引言：AI技术的快速扩散
人工智能技术的采纳速度前所未有。仅在美国，就有40%的员工报告在工作中使用AI，而2023年这一比例仅为20%。这种快速采纳反映了AI技术在多种应用场景中的实用性、现有数字基础设施上的可部署性以及无需专业培训即可使用的便捷性。前沿AI技术的持续改进可能从多个维度强化了这种快速采纳趋势。
历史上，新技术需要数十年才能实现广泛采纳。电力在城市化供电后用了30多年才进入农村家庭；第一台面向大众市场的个人电脑于1981年进入早期市场，但又过了20年才进入美国家庭的多数；即使是快速普及的互联网也花了大约5年时间才达到AI在两年内实现的采纳率。
AI技术为何能如此迅速地被接受？简而言之，即使是变革性技术也需要时间在整个经济中扩散，消费者采纳的地域集中度需要降低，企业需要重组业务运营以充分利用新技术能力。企业的采纳过程——从狭窄的任务开始，然后扩展到更通用的应用——是重要技术传播并产生变革性经济影响的重要方式。
换句话说，早期技术采纳的一个标志是它的集中性——无论是在少数地理区域还是企业中的少数任务上。正如本报告所记录的，21世纪的AI采纳似乎遵循了类似的模式，尽管时间线更短，强度比20世纪的技术扩散更大。
Claude.ai使用模式的演变
在本报告的第一章中，我们确定了过去八个月Claude.ai使用中的显著变化，这些变化伴随着底层模型能力的改进、新功能的发布以及Claude用户群的扩大。
主要发现：
- 教育和科学使用份额上升：尽管Claude用于编程的使用在我们的总样本中仍占主导地位(36%)，但教育任务从9.3%跃升至12.4%，科学任务从6.3%增至7.2%。
- 用户赋予Claude更多自主权："指令式"对话(用户将完整任务委托给Claude)从27%跃升至39%。我们看到编程中的程序创建增加了4.5个百分点，调试减少了2.9个百分点——这表明用户可能能够在单次交流中实现更多目标。
AI采纳的地理格局
我们首次发布了Claude.ai使用数据在150多个国家和美国各州的地理分布情况。为了研究扩散模式，我们引入了Anthropic AI使用指数(AUI)，用于衡量Claude.ai的使用相对于其劳动年龄人口在经济体中是否过度或代表性不足。
主要发现：
- AUI与收入在国家间高度相关：与以往的技术一样，我们看到AI使用在地理上高度集中。新加坡和加拿大按人均计算的使用率最高，分别是基于其人口预期的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)在内的新兴经济体使用Claude较少。
- 在美国，地方经济因素塑造使用模式：华盛顿特区领先人均使用率(3.82倍人口份额)，但犹他州紧随其后(3.78倍)。我们看到证据表明，区域使用模式反映了当地经济的独特特征：例如，加利福尼亚IT使用率较高，佛罗里达金融服务使用率较高，华盛顿特区文档编辑和职业辅助使用率较高。
- 领先国家使用更加多样化：低采纳国家倾向于更多地使用编程，而高采纳地区在教育、科学和商业应用方面表现出多样性。例如，编程任务占印度所有使用任务的50%以上，而全球约占三分之一。
- 高采纳国家自动化程度较低，增强使用较多：在控制了国家的任务组合后，低AUI国家更可能委托完成整个任务(自动化)，而高采纳地区则倾向于更多的学习和人机迭代(增强)。
早期AI采纳的地理不均对经济收敛的影响
19世纪末和20世纪初的变革性技术——广泛电气化、内燃机、室内管道不仅开创了现代经济增长时代，而且伴随着全球生活水平的巨大差异。
如果高采纳经济体的生产力收益更大，当前的使用模式表明AI的收益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 seen的增长趋同。
系统化的企业AI部署
在最后一章中，我们首次披露了大量第一方(1P)API流量的见解，揭示了公司和开发者使用Claude完成的任务。重要的是，API用户通过编程方式访问Claude，而不是通过网络用户界面(如Claude.ai)。这展示了早期采用企业如何部署前沿AI能力。
主要发现：
- 1P API使用虽与Claude.ai使用相似，但在专业化方面有所不同：1P API使用和Claude.ai使用都专注于编程任务。然而，1P API在编程和办公/行政任务上的使用率更高，而Claude.ai在教育写作任务上的使用率更高。
