Anthropic 经济指数报告：节奏

引言

一年前，大多数 Claude 的使用场景是用户与助手之间的对话。随着 Claude Code 和 Cowork 的快速增长，Claude 会话现在越来越多地由长期运行的 agentic 任务组成。聊天记录已无法完全反映人们如何使用 AI，我们研究 Claude 经济影响的方法也必须随之调整。

为了跟上步伐，我们对经济指数的数据管道进行了几项更改。在此版本中，我们：

• 以更高的频率采样数据，使我们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，用于标记每个对话的输出。
• 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 的结果按月汇总后分别列出。¹

我们在附录中描述了其他方法论上的变化。这些变化共同描绘了一幅更清晰的图景，展示 AI 如何反映并渗透到经济生活中。

此外，我们之前一直缺乏对 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期望？在理想情况下，他们希望从 AI 那里得到什么？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。

我们在下方预览主要发现。

• 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。与工作相关的查询在周末会减少，但在收入最高的职业中，这种减少不那么明显；人们倾向于在早上询问新闻，睡眠建议在凌晨 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 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 的互动。与翻译文档（答案主要由文本决定）相比，构建网站给 Claude 留下了更多判断空间。我们还看到，更多的计算资源与更有价值的产物相关联；给定产出消耗的 token 数量随着工作的估计价值而增加。

• 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其与 Claude 使用数据关联起来。期望和体验随人们使用 Claude 的方式而系统性地变化：以最自动化方式使用 Claude 的人期望 AI 在未来一年承担更多他们的任务，但同时也对他们工作的意义感到最乐观，预期对薪酬、工作保障和工作意义产生积极影响。

第一章：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，使我们能够研究每日和每小时的使用模式，这与之前每份经济指数报告所依赖的七天样本形成对比。这些分析捕捉了全球工作模式的潮起潮落。²

我们发现 Claude 的使用反映了工作周的模式，个人提示在周末激增。每小时数据捕捉了日内模式——人们最常在凌晨 5 点左右寻求睡眠建议，在下午 6 点左右寻求食谱。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

在样本期间，被归类为个人使用的聊天和 Cowork ³ 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、营销文案和幻灯片转向情感支持、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：个人对话在周末增加跨 Claude.ai、Claude Desktop、Claude Code 和 1P API 的个人使用对话的每日占比。周六和周日以灰色阴影显示。

Claude Code 和 1P API 流量（即直接通过 Anthropic 路由的 API 流量）中也存在类似模式，尽管两者的个人使用基线率较低。⁴

请求聚类 ⁵ 使我们能够深入一层，查看哪些特定的 Claude Code 任务在周末和工作日之间波动最大。在周末，下降最多的 Claude Code 使用聚类包括后端架构、API 调试和数据存储。增加最多的包括 AI agent 设计、量化交易和游戏。

周末也可能为人们追求新事业创造了空间。在各个国家，与创业相关的对话在周六和周日最高。然而，求职活动以及其他与工作相关的任务在周末会下降。⁶

每日节奏

逐小时来看，Claude 的使用反映了日常生活的节奏。图 1.2 显示了不同请求聚类相对于其在全球流量中总体平均值的每小时频率。⁷

人们在当地时间早上 7 点询问新闻。商务信函（例如，起草电子邮件）描绘了工作日的轨迹，在上午 10-11 点略有峰值。最大的峰值之一是食谱请求，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上，而人们在黎明前几个小时寻求睡眠建议。

图 1.2：一天中不同时间的请求聚类归一化后的每小时对话占比，这些对话属于不同的请求聚类，仅限于 Claude 聊天和 Cowork 数据。

在夜间和周末，当人们确实为工作而使用 Claude 时，任务偏向于高薪职业（图 1.3）。虽然我们无法确切地确定提出这些请求的人的工作，但这可能反映了这样一个事实：从事高薪职业的人——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，与收入最低两个四分位数的职业（如电话销售和文书工作）相关的任务在总对话中的占比下降。这种模式并非仅由计算机和数学任务驱动：当我们在稳健性检验中将这些职业从分析中移除时，较高四分位数的任务在夜间和周末仍然增加。

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个条形图显示了在夜间和周末与工作日工作时间相比，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。工资四分位数是使用 BLS 数据计算的，并按转录本数量加权。

报税日

本报告样本期涵盖了美国人的报税截止日期。图 1.4 显示，在截止日期前后，与税务相关的对话占比出现大幅飙升。在 4 月 14 日，与税务相关的聚类出现的频率是 5 月平均日的 8 倍，并且在 4 月 15 日仍保持同样高的水平。在 4 月 16 日，它们急剧下降。

