日常生活的节律。图 1.2 展示了全球流量中不同请求聚类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 点查询新闻。商务往来（例如撰写邮件）贯穿整个工作日，在上午 10 至 11 点略有高峰。最大的峰值之一是食谱请求，晚上 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，而人们则在临近黎明的几个小时里寻求睡眠建议。

图 1.2：一天之中的请求聚类归属于不同请求聚类的对话按小时归一化后的占比，仅限 Claude 聊天与 Cowork 数据。

在夜间和周末，当人们确实转向 Claude 处理工作时，任务会偏向更高薪酬的职业（图 1.3）。虽然我们无法确凿地识别发出这些请求的人所从事的工作，但这可能反映出，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，与处于最低两个四分位数的职业相关的任务——比如电话营销和文书工作——在总对话中所占的份额则较小。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，较高四分位数的任务在夜间和周末仍然有所增加。

图 1.3：夜间和周末工作相关对话占比的变化，按职业工资四分位数划分每根柱形显示的是在夜间和周末相对于工作日工作时段，来自指定工资四分位数的工作相关任务占比的百分比变化。工资四分位数使用 BLS 数据计算，按对话记录数量加权。

报税日

本报告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，税务相关对话的占比出现了大幅激增。4 月 14 日，税务相关聚类出现的频率是 5 月平均水平的八倍，4 月 15 日仍保持大致相同的高位。4 月 16 日则急剧下降。

图 1.4：税务相关对话在美国报税截止日期前激增美国及世界其他地区税务相关对话的占比。

产物

在本章中，我们按产物对 chat 和 Cowork 上的每一段对话（以下称“Claude 对话”）8 进行分类，并将其归入 30 多个类别。我们将 Claude 在一段对话中产出的主要输出——一份文档、一段解释、一段代码、一篇学术论文等等，无论是呈现在聊天窗口中还是作为单独文档——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 对话会产生某种产物（图 2.1）。9 最常见的产物是解释说明（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）与书面交付物（如文档或演示文稿）各自约占对话的三分之一；代码与技术类工作（如应用或脚本）约占六分之一。

图 2.1：Claude 的输出具有特定输出的对话占比。该图展示了 Claude 对话中最常见的十二种输出类型。1P API 的构成见附录。

一个输出是什么，并不能说明它是用来做什么的：同一个产物既可能是工作交付物，也可能是个人项目。我们接下来看看这一划分。

每种产物用于什么用途？

我们的1 月经济指数引入了一个基础分类方法，将每段对话归类为工作、个人或课程学习。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、指导建议和食谱的对话中，超过 80% 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可能看起来相当不同。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% 与工作相关的部分，大多表现为短视频脚本、影视剧本和演讲稿。最可能与工作相关的类别包括制作营销内容（80%）、撰写博客或文章（81%），以及编写数据库查询（82%）。

许多输出同样可能被用于个人和工作原因，包括制定计划或策略（44% 工作相关，49% 个人）或翻译（42% 工作，44% 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，而工作相关的计划则大多涉及创业策略或内容策略。

最后，具有课程作业特征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的查询，不过其中每一类都有相当一部分同时属于工作和个人用途类别。

图 2.2：按用例划分的产物占比带有特定输出的对话按用途分类为工作、个人和课程作业的占比。

我们也可以反过来问这个问题。与其问每个输出被用于什么，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%），其次是解释说明（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，同样以文档和报告居首（21%），紧随其后的是解释说明（20%）、教育材料（11%）和学术论文（6%）。相比之下——也在意料之中——只有6%的个人对话会产生文档。相反，最常见的结果是解释说明（25%）和推荐建议（22%）。

