人工智能技术的采用速度正以前所未有的方式改变全球经济格局。根据Anthropic经济指数最新报告，AI技术不仅扩散速度快于以往任何技术，其采用模式也呈现出独特的地理和企业分布特征。本报告基于对Claude.ai和Anthropic API使用数据的分析，揭示了AI技术在全球范围内的不平等采用现状，以及企业层面部署的独特模式。这些发现不仅有助于我们理解AI的经济影响，也为政策制定者和企业领导者提供了重要参考。
技术采用的新范式：速度与集中性
AI技术的采用速度创造了历史记录。仅在美国，就有40%的员工报告在工作中使用AI，这一比例在2023年仅为20%。这种快速采用反映了AI技术的实用性、在现有数字基础设施上的可部署性以及易于使用的特点——用户只需通过打字或说话即可使用，无需专业培训。
历史上，新技术需要数十年才能实现广泛采用。电力在实现城市电气化后花了30多年才到达农村家庭；第一台面向大众市场的个人电脑于1981年到达早期采用者，但又花了20年才到达美国大多数家庭；即使是快速普及的互联网也花了大约五年时间才达到AI在两年内实现的采用率。
这种快速采用部分源于AI技术与以往技术的本质差异。与电力、个人电脑和互联网不同，AI技术可以无缝集成到现有工作流程中，无需大规模的基础设施投资。此外，AI的"即插即用"特性降低了采用门槛，使得个人和组织能够快速体验其价值。
然而，快速采用并不意味着均匀分布。正如报告所指出的，早期技术采用的一个标志是其集中性——无论是在地理区域还是企业任务方面。AI采用似乎遵循了类似模式，尽管在时间线比20世纪的技术更短，强度也更大。
全球AI采用的不平等格局
Anthropic报告首次引入了Anthropic AI采用指数(AUI)，衡量Claude.ai使用情况是否相对于工作年龄人口被过度或代表不足。这一指数揭示了AI采用的显著地理不平等。
收入与AI采用的高度相关性
AUI与收入水平之间存在强烈的相关性。新加坡和加拿大的人均使用率分别达到预期水平的4.6倍和2.9倍。相比之下，包括印度尼西亚(0.36倍)、印度(0.27倍)和尼日利亚(0.2倍)在内的经济体使用Claude的比例较低。
这种不平等分布反映了几个关键因素：
数字基础设施差异：高采用率国家通常拥有强大的互联网连接和云计算能力，这是访问AI助手的基础设施前提。
经济结构差异：如报告所述，Claude的能力非常适合知识工作者的各种任务。发达经济体知识工作者的比例高于低收入经济体，后者制造业就业比例更大。
监管环境差异：各国政府对不同行业AI使用的鼓励程度以及对技术的监管力度各不相同。
意识和获取渠道差异：与硅谷和AI研究社区联系更紧密的国家可能对Claude有更高的认知度和获取渠道。
信任和接受度差异：公众对AI的信任度在不同国家之间存在显著差异。
美国国内的采用差异
在美国，哥伦比亚特区(DC)的人均使用率领先(3.82倍人口份额)，犹他州紧随其后(3.78倍)。加州虽然总体使用量最高(占全国总使用量的25.3%)，但按人口调整后排名第三(2.13倍)。
这些差异反映了当地经济特征的影响。例如：
- 加州IT相关请求的使用率较高，反映了其科技产业
- 佛罗里达州商业建议和健身服务的使用率较高，与其作为金融中心的地位以及适宜户外活动的气候有关
- 华盛顿特区在文档编辑、信息提供和求职申请方面的使用率不成比例地高
任务使用的地理差异
报告还揭示了不同地区AI任务使用的显著差异：
低采用国家倾向于编程主导：在印度，编程任务占所有使用量的超过一半，而全球平均水平约为三分之一。
高采用国家应用更加多样化：高采用地区在教育、科学和商业领域表现出多样化的应用。
协作模式的差异：控制任务组合后，低AUI国家更倾向于委托完整任务(自动化)，而高采用地区倾向于更多的学习和人机迭代(增强)。
这些差异表明，AI的采用不仅是技术问题，还与当地经济结构、文化因素和组织习惯密切相关。
企业AI采用的模式与挑战
通过分析Anthropic的第一方(1P) API流量，报告首次提供了企业部署前沿AI能力的独特见解。API用户通过编程方式访问Claude，而非通过网页用户界面，这展示了早期采用企业如何部署前沿AI能力。
企业与消费者使用的异同
企业API使用与Claude.ai使用既有相似之处，也有显著差异：
相似之处：
- 两者都高度重视编程任务
- 都遵循类似的幂律分布，少数任务占据大部分使用量
显著差异：
- 企业API使用在编程和办公/行政任务方面更高，而Claude.ai在教育写作任务方面更高