图 1.4：与美国报税截止日期前，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占比。

产物

在本章中，我们根据产物对聊天和 Cowork（以下简称“Claude 对话”）⁸ 上的每个对话进行分类，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、一个解释、一段代码、一篇学术论文等，无论是呈现在聊天窗口中还是作为单独文档——称为产物。完整的产物列表见附录。

我们的分类器识别出 93% 的 Claude 对话产生了产物（图 2.1）。⁹ 最常见的产物是解释（占对话的 17%）、文档和报告（15%）以及指导（11%）。对话式输出（如解释或指导）和书面交付物（如文档或演示文稿）各约占对话的三分之一；代码和技术工作（如应用程序或脚本）约占六分之一。

图 2.1：Claude 的输出具有特定输出的对话占比。该图显示了 Claude 对话中最常见的十二种输出类型。1P API 的混合情况见附录。

输出是什么并不能告诉你它的用途：同一个产物可能是工作交付物，也可能是个人项目。我们接下来看看这种区分。

每种产物的用途是什么？

我们在一月份的经济指数中引入了一个原语，将每个对话分类为工作、个人或课程作业。在这里，我们将这种区分应用于 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。超过 80% 产生创意写作、指导和食谱的对话被归类为个人用途。在类别内部，个人用途和工作相关用途可能看起来非常不同。例如，个人创意写作以同人小说、世界构建和诗歌为主；其中 13% 与工作相关的部分主要是短视频脚本、剧本创作和演讲稿的形式。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%）。

许多输出同样可能用于个人和工作原因，包括创建计划或策略（44% 工作相关，49% 个人）或翻译（42% 工作，44% 个人）。例如，最常见的个人计划产物类型包括旅行行程和锻炼计划，而工作相关计划最常涉及创业或内容策略。

最后，课程作业的特征产物包括创建学术论文和学位论文、教育材料以及与数学相关的查询，尽管每个类别中都有不可忽视的一部分同时属于工作和个人类别。

图 2.2：按用例划分的产物占比具有特定输出的对话占比，按其目的分类为工作、个人和课程作业。

我们也可以反过来问这个问题。我们不问每种输出的用途，而是问工作、个人和课程作业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（9%）、电子邮件草稿（7%）以及分析和总结（6%）。课程作业对话看起来大致相似，文档和报告也占主导（21%），紧随其后的是解释（20%）、教育材料（11%）和学术论文（6%）。相比之下——毫不奇怪——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%）。

成本与工作价值挂钩

产生这些输出需要计算资源，我们发现计算资源往往与工作的价值成正比。我们以 token（处理的文本量，包括 Claude 的内部推理）来衡量每个对话的计算成本，并通过将每个对话的分类任务映射到通常执行该任务的职业来进行跨职业比较。在本节中，我们将分析限制在与工作相关的对话上。

图 2.3 的左图显示了对话级别的中位数 token 数量与映射职业的中位数工资之间的正相关关系。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），而映射到他们任务的对话消耗的 token 数量大约是后者的 2.5 倍。诚然，这种关系存在噪音，并且有明显的异常值。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），但映射到药剂师任务的对话使用的 token 数量仅约为后者的二十分之一。

图 2.3：高薪职业的对话消耗更多 token左图：给定职业的中位数工资与分类为该职业某任务的对话中典型（几何平均）token 数量之间的关系，已按总体平均值归一化。两个变量均以对数刻度表示。右图：生成给定产物所使用的 token 分布。黑线表示中位数，方框表示第 25 和第 75 百分位数，须线表示第 10 和第 90 百分位数。所有数字均按总体中位数 token 数量归一化，并以对数刻度呈现。两图中的数据均限于聊天和 Cowork，且仅限于分类为工作相关的对话。Token 计数未根据服务于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，关于构建应用程序的对话消耗的 token 是中位数对话的三倍以上。在光谱的另一端，一个典型的解释消耗的 token 约为中位数对话的五分之一。token 消耗中约 44% 的工资梯度可由输出组合解释——高薪职业更有可能产生计算密集型产物。

为什么这在经济上很重要？在映射到高薪职业的对话中，Claude 产出更多（每轮输出是 1.34 倍），而用户参与度更高（轮次是 1.53 倍），并且更频繁地启用扩展思考（34% 的对话对比 31%；表 2.4）。关键的是，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。这也表明，在某种程度上，更有价值的输出成本更高。下一节将考察每个对话中有多少决策权被委托给了 Claude。