成本与工作价值同步

产生这些输出需要算力，而我们发现算力往往随工作价值而增长。我们以 token 来衡量每段对话的计算成本——即处理和生成的文本量，包括 Claude 的内部推理——并通过将每段对话所分类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 的左图显示了对话级 token 中位数与所映射职业的工资中位数之间存在正相关关系。10 例如，营销经理的收入大约是编辑的两倍（每小时 $80 对 $37），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，也有明显的离群值。例如，药剂师的收入几乎是统计助理的三倍（每小时 $68 对 $24），但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：高工资职业中的对话消耗更多 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）token 数量之间的关系，按总体均值归一化。两个变量均以对数刻度表示。右图：用于生成特定产物的 token 分布。黑线表示中位数，箱体表示 p25 和 p75，须线表示 p10 和 p90。所有数值均按总体 token 中位数归一化，并以对数刻度呈现。两个面板中的数据均限于 chat 和 Cowork，且限于被归类为工作相关的对话。token 计数未根据实际服务该对话的模型进行调整。

生成不同类型产物所消耗的 token 也讲述了类似的故事。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消耗的 token 是中位对话的三倍以上。而在另一端，一次典型的解释所消耗的 token 约为中位对话的五分之一。token 消耗中约 44% 的工资梯度可由输出组合来解释——高工资职业更有可能产出计算密集型的产物。

为什么这在经济上很重要？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），而用户参与更多（轮数为 1.53 倍），并更频繁地启用扩展思考（34% 的对话，相比之下为 31%；表 2.4）。关键在于，这些是同步变化的：Claude 产出更多并不意味着用户产出更少。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。它还表明，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。

表 2.4：高工资职业中更高 token 消耗的成因在映射到更高工资职业的对话中，促成更高 token 消耗的对话特征。职业按其工资中位数分为三档，并按匹配到各档的对话数量加权。与计算相关的指标按其最低档的几何均值进行归一化。例如，第一行显示，映射到最高档职业的典型对话消耗的 token 数量是映射到最低档职业的典型对话的 2.07 倍。

Claude 有多大自主权可以自行决定？

我们用 1-5 分的量表来衡量这一点，从“无”到“极高”。容易描述或明确指定的任务涉及的自主性很低：自主性最低的输出是数学或计算、翻译和问答。高自主性任务则是那些需要在众多可能选项中进行选择的任务，例如创建应用和网站、游戏或演示文稿。这类需要持续判断的工作，历来难以自动化。通过比较 Claude chat 和 Cowork 与 Claude Code 中的自主性水平，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 上的 AI 自主性水平都高于 chat 或 Cowork。11 例如，生成脚本和代码片段的对话在使用 Claude Code 创建时，其自主性比在 chat 或 Cowork 上生成相同输出的对话平均高出 0.53 分（在 1-5 分量表上）。在所有对话中，自主性的平均差异为 0.37 分，这有两个主要来源。12

大约三分之二的差异可以解释为：相同的任务在 Claude Code 上以更高的委托程度执行。博客文章和文章可以说明这一点：它们背后的请求和任务在这两个界面上是相似的，但人们与 Claude 协作的方式却截然不同。生成一篇博客文章或文章的中位数 chat 和 Cowork 对话涉及 13 轮来回交互，而生成博客的中位数 Claude Code 会话只包含一次人类提示。剩下的三分之一则反映了两个界面上输出类型构成的不同。

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 AI 自主性平均水平。AI 自主性按 1-5 分评分，从“无”到“极高”。

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 会话仍然表现出高出 0.26 分的自主性，这表明所使用的产品可能比底层模型更为重要。

从界面比较中退一步看，用户委托程度最高的输出类型，恰恰也是消耗算力最多的类型：在各类产物中，平均自主性和 token 使用中位数同步上升（聊天和 Cowork 中 r = 0.68；附录图 A.2）。

Claude 的回答水平高于被要求的水平

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词，一个针对 Claude 的回复——以理解文本所需的受教育年数来表示。13 我们发现阅读水平因产物类型的不同而差异很大。一个平均水平的查询如果产生学术论文，将需要超过 16 年的教育，大致相当于学士水平，且这些对话中有 15% 处于博士水平或以上（20 年或以上教育）。在光谱的另一端，是产生食谱或指南的对话，理解其提示词所需的受教育年数不到 10 年。