- 1P API使用以自动化为主导：77%的企业使用涉及自动化使用模式，而Claude.ai用户约为50%。这反映了API使用的编程性质。
- 能力在塑造企业部署中比成本更重要：我们API数据中最常用的任务往往比不太常用的任务成本更高。总体而言，我们发现价格敏感度较弱的证据。模型能力和可行地自动化给定任务的经济价值似乎在塑造企业使用模式方面发挥更大作用。
- 上下文限制复杂使用：我们的分析表明，为模型策划适当的上下文对于AI在复杂领域的高影响力部署很重要。这意味着对于某些公司来说，昂贵的数据现代化和组织投资以获取上下文信息可能是AI采纳的瓶颈。
开源数据推动独立研究
与之前的报告一样，我们已经开源了底层数据，以支持对AI经济影响的独立研究。这个全面的数据集包括Claude.ai和1P API流量的任务级使用模式(映射到O*NET分类法以及自下而上的分类)，按任务划分的协作模式细分，以及我们方法的详细记录。目前，地理使用模式仅适用于Claude.ai流量。
教育和科学任务的持续崛起
尽管计算机和数学任务仍然以36%的比例主导整体使用，但我们看到知识密集型领域的持续增长。教育指导和图书馆任务从V1的9%上升到V3的12%。生命、物理和社会科学任务从6%增加到7%。与此同时，商业和金融运营任务的相对份额从6%下降到3%，管理从5%下降到3%。
这种分化表明，AI采纳可能在涉及知识综合和解释的任务中扩散得特别快，而传统业务运营则较慢——可能是因为这些任务从Claude的推理能力中获益更多。
新能力塑造使用模式
在更细致的层面上，我们记录了任务组成的变化，这些变化似乎与V2和V3之间发布的功能相关。例如，搜索电子来源和数据库大幅增长(0.03%→0.49%)，可能反映了我们3月发布的网络搜索功能。此外，我们还看到基于互联网的研究任务有所增加(0.003%→0.27%)，这与我们4月发布的研究模式相一致。
我们还看到其他类型的变化。与开发教学材料相关的任务增加了1.3个百分点，从0.2%增长到1.5%——增长了6倍多，可能反映了教育工作者中采用的持续增长。创建多媒体文档增加了0.4个百分点，从0.16%增加到0.55%，可能是由我们Artifacts功能的持续使用推动的，用于在Claude.ai中构建传统和AI驱动的应用程序。
有趣的是，涉及创建新代码的任务份额增加了一倍多，增加了4.5个百分点(从4.1%到8.6%)，而调试和错误修正任务下降了2.8个百分点(从16.1%到13.3%)——净转变7.4个百分点，从修复代码转向创建代码。这可能表明模型变得越来越可靠，用户在单次交互中花费更少的时间解决问题，更多的时间创建东西。
指令式自动化加速
与之前的报告一样，我们不仅跟踪人们使用Claude做什么，还跟踪他们如何在Claude.ai上与Claude协作或委托任务。
在高层次上，我们区分使用Claude的_自动化_和_增强_模式：
**自动化**包括专注于任务完成的交互模式：
- 指令式：用户给Claude一个任务，它以最少的来回完成
- 反馈循环：用户自动化任务并根据需要向Claude提供反馈
**增强**专注于协作交互模式：
- 学习：用户向Claude询问各种主题的信息或解释
- 任务迭代：用户与Claude协作迭代任务
- 验证：用户要求Claude对其工作提供反馈
从Claude.ai对话中抽样的_指令式_对话份额从2024年底V1的27%上升到2025年V3的39%。这种增加主要来自于_任务迭代_和_学习_交互的减少，意味着展示自动化使用模式的对话份额有了显著增加——仅八个月就有所增加。这是第一份自动化使用超过增强使用的报告。
全球AI采纳的集中性
Claude采纳整体上在地理上高度集中。就全球总使用量而言，美国占比最高(21.6%)，下一个使用量最高的国家占比明显较低(印度为7.2%，巴西为3.7%)。然而，这种集中性受到各国人口规模的影响——较大的国家可能仅因其人口规模而拥有更大的使用份额。
调整人口规模后，Claude人均使用集中在技术先进国家
为了消除人口规模差异，我们分析了调整劳动年龄人口后的使用情况，引入了一个名为Anthropic AI使用指数(AUI)的新衡量标准：对于每个地理区域，我们计算其Claude使用份额及其劳动年龄人口(15-64岁)份额。然后我们通过除以这些份额来计算AUI：
AUI = (地理区域Claude使用份额) / (地理区域劳动年龄人口份额)