表 2.4：高薪职业中更高 token 消耗的原因导致映射到高薪职业的对话中更高 token 消耗的对话特征。职业按其工资中位数分为三组，并按匹配到每个职业的对话数量加权。与计算相关的度量已按其最低三分位数组的几何平均值归一化。例如，第一行显示，映射到最高三分位数组职业的典型对话消耗的 token 数量是映射到最低三分位数组职业的典型对话的 2.07 倍。

Claude 在多大程度上可以自主决策？

我们以 1-5 的等级来衡量，从“无”到“极高”。易于描述或指定的任务涉及很少的自主性：自主性最低的输出是数学或计算、翻译和问答。高自主性任务是那些需要在众多可能选择中进行选择的任务，例如，创建应用程序和网站、游戏或演示文稿。这类需要持续判断的工作，历来难以自动化。通过比较 Claude 聊天和 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（显示的 31 个输出中的 26 个），Claude Code 上的 AI 自主性水平高于聊天或 Cowork。¹¹ 例如，使用 Claude Code 创建脚本和代码片段的对话，其自主性（在 1-5 等级上平均）比在聊天或 Cowork 上产生相同输出的对话高出 0.53 分。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是由于在 Claude Code 上执行相同任务时委托程度更高。博客文章和文章说明了这一点：在这两种界面上，其背后的请求和任务是相似的，但人们与 Claude 合作的方式截然不同。产生博客文章或文章的典型聊天和 Cowork 对话涉及 13 轮来回交流，而产生博客的典型 Claude Code 会话只包含一个人类提示。剩下的三分之一反映了两种界面上输出类型组合的差异。

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 1-5 等级从“无”到“极高”进行评分。

人们可能会怀疑这种差异仅仅反映了模型选择。Claude Code 会话运行在最强大模型上的频率要高得多（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服务的对话时，这种差距仍然存在。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。

从界面比较中退一步来看，用户委托最多的输出类型也是消耗计算资源最多的类型：跨产物来看，平均自主性和中位数 token 使用量同步上升（聊天和 Cowork 上 r = 0.68；附录 图 A.2）。

Claude 的回答水平高于提问水平

对于每个对话，一个分类器会估计两个阅读水平——一个用于用户的提示，一个用于 Claude 的回答——表示为理解文本所需的教育年限。¹³ 我们发现阅读水平因产物类型而异。产生学术论文的平均查询需要超过 16 年的教育，大致相当于学士水平，其中 15% 的对话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导的对话，理解提示所需的教育年限少于 10 年。

一般来说，输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）。然而，我们也观察到，在几乎每个类别中，Claude 输出的理解水平都高于提示，平均大约高出一年教育。差距最大的地方是用户描述要构建的内容，例如图像和图形（+2.6 年）、游戏（+1.9）以及应用程序和网站（+1.7）。部分差距可能仅仅是语域问题；提示通常简洁且非正式，而 Claude 倾向于用精炼的散文回答。然而，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，这可能是因为提示通常是用与预期输出相同的语域起草语言或源材料。

图 2.6：按产物划分的用户提示和 Claude 回答的阅读水平理解用户提示和 Claude 回答所需的估计教育年限。仅限于聊天和 Cowork。

认知

前两章展示了人们如何使用 Claude，但并未深入探讨人们在工作场所体验 AI 的方式——他们期望自己的工作和职场如何变化，他们对 AI 当前和潜在影响的感受，以及他们对这项技术的期望。我们于 2025 年 12 月使用 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，但也表达了对替代的担忧。这些担忧集中在早期职业工作者以及我们观察到 Claude 承担最多工作的职业中。¹⁴

2026 年 4 月，我们启动了 Anthropic 经济指数调查，以在此基础上继续推进。该调查使我们能够直接询问人们关于他们使用 AI 和工作的体验，并探索回答如何随 Claude 的使用而变化。我们使用隐私保护方法将调查回复与 5 月中旬至 6 月初的使用数据关联起来。为了描述每个受访者的使用模式，我们在此时间窗口内随机抽取每人最多 20 个会话（跨 Claude.ai、Cowork 和 Claude Code，以便会话组合反映每个人跨界面的典型使用情况）。我们排除了会话少于 5 个的受访者，以减少抽样噪音。我们最终的关联样本包含约 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。虽然人们对 AI 能力的看法取决于他们的经验、居住地以及他们的工作受 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 AI 能力广泛提升的“水涨船高”现象一致。