总体而言，输出阅读水平较高的 artifact 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，在几乎每一个类别中，Claude 的输出理解水平都高于提示词，平均大约高出相当于一年的教育程度。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）。部分差距可能仅仅源于语体差异；提示词往往简短且随意，而 Claude 倾向于用精炼的散文式语言回复。然而，对于面向受众的写作，这一差距几乎为零（博客 −0.1，学术论文 +0.0，电子邮件 +0.3），这可能是因为提示词通常起草的是与预期输出相同语体的语言或源材料。

**图 2.6：按 artifact 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 回复所需的估计教育年数。仅限于 chat 和 Cowork。

认知与看法

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场景中体验 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。我们对 81,000 名 Claude 用户的访谈于 2025 年 12 月进行，使用了 Anthropic Interviewer，呈现了一幅图景：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这项工作。该调查使我们能够直接询问人们使用 AI 与工作的体验，并探究回答如何随 Claude 使用情况而变化。我们使用隐私保护方法，将调查回答与 5 月中旬至 6 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，因此会话组合反映了每个人在各平台上的典型使用情况）。我们排除了会话少于 5 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，大多数受访者预期 AI 在未来一年将取得显著进展。尽管人们对 AI 能力的感知取决于其自身经验、所处地区以及其工作受 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“水涨船高”的态势相符，即 AI 能力将全面提升。

对于这一进步对他们自身职业意味着什么，人们的看法则不那么一致。处于职业早期的工作者报告称，AI 能完成他们工作中最高的比例，并对失业表达了最多的担忧。然而——与一种常见的担忧相反——那些把最多工作委托给 Claude 的人，对自己未来的劳动力市场前景最为乐观，并感到自己的技能价值正在增长。而且，尽管（或许也正是因为）他们身处 AI 前沿附近，受访者的平均期望在未来十年并非聚焦于被取代，而是聚焦于协作。他们希望 AI 能够保留有意义的工作、将枯燥乏味的劳作自动化，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普通人群。我们触达的是 Claude 用户的随机样本，在谁完成调查这一点上可能存在选择偏差，而且我们在分析中过滤掉了不频繁使用的用户。图 3.1 展示了调查受访者的职业构成（橙色）与美国就业情况（灰色）的对比。计算机与数学类职业的代表性过度最为严重，约占调查受访者的 30%——这与他们在 Claude 使用中所占的份额相当，但远高于他们在美国就业中 4% 的占比。管理类占受访者的 23%，15 相对于其 7% 的就业份额同样代表性过度严重，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这一情况相符：在调查中，许多受访者（尤其是那些经验更丰富的人）将判断力和管理列为 AI 所缺乏的能力。像运输与物料搬运、食品制备与服务相关、建筑与采掘这类体力职业类别在调查中代表性不足，在 Claude 会话中同样如此。

图 3.1：相较于美国整体就业结构，调查受访者高度集中于计算机与数学类以及管理类职业受访者报告其职业属于 22 个主要 SOC 大类中每一类的比例，16 与 OEWS 中各类职业在美国就业中所占比例进行对比。

AI 与工作任务

关于 AI 影响的研究往往聚焦于职业暴露度，即某一岗位中有多少比例的任务可以用 AI 完成。在此前的工作中，我们构建了一种观测暴露度的度量，它捕捉的是我们已经观察到正在用 Claude 完成的职业任务比例。我们将其与一种常用的理论暴露度度量进行了比较，后者指的是大语言模型理论上能够完成的职业任务比例。

理解职业暴露度的另一种方式，是直接询问人们 AI 能完成其工作中多大比例的任务。我们询问受访者，目前 AI 能完全独立完成其工作任务的多少比例（以下称报告暴露度），以及他们预计 12 个月后 AI 能处理多少比例（预期暴露度），选项为从“几乎没有”到“几乎全部”的五个区间。近六成受访者为明年选择的区间高于当前。超过三分之一的人预计明年 AI 能够完成其大部分或几乎全部工作任务（图 3.2）。