这个指数揭示了一个地区相对于其劳动年龄人口预期使用Claude是多还是少。AUI > 1的地区在调整人口后使用率高于预期，而AUI < 1的地区使用率低于预期。
结果显示出在小技术先进经济体中集中的显著模式。以色列以7的Anthropic AI使用指数引领全球人均Claude使用——这意味着其劳动年龄人口使用Claude的频率是基于其人口的7倍。新加坡以4.57位居第二，澳大利亚(4.10)、新西兰(4.05)和韩国(3.73)则完成了人均Claude使用的前五名国家。
领先国家和新兴国家的深入分析
这种在人口有限的技术先进经济体中的集中性反映了它们作为技术先锋的既定模式。例如，以色列和新加坡在全球创新指数中排名都很高——衡量全球不同经济体创新能力的指标——表明对信息技术的总体投资使经济能够快速采用前沿AI。总体而言，这些经济体可以利用其受过教育的劳动力、强大的数字基础设施和创新友好的政策，为AI创造有利条件。
值得注意的是主要发达经济体在Claude使用中的地位。美国(3.62)按人均采纳率位居领先国家之列，加拿大(2.91)和英国(2.67)的采纳率相对于其人口较高但较为温和。其他主要经济体的采纳率较低，包括法国(1.94)、日本(1.86)和德国(1.84)。
与此同时，许多中低收入经济体的Claude使用量很少，非洲、拉丁美洲和亚洲许多地区的Claude采纳率低于其劳动年龄人口预期。这包括玻利维亚(0.48)、印度尼西亚(0.36)、印度(0.27)和尼日利亚(0.2)。
这种使用差异反映了这些经济体之间的收入差异。我们看到Claude采纳与人均国内生产总值之间存在强烈的正相关关系，人均GDP每增加1%，人均Claude使用量就增加0.7%。
美国各州的Claude扩散
在美国，加利福尼亚州以25.3%的使用率遥遥领先。其他主要科技中心州如纽约(9.3%)、德克萨斯(6.7%)和弗吉尼亚(4.0%)也排名很高。虽然没有调整人口规模，但我们怀疑这些强劲的采纳数据部分反映了科技中心的快速采纳——这与历史上具有经济意义的技术往往倾向于扩散的方式一致。
然而，当我们调整每个州的人口规模时，情况变得更加复杂。令人惊讶的是，哥伦比亚特区以3.82的Anthropic AI使用指数领先，表明哥伦比亚特区的Claude使用率是其国家劳动年龄人口份额的3.82倍。紧随其后的是犹他州(3.78)，明显领先于加利福尼亚(2.13)、纽约(1.58)和弗吉尼亚(1.57)。
国家间任务使用模式的差异
我们观察到不同国家使用Claude的方式存在显著差异。与过去的报告一样，我们使用两种不同的方法分析这些趋势。首先，我们根据ONET将对话分类为任务，ONET是一个将特定任务映射到职业和职业组的美国分类法(例如，涉及软件调试的任务将属于计算机和数学职业组)。
其次，我们使用Claude构建了一个关于Claude.ai用户请求的自下而上分类法，这提供了不符合现有分类法的使用模式的见解。例如，请求集群"帮助撰写和改进求职信"(最低级别)进入更高级别的集群"帮助求职申请、简历和职业文件"(中间级别)，然后又进入集群"帮助求职申请、简历和职业发展"(最高级别)。这两种互补的方法使我们既能报告与标准劳动统计数据一致的结果，又能捕捉标准分类法可能错过的任务。
较高人均Claude使用与更多样化的任务使用相关
当我们分析在最高级别汇总的O*NET任务(根据它们所属的标准职业分类职业组)时，我们注意到各国之间存在强烈差异。虽然整体模式很嘈杂——特别是对于观察值较少的国家——图2.7表明，随着我们从较低到较高的人均Claude采纳进展，使用从计算机和数学职业组的任务(如编程)转向更多样化的任务，如教育、办公和行政用途以及艺术。我们还看到生命、物理和社会科学的使用有所增加。
国家特有的使用模式
当我们查看自下而上的请求分类法时，也出现了国家特有的模式。例如，美国、巴西、越南和印度代表了每个Anthropic AI使用指数类别内总使用量最高的国家。与美国全球平均水平相比，美国用户不成比例地使用Claude进行家庭管理、搜索工作和医疗指导。相比之下，巴西的Claude用户在翻译和法律服务方面的使用率相对较高。越南的主要过度请求与软件开发和教育相关，而印度的主要过度请求几乎完全专注于软件开发。这可能反映了当地专业化：巴西是司法系统AI的早期采用者，而印度拥有庞大的信息技术部门。
美国各州的任务使用模式