对于这种进步对他们自身职业生涯意味着什么的看法则不那么一致。早期职业工作者报告说，AI 可以完成他们工作中最高比例的任务，并且对失业表达了最多的担忧。然而——与一种常见的担忧相反——将任务委托给 Claude 最多的人对其未来的劳动力市场结果最为乐观，并认为他们的技能价值在增长。尽管（或者也许正是因为）他们接近 AI 的前沿，但平均受访者对未来十年的期望并非替代，而是协作。他们希望 AI 能够保留有意义的工作，自动化枯燥乏味的任务，并且其收益能够得到广泛分享。

谁回应了经济指数调查

经济指数调查并不代表总体人口。我们接触到的是 Claude 用户的随机样本，完成调查的人可能存在选择性偏差，并且我们从分析中过滤掉了不频繁的用户。图 3.1 显示了调查受访者的职业构成（橙色）以及美国就业人口（灰色）。计算机和数学职业的代表性过高，约占调查受访者的 30%——与其在 Claude 使用中的占比相当，但远高于其在美国就业人口中 4% 的占比。管理层占受访者的 23%，¹⁵ 相对于其 7% 的就业占比也严重过高，尽管它仅占会话的 4%。这种差距与管理层使用 Claude 执行管理本身以外的任务是一致的：在调查中，许多受访者（尤其是经验更丰富的受访者）将判断力和管理能力列为 AI 所缺乏的能力。体力劳动职业类别，如运输与物料搬运、食品制备与服务相关以及建筑与开采，在调查中的代表性不足，正如它们在 Claude 会话中的情况一样。

图 3.1：与美国就业人口相比，调查受访者严重偏向计算机与数学以及管理职业报告其职业属于 22 个主要 SOC 组 ¹⁶ 中每一个的受访者占比，与来自 OEWS 的每个职业在美国就业人口中的占比进行比较。

AI 与工作任务

关于 AI 影响的研究通常侧重于职业暴露度，即给定工作中 AI 可以完成的任务比例。在之前的工作中，我们构建了一个观察到的暴露度指标，该指标捕捉了我们已观察到使用 Claude 完成的职业任务比例。我们将其与一个常用的理论暴露度指标 ¹⁷ 进行了比较，后者衡量的是大型语言模型理论上可以完成的职业任务比例。

理解职业暴露度的另一种方法是直接询问人们 AI 能够完成他们多少工作。我们询问受访者，AI 今天可以完全独立完成他们多少工作任务（以下简称报告暴露度），以及他们预计 AI 在 12 个月内能处理多少（预期暴露度），并提供了从“几乎没有”到“几乎所有”五个选项。近六成受访者选择了比今天更高的未来一年选项。超过三分之一的人预计明年 AI 能够完成他们大部分或几乎所有的工作任务（图 3.2）。

图 3.2：大多数受访者预计未来 12 个月内 AI 能够完成的工作任务比例将会增长该图显示了受访者认为 AI 今天能完成的工作任务比例与 12 个月后能完成的比例的分布。

图 3.3 比较了报告暴露度和预期暴露度与观察暴露度和理论暴露度。我们询问人们报告和预期的 AI 能力是否与跨职业的观察暴露度和理论暴露度指标一致，以及其职业在观察暴露度或理论暴露度上得分较高的受访者是否预期未来一年会有更快的进步。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：报告暴露度和 12 个月后的预期暴露度（橙点）的最佳拟合线基本平行，这意味着在观察暴露度或理论暴露度高的职位上工作的人，与在观察暴露度和理论暴露度较低的职位上工作的人相比，预计明年 AI 能完成的工作任务比例的增长大致相同。¹⁷ 换句话说，软件工程师和建筑经理预计其职业内的进步幅度大致相同。

同样值得注意的是，报告暴露度系统地高于观察暴露度。对此的一种解释是，并非每个人都会执行某个职业中的所有任务，而我们的调查不成比例地覆盖了那些更频繁使用 AI 的人。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度量，因此理论暴露度系统地高估了报告暴露度。

图 3.3：报告暴露度和预期暴露度与其他指标的比较人们认为 AI 今天能完成的任务比例（报告暴露度，灰色）和 12 个月后能完成的比例（预期暴露度，橙色）与观察暴露度（左图）和理论暴露度（右图）的关系。每个点代表一个职业，样本量小的职业与暴露度相近的职业分组以确保隐私。报告暴露度和预期暴露度计算为调查受访者所选区间的中点。