图 3.2：大多数受访者预计，AI 能完成的工作任务占比将在未来 12 个月内增长该图展示了受访者表示 AI 目前能完成的工作任务占比与 12 个月后能完成的任务占比的分布对比。

图 3.3 将报告暴露度与预期暴露度同观测暴露度和理论暴露度进行了比较。我们提出的问题是：人们所报告和预期的 AI 能力，是否与各职业的观测暴露度和理论暴露度衡量指标相一致；以及那些在观测暴露度或理论暴露度上得分较高的职业的受访者，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 个月后预期暴露度（橙色圆点）的最佳拟合线基本平行，这意味着观测暴露度或理论暴露度较高的岗位从业者，预期未来一年其工作任务中 AI 可完成占比的增长幅度，与观测暴露度和理论暴露度较低的岗位从业者大致相同。17 换言之，一名软件工程师和一名施工经理预期其所在职业取得的进展增量大致相同。

同样值得注意的是，报告暴露度系统性地高于观测暴露度。一种解释是，并非每个人都会从事某个职业中的所有任务，而我们的调查更多地触及了那些使用 AI 较多的人群。18 类似地，由于理论暴露度是可能性的上限，而非当前使用情况的衡量指标，因此理论暴露度系统性地高估了报告暴露度。

图 3.3：报告的和预期的暴露度与其他衡量指标的对比人们认为 AI 目前能完成的任务占比（报告的暴露度，灰色）以及 12 个月后能完成的任务占比（预期的暴露度，橙色），分别与观测暴露度（左图）和理论暴露度（右图）进行对照绘制。每个点代表一个职业，样本量较小的职业与暴露度相近的邻近职业合并，以确保隐私。报告的暴露度和预期的暴露度均取调查受访者所选区间组的中点计算得出。

我们还考察了对 AI 当前和未来能力的认知与受访者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占比约低 10 个百分点。这一模式与以下可能性一致：AI 可能替代低收入国家劳动者日常工作中更大比例的任务，尽管职业层面的暴露度指标——在发达经济体中往往更高——似乎指向相反的结论。事实上，IMF 已指出，虽然发达经济体整体上面临更广泛的 AI 暴露，但低收入国家的劳动者可能更难获得互补技能和基础设施，而这些正是让 AI 增强而非取代其工作的前提。在此前的研究中，我们发现即使在对任务组合差异进行调整后，低收入经济体也倾向于以更自动化的方式使用 Claude。

中间面板显示，受访者报告的和预期的暴露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，其认为 AI 能完成的任务占比比刚参加工作第一年的人大约低 10 个百分点。我们发现有证据表明，这可能是因为经验丰富的员工积累了难以被 AI 模仿的隐性知识或情境化专业知识。在后续问题中，我们询问受访者认为 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 年工作经验的人——还指出，其工作中的人际关系和人际交往维度——建立信任和管理人员——是 AI 无法复制的。

与 AI 的职业暴露程度一样，我们发现，人们对 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占比，普遍高于他们对 AI 当前能力的看法。

图 3.4：在 GDP 较高的国家和经验更丰富的劳动者中，报告的和预期的暴露程度更低，且随 Claude 自动化使用比例上升而增加报告的和预期的（12 个月）暴露程度与各国劳动年龄成年人人均 GDP（左）、工作年限（中）以及被归类为自动化的 Claude 会话占比（右）的关系。

我们接下来考察人们与 Claude 的交互方式与其当前对 Claude 能力认知之间的关系。与过往报告一致，我们区分与 Claude 协作的“自动化”与“增强”两种模式。当要求 Claude 在用户极少或完全没有输入的情况下完成任务时，我们将该对话识别为自动化。具体而言，自动化占比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”）的对话所占比例。21