- 企业API使用以自动化为主(77%的业务使用涉及自动化使用模式)，而Claude.ai用户则较为均衡(约50%)
自动化主导的企业采用
企业使用AI的模式反映了API的编程性质。77%的企业使用涉及自动化使用模式，相比之下，Claude.ai用户约为50%。这种系统性的部署可能是AI在更广泛经济中提高生产率的重要渠道，但也可能对劳动力市场带来干扰，特别是对那些最有可能被自动化的工作岗位负责的工人。
能力比成本更重要
尽管不同任务在成本上存在显著差异，但最常用的任务往往成本更高。总体而言，证据表明价格敏感性较弱。模型能力和自动化特定任务的经济价值似乎在塑造企业使用模式方面发挥着更大作用。
当控制任务特征时，我们发现每个1%的成本增加与使用频率减少0.29%相关。虽然这与价格越高需求越少的标准经济理论一致，但成本下降带来的使用量增加有限。根据这一估计，特定任务成本降低10%只会使使用量增加约3%。
上下文约束：企业采用的关键瓶颈
报告发现了一个重要发现：复杂任务需要不成比例的更多上下文信息。这种信息可能分散在组织中。在这种情况下，具有关于业务运营隐性知识的工人可能作为复杂AI驱动自动化的补充而受益。
对于每个O*NET任务，我们计算相关API转录文的平均输入和输出长度。我们发现，输出长度在不同任务之间存在很大差异。例如，输出长度第90百分位的任务比第10百分位的任务长4倍以上。
这种关系表明，部署AI进行复杂任务可能更多地受到信息获取的限制，而不是基础模型能力的限制。无法有效收集和组织 contextual 数据的公司可能在复杂的AI部署方面面临困难，这可能是更广泛企业采用的潜在瓶颈——特别是对于那些对业务运营至关重要的隐性、分散知识的职业和行业。
政策启示与未来展望
AI采用的不平等格局引发了对经济收敛的重要问题。19世纪末和20世纪初的变革性技术——广泛电气化、内燃机、室内管道——不仅开启了现代经济增长时代，还伴随着全球生活标准的巨大差异。
如果高采用经济体的生产力增益更大，当前的采用模式表明AI的好处可能集中在已经富裕的地区——可能增加全球经济不平等，并逆转近几十年来 seen 的增长收敛。
缩小AI采用差距的策略
为了实现AI惠及全球人民的潜力，政策制定者需要关注AI使用和采用的本地集中度，并解决数字鸿沟加深的风险。可能的策略包括：
投资数字基础设施：确保新兴市场和发展中经济体获得必要的互联网连接和计算资源。
技能发展计划：为工人提供适应AI经济的技能培训，特别是在采用率较低的地区。
支持中小企业采用：开发针对中小企业的AI采用计划和激励措施，这些企业往往资源有限。
促进知识共享：建立平台促进高采用地区与低采用地区之间的知识和技术转移。
未来研究方向
报告开放了基础数据以支持关于AI经济影响的独立研究。希望这些数据能帮助他人研究以下关键问题：
AI使用和采用对工人和企业的当地劳动力市场影响是什么？
决定各国和美国内部AI采用的因素是什么？如何确保AI的好处不仅累积到已经富裕的经济体？
每任务成本在塑造企业部署模式中扮演什么角色？
为什么企业能够自动化某些任务而不是其他任务？这对哪些类型的工人将面临更好或更差的就业前景有何影响？
结论
Anthropic经济指数第三份报告捕捉了AI在关键时刻的采用情况。Claude和其他前沿AI系统的现有能力已经准备好改变经济活动，考虑到该技术的广泛适用性。快速发展的AI能力只会强化巨大变革即将到来的结论。
然而，早期的AI采用明显不均匀。使用目前集中在少数任务中，地理差异显著，且与收入高度相关——尤其是在国家之间。这种集中反映了AI能力、部署便利性和经济价值一致的地方：编程和数据分析使用率高，而需要分散上下文或复杂监管导航的任务则落后。
企业对Claude的早期采用在某种程度上与消费者使用相似(两者最常见的用途都是编程)，但在几个重要方面也有所不同。特别是，通过API以编程方式访问Claude时，企业倾向于更多地使用自动化。这种系统性的企业部署反映了AI如何重塑经济活动：提高整体生产力，但对那些现有职责被自动化的工人的影响尚不确定。
这些模式有造成分歧的风险。如果AI的生产力增益集中在已经繁荣的地区和自动化就绪的行业，现有的不平等可能会扩大而非缩小。如果AI自动化提高了具有组织隐性知识的工人的生产力——正如我们的一些证据所示——那么经验丰富的工人可能会看到需求上升和工资提高，而入门级工人则面临更差的劳动力市场前景。
我们仍处于AI驱动经济转型的早期阶段。政策制定者、商业领袖和公众现在采取的行动将塑造未来几年的发展。我们将继续跟踪这些模式，随着AI能力的进步，并为引导我们这个时代最重要的经济转型之一提供实证基础。