我们还考察了对 AI 当前和未来能力的看法如何与受访者的特征和使用模式相关联。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 现在能为他们完成的任务平均比例大约低 10 个百分点。这种模式与以下可能性一致：AI 替代了低收入国家工人日常执行的更大比例任务，即使职业层面的暴露度指标（在发达经济体中往往更高）表明情况并非如此。事实上，IMF 已经指出，虽然发达经济体总体上面临更广泛的 AI 暴露，但低收入国家的工人可能更难以获得使 AI 能够增强而非替代其工作的互补技能和基础设施。在早期工作中，我们记录了低收入经济体倾向于以更自动化的方式使用 Claude，即使在调整了任务组合差异之后也是如此。

中间图显示，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刚工作第一年的人低大约 10 个百分点。我们发现证据表明，这可能是因为经验丰富的工人积累了 AI 难以模仿的隐性或情境专业知识。在后续问题中，我们询问人们他们认为 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，还指出他们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。

与职业对 AI 的暴露度一样，我们发现对未来 AI 能力提升的看法与人均 GDP 和工作年限基本不相关。预计 AI 在 12 个月内能够完成的任务比例普遍高于对 AI 当前能力的看法。

图 3.4：报告暴露度和预期暴露度在高 GDP 国家和经验更丰富的工人中较低，并随自动化的 Claude 使用而上升报告暴露度和预期（12 个月）暴露度与国家人均 GDP（左）、工作经验年限（中）以及被分类为自动化的 Claude 会话占比（右）的关系。

接下来，我们考察人们与 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，我们区分了与 Claude 协作的“自动化”和“增强”模式。当 Claude 被要求完成一项任务而用户几乎不提供输入时，我们将对话识别为自动化。具体来说，自动化占比是指其模式为指令性（“翻译这份文档”）或反馈循环（“编辑这封电子邮件……让它更随意”）的对话占比。²¹

图 3.4 的右图显示，报告暴露度和预期暴露度随自动化占比上升。这可能是因为委托行为能反映能力——将整个任务交给 AI 的人直接观察到 AI 能独立完成什么——或者因为已经相信 AI 能完成其工作的人最愿意将其交出。当我们用专门用于工作任务的会话占比或在 Claude Code 中进行的会话占比替换自动化占比时，同样的模式也成立。²²

AI 与工作

我们还询问人们认为他们的工作在未来 12 个月内将如何变化。超过三分之一的受访者表示，职责发生重大变化（对他们自己、同事、初级同事和高级同事而言）的可能性很大或非常大。10% 的人认为自己失业的可能性很大或非常大。这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稳定就业的知识工作者（这个群体在基线水平上可能面临低于平均水平的离职风险），这可能仍然表明感知风险升高。当被问及是什么推动了他们的预测时，38% 认为自己失业可能性很大或非常大的受访者将其预测归因于 AI。²⁴ 值得注意的是，受访者平均而言更担心他人而非自己失业。²⁵ 受访者尤其担心他们的初级同事失业，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%。受访者也更担心低收入国家（所有人）的失业问题。

图 3.5：报告称明年工作职责很可能发生重大变化或有人将非自愿失业的人群比例报告称自己、同事、初级同事或高级同事的工作职责很可能发生变化（左图）或个人将失去他们想保留的工作（右图）的受访者比例。

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 AI 在未来一年对工作的六个维度（薪酬、工作保障、找到新工作的能力（经济维度）以及意义、自主性和人际互动（内在维度））的预期影响，并观察这些预期如何随 Claude 使用的自动化占比而变化。

在所有六个维度上，与那些以更增强方式使用 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感到更乐观。我们观察到对未来薪酬和找到工作能力的积极影响预期的影响最大。²⁶

图 3.6：在更自动化的 Claude 用户中，报告 AI 对工作质量的经济和内在维度产生积极预期影响的人群比例更高该图显示了将一个人是否预期 AI 对工作质量的六个维度中的每一个产生积极影响的指标，对归一化的 AI 自动化占比进行线性回归的系数估计值。

一个自然的问题是，为什么自动化使用和情绪会同步变化。这种关系可能由选择性偏差解释，即对 AI 最热情的人也最愿意将整个任务交给它。我们不能完全排除这种可能性，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的代理变量，因为它捕捉了早期采用者与后期采用者）时，这些估计值并没有发生有意义的变化。