图 3.4 的右侧面板显示，已报告的和预期中的暴露程度随自动化占比上升而上升。这可能是因为委托行为能提供关于能力的信息——把整个任务交出去的人会直接观察到 AI 能独立完成什么——也可能是因为那些本就相信 AI 能胜任自己工作的人最愿意把工作交出去。当我们把自动化占比替换为用于工作任务的会话占比，或在 Claude Code 中进行的会话占比时，同样的模式依然成立。22

AI 与就业

我们还询问了人们认为未来 12 个月自己的工作会如何变化。超过三分之一的受访者表示，职责很可能会或非常可能会发生重大变化（针对自己、同级同事、初级同事和高级同事）。10% 的人认为自己在未来一年很可能会或非常可能会失业。这略低于美国年化失业风险率；23 然而，由于我们的受访者偏向于就业稳定的知识工作者（这一群体在基线水平上可能面临低于平均水平的离职风险），这可能仍表明感知风险有所上升。当被问及是什么驱动了他们的预测这一开放性问题时，在认为失业很可能或非常可能的受访者中，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）的失业问题也更加担忧。

图 3.5：报告未来一年工作职责很可能或非常可能发生重大变化、或很可能或非常可能非自愿失业的人群占比报告工作职责很可能发生变化（左图）或个人很可能失去自己想要保留的工作（右图）的受访者占比，分别针对自己、同级同事、初级同事或高级同事。

那些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 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）；并研究了这些预期如何因 Claude 使用中自动化占比的不同而有所差异。

在所有六个维度上，与更多以增强方式使用 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更为乐观。我们看到，在对未来薪酬和找到工作能力产生积极影响的预期上，效应最为显著。26

图 3.6：在自动化程度更高的 Claude 用户中，报告预期 AI 对工作质量的经济维度和内在维度产生积极影响的人数占比更高该图展示了线性回归的系数估计值，回归以一个人是否预期 AI 对工作质量六个维度中的每一个产生积极影响为指标变量，以归一化的 AI 自动化占比为自变量。

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将整个任务交给它。我们无法完全排除这一点，但当我们控制用户在 Claude.ai 上的使用时长——我们可以将其视为热情度的代理变量，因为它捕捉了早期与后期采用者的差异——这些估计值并没有发生实质性变化。

另一种可能是，以更自动化方式使用 AI 的人，如今体验到了更多它带来的好处。与我们此前的发现一致，绝大多数人报告在工作速度、范围和质量上获得了生产力提升（分别为 86%、82% 和 69%），同时有 27% 的人报告通过节省原本需要购买的服务成本而获得收益。

除了显著的生产力提升之外，大多数人还报告通过 AI 学到了更多（68%），并感觉 AI 让他们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。

关于委派的一个常见担忧是，把整个任务交给 AI 意味着将思考外包出去，产出的提升以学习和技能退化为代价。我们在这里没有看到这种模式：更重度委派者的学习报告率与其他所有人相同。然而，这些都是自我评估，技能可能在变得更有价值、在某人报告学到更多的同时发生退化，因此这些数据并不能排除技能退化的可能。

图 3.7：报告其技能预期回报为正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的人占比（蓝色）以及使用 AI 时学到更多的人占比（橙色）之间的关系。

不同性别之间的使用方式差异

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，我们研究谁在以各种方式使用 Claude。最显著的差异体现在性别上。女性在我们关联受访样本中仅占 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），她们的自动化占比低 0.33 个标准差（7.3 个百分点）。相反，女性倾向于更迭代地使用 Claude，并且她们在聊天中记录的活跃时间比男性更多，这是更具协作性参与的一个信号。27

图 3.8：即使在控制职业差异之后，女性的使用模式仍明显不同该图展示了女性相对于男性的使用模式。每根柱条是女性与男性在该使用指标上的平均值之差，并控制了职业（SOC 小类），以结果的标准差表示。须线表示 95% 置信区间。样本仅限于自我认同为女性或男性的受访者。女性在 Claude Code 和自动化占比上显著更低，而总活跃分钟数更高。

人们希望从 AI 转型后的经济中得到什么？

Anthropic 经济指数调查呈现出人们对 AI 的正面与负面体验和情绪交织的图景，但我们以充满希望的基调结束了这项调查。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？”我们将每一份调查回答都通过分类器处理，为回答打上相关主题标签。下面展示的是被提及最多的五个主题。每个主题的更多描述可在附录中找到。

图 3.9：人们希望实现人机协作、将苦差事自动化并获得更多自由时间，同时希望 AI 带来的经济收益得到广泛共享本图展示了人们对“希望 10 年后由 AI 变革的经济是什么样子”这一开放式问题回答中最常见的五个主题。

最常被表达的主题是 AI 对工作的增强。超过半数的受访者表达了某种形式的期望：希望在有意义的工作中与 AI 协作，希望自己的职业仍然重要，和/或希望新兴行业涌现并创造新的就业机会。与此同时，略超过半数的受访者希望 AI 实现自动化——特别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，以及在工作之外追寻更多意义的空间。第三大常见主题由约三分之一的受访者提出，即共享繁荣：希望 AI 带来的经济收益能够得到广泛共享。

讨论

AI 正在经济中迅速扩散，渗透到越来越多的界面与场景，输出也越来越智能。在早期的 AI 聊天界面中，使用方式很简单，一切都被限制在聊天窗口内，没有网页搜索、工具调用、artifacts 或其他可供性。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极强。而我们最近的用户则将 Claude 用于在劳动力市场中工资较低的任务。

在本报告中，我们采取了若干步骤，朝着更具信息量的测量方式迈进。首先，我们开始以更高的频率进行测量，按小时采样处理数据。这揭示了日常生活的节奏如何被刻入我们的使用日志，也为未来的研究开辟了路径。其次，我们开始记录 artifacts，也就是人们从 Claude 那里带走的产出。这些记录让 Claude 的工作产出更加清晰可读，并展现出一些符合直觉的模式。

最后，使用数据所能承载的信息终究有限。我们的调查让我们第一次能够直接询问人们如何使用 AI，以及他们对 AI 的感受。我们发现，受访者对 AI 的使用程度超出了我们通常所认为的水平——他们报告称，AI 能完成其工作中比该职业的观测暴露度指标所暗示的更高的比例。当被要求预测明年的能力时，超过 35% 的人预测 AI 将能够完成他们大部分工作。

准确地对 Claude 所从事的工作进行分类，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与交换，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，既会体现在其使用日志中，也同样会体现在就业和生产率等经济总量指标上。尽管如此，AI 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，仍将是让公众知情的一个关键途径。