另一种可能性是，以更自动化方式使用 AI 的人今天体验到了更多好处。与我们之前的发现一致，绝大多数人报告在工作的速度、范围和质量方面获得了生产力提升（分别为 86%、82% 和 69%），而 27% 的人报告通过节省他们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，大多数人还报告通过 AI 学到了更多东西（68%），并感觉 AI 使他们的技能变得更有价值（57%）。图 3.7 显示了这两个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自动化占比上升，而报告学到更多东西的比例大致持平。

关于委托的一个常见担忧是，将整个任务交给 AI 意味着卸载思考，产出的增加是以学习和技能退化为代价的。我们在这里没有看到这种模式：重度委托者报告的学习率与其他人相同。然而，这些都是自我评估，即使技能变得更有价值并且有人报告学到更多东西，技能也可能退化，因此数据不能排除技能退化的可能性。

图 3.7：报告其技能获得积极预期回报的人群比例随自动化占比增加，而报告学到更多东西的比例持平该图显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。

不同性别之间的使用差异

到目前为止，我们已经探讨了使用模式如何与期望和行为相关联。接下来，我们研究谁以各种方式使用 Claude。最显著的差异是按性别划分。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，她们将 Claude 用于工作的可能性也略低，她们在 Claude Code 中的会话占比低 0.24 个标准差（6.3 个百分点），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，并且她们在聊天上记录的活动时间比男性更多，这是更具协作性参与的信号。²⁷

图 3.8：即使在控制了职业差异之后，女性也具有明显不同的使用模式该图显示了女性与男性相比的使用模式。每个条形图是女性与男性在该使用指标上的平均值之差，控制了职业（SOC 次要组），以结果的标准差表示。须线显示 95% 置信区间。样本仅限于自认为是女性或男性的受访者。女性的 Claude Code 和自动化占比显著较低，而总活跃分钟数较高。

人们对 AI 转型后的经济有何期望？

Anthropic 经济指数调查揭示了人们对 AI 的积极和消极体验与情绪的混合，但我们以一个充满希望的注脚结束了调查。最后一个开放式问题要求受访者“大胆梦想：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运行了每个调查回复，该分类器用相关主题标记了回复。我们在下面展示了最常被引用的前五个主题。每个主题的附加描述可在附录中找到。

图 3.9：人们希望人机协作、自动化枯燥工作并获得更多空闲时间，以及 AI 带来的经济收益能够得到广泛分享该图显示了人们对“你希望十年后由 AI 塑造的经济是什么样子”这一开放式问题的回答中最常见的五个主题。

最常见的主题是 AI 增强工作。超过一半的调查受访者表达了某种形式的愿望，希望与 AI 协作从事有意义的工作，希望自己的职业生涯仍然重要，和/或希望新产业出现并创造新的就业机会。同时，刚好超过一半的受访者希望 AI 自动化——特别是他们工作中繁琐的部分——这样他们就能有更多空闲时间和更多空间在工作之外寻找意义。第三个最常见的主题，由约三分之一的调查受访者表达，是共同繁荣：希望 AI 带来的经济收益能够得到广泛分享。

讨论

AI 正在迅速渗透到整个经济中，跨越越来越多的界面，产生越来越智能的输出。在早期的 AI 聊天界面中，使用很简单，局限于聊天窗口，没有网络搜索、工具调用、产物或其他功能。现在，Claude 模型可以通过 Claude Code 和 Cowork 自主运行数小时。随着这些形式的变化，用户群体也在发生变化。早期采用者技术性很强。我们最新的用户将 Claude 应用于劳动力市场中工资较低的任务。

在本报告中，我们采取了几个步骤来实现更具信息量的测量。首先，我们开始更频繁地进行测量，以小时样本处理数据。这揭示了日常生活的节奏如何铭刻在我们的使用日志中，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 那里获得的输出。这使得 Claude 的工作输出更加清晰易读，并显示出一些直观的模式。

最后，使用数据只能承载有限的信息。我们的调查使我们能够首次直接询问人们如何使用 AI 以及他们的感受。我们发现，我们的调查受访者使用 AI 的程度超出了我们的预期——他们报告说 AI 能完成的工作比例高于其职业的观察暴露度指标所显示的水平。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的工作。

准确分类 Claude 所做的工作将始终是一个移动的目标。例如，随着 AI 能力的增强，AI 可能会越来越多地相互交互和交换，也许是以人类或简单分类器难以理解的方式。最终，Claude 对经济的影响将像在其使用日志中一样，体现在就业和生产力等经济总量中。尽管如此，AI 很可能在其承担最多工作的领域产生最早的影响，因此阐明这些不断变化的使用模式仍将是告知公众的关键方式。

附录

可在此处获取：链接

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},
}

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.