附录

可在此处获取。

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},
}

作者

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。

脚注

这包括来自 Claude.ai 和 Claude 桌面应用上消费者（Free/Pro/Max）账户的聊天对话和 Cowork 会话。"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，它既不同于 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。我们继续依据隐私和保留政策管理数据，我们的分析符合我们的条款、政策和合同协议。
在整个过程中，所有分析都基于保护隐私的分类器：对话记录仅由另一个 Claude 实例读取。随后我们会过滤掉任何观测数据不足的单元格，以确保分析保护隐私。
这包括在 Claude.ai 和 Claude 桌面应用上的聊天和 Cowork 标签页中进行的全部对话。Claude Code 和 API 流量则单独呈现。
"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，它既不同于 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。
请参阅我们的 Sonnet 3.7 报告和附录。
我们将创业活动定义为：详细请求聚类为创业、副业创收构想、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的比例。简历活动是指工件分类器将输出归类为简历或求职申请的对话。
一天中的时段基于从对话的 IP 地址推断出的状态。
本章数据涵盖 2026 年 4 月 10 日至 6 月 10 日期间采样的 chat 和 Cowork 对话。在自主性讨论对不同界面进行比较之处，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。
“无”是一个笼统归类，用于那些未产生显著具体输出的对话。这可能包括简短或中途放弃的交流、导致错误的案例，或 Claude 提出了澄清性问题而用户未继续的案例。
我们对对话级别的 token 数量使用几何平均数，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，或按各自成本对 token 加权以考虑所用模型的组合，这一关系也非常相似。也有一些值得注意的例外，包括医生职业。
要更全面地了解 Claude Code，请参阅我们的配套报告。
最大的例外是数据和电子表格，在这类场景中，chat 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 chat 和 Cowork 上，这类输出偏向于财务建模和仪表盘，由 Claude 设计结构；而在 Claude Code 上，则偏向于结构化提取和打标签，其规格说明更为精确。Cowork 中数据与电子表格工作既占比过高又尤其自主，这构成了 chat 和 Cowork 提升的一部分原因。
关于此次分类所用提示词的详细信息，请参见我们 3 月报告的附录。
在我们的用户群体之外，Anthropic Public Record 所生成的更具结构化的调查数据中也呈现出类似模式，该调查是一项覆盖超过 50,000 名美国人的全国代表性调查。
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% 表示自己是有雇员的企业主，21.7% 表示自己是自雇或承包商。其余人目前未就业，所报告的是其最近一份职业。
不包括军人。
由于回答是分箱的——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——本图中的斜率存在向零偏倚。因此，我们将斜率的比较作定性解读，而非精确估计。不过，若改用“报告 AI 至少能完成本人 60% 工作任务”这一指示变量来估计该关系，这些模式（正斜率以及近乎平行的直线）依然稳健，而该指示变量不受中点编码的影响。
分箱式回答量表很可能也起了作用：由于中点编码会把所报告的任务占比拉离两端极值，即便不存在任何实质性差异，观测到的暴露度也会倾向于显得在暴露度最低的职业中低估了 AI 的能力，而在暴露度最高的职业中高估了 AI 的能力。
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 World Bank WDI（2024）和 UN World Population Prospects（2024）来估算劳动年龄人口，并使用 IMF World Economic Outlook（2025 年估计值）来获取 GDP。
我们询问调查受访者在当前或密切相关岗位上拥有多少年经验。
协作模式分类器将对话记录映射到以下交互模式之一：

指令式：人类将完整任务执行委托给 AI，交互极少
反馈循环：人类与 AI 进行迭代式对话以完成任务，人类主要提供来自环境的反馈
任务迭代：人类与 AI 进行迭代式对话以完成任务，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 来检查或验证自己的工作

工作占比与 Claude Code 占比都与自动化程度呈正相关：Claude Code 是一款智能体工具，其会话平均而言比聊天或 Cowork 中的会话自动化程度更高，而工作会话同样比个人会话更偏向自动化。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其更大比例的工作任务。因此，对这些指标进行控制会削弱自动化占比与任务占比之间的关系（当前、12 个月后以及变化量），但这三种关系仍然均为正且具有统计显著性。
美国裁员与解雇率（BLS JOLTS，非农总计，经季节性调整）在截至 2026 年 4 月的 12 个月中平均约为每月就业人数的 1.1%，折合年化约 13.4%，因此 10% 略低于非自愿离职事件的实际年度发生率。
这个问题的提问同时涉及岗位变化预测和岗位流失预测。因此，38% 是那些将自身岗位流失预测归因于 AI 的人群比例的上限。
这反映了一个常见的模式：人们对自己处境的评价往往比对他人的处境更为乐观。类似的现象在新冠疫情期间也曾被观察到，当时自我报告的财务状况好于人们对国家经济的感知。
这与国家 GDP 和经验的情况形成对比——在后者中，较低的 GDP 和经验与更高的任务占比相关（如图 3.4 所示）以及更高的自述岗位流失概率。
虽然这可能是由于 chat/Cowork 与 Claude Code 之间的替代效应所致，但即使在控制 Claude Code 会话占比后，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。