在本节中，我们探索美国各州Claude使用模式，进一步了解当地经济条件如何塑造使用模式。如上所述，美国各州Anthropic AI使用指数的差异只能解释各州收入差异不到一半的变异。这表明其他区域差异——包括Claude能力与当地劳动力职业结构的兼容性——在决定为什么某些州的使用比其他州更集中方面发挥更大作用。
在许多州，我们看到AI使用的当地模式与当地经济的独特特征相一致的证据。当我们分析每个使用类别中的顶级州——领导类别的加利福尼亚、中上类别的德克萨斯、中下类别的佛罗里达和新兴类别的南卡罗来纳——时，我们在自下而上的请求分类法中看到强烈差异。
例如，加利福尼亚在IT相关请求、数字营销和翻译方面的不成比例使用，可能反映了其科技部门和语言多元化人口。加利福尼亚在基本数学任务方面的请求也异常频繁，这可能代表模型能力测试或滥用。佛罗里达在商业建议和健身方面的不成比例使用，可能与作为金融中心的角色、相对较低的税率以及适合户外活动的温暖气候有关。
地理格局中的人机协作模式
虽然前面的部分研究了人们使用Claude做什么任务，但一个同样引人注目的模式出现在他们如何与之互动上。在这里，我们使用与第一章相同的增强和自动化协作模式。
各国具有不同的任务组合，这意味着它们专注于不同的经济任务，这可能在某种程度上解释了自动化模式的差异。在本节中，我们调查即使在控制任务组合差异的情况下，低和高人均采纳经济体是否在自动化使用上系统性地不同。
我们发现，即使在控制了国家的任务组合后，不同国家的用户在自主委托与协作交互方面表现出明显不同的偏好。随着人均Claude使用的增加，国家从以自动化为重点转向以增强为重点的使用。这有点违反直觉，因为我们控制了不同国家之间更多样化的任务组成。我们推测文化和经济因素可能影响自动化份额，或者每个国家的早期使用者倾向于以更汽车化的方式使用AI——但需要更多研究。
企业API使用的专业化
为了分析API流量，我们应用了前几章相同的隐私保护分类方法——将匿名API转录本按O*NET任务分类并归入自下而上的分类法。出现的模式显示企业使用集中在特别适合自动化的专业任务上。
总体而言，软件开发占据主导地位。在前15个使用集群中——约占所有API流量的一半——大多数与编码和开发任务相关。调试Web应用程序和解决技术问题各占约6%的使用，而构建专业业务软件代表了另一个重要部分。值得注意的是，约5%的API流量专门用于开发和评估AI系统本身。
但并非所有API使用都用于编程。API客户还部署Claude来创建营销材料(4.7%)和处理业务及招聘数据(1.9%)。这两个类别表明，AI不仅被直接用于商品和服务的生产，还被用于人才招聘和外部沟通。
职业细分与任务专业化
尽管服务于具有不同界面的不同用户，但API和Claude.ai使用在任务上遵循相似的幂律分布。在Claude.ai对话中，底部80%的任务类别仅占12.7%的使用量；对于API客户，则更加集中，为10.5%。这些极端集中(基尼系数为0.84和0.86)揭示了AI-任务匹配的巨大差异——最佳匹配任务的使用量比 poorly 匹配的任务高出几个数量级。
考虑到两个平台不同的用户群和用例，这种相似性尤其显著。两者都汇聚到类似的集中水平，表明AI能力与相关经济任务之间存在共同的匹配过程。
像代码生成这样的任务之所以占主导地位，是因为它们处于模型能力出色、部署障碍最小、员工可以快速采用新技术的最佳位置。很少使用的任务的长尾部可能反映了几个因素。例如，一些任务本身就不太常见——调试软件发生的频率远高于谈判马戏团合同。极端的集中性也表明了O-Ring力量的潜在作用：如果任务需要Claude无法处理的推理级别、公司无法访问的内部数据或不存在的监管批准，任何单一障碍都可能阻止采纳。
API转录本中的自动化与增强
API和Claude.ai使用之间最明显的区别在于人类和AI如何分工。当企业将Claude嵌入其应用程序时，他们主要是委托单个任务，而不是与模型协作迭代。
在我们的数据中，77%的API转录本显示自动化模式(特别是完整任务委托)，而增强模式(如协作改进和学习)仅为12%。基于Claude.ai的对话样本，自动化与增强的比例几乎持平。跨经济任务来看，通过API实现的Claude自动化程度甚至更加明显：97%的任务在API使用中显示以自动化为主导的模式，而在Claude.ai上仅为47%。
这从直觉上是合理的。编程式API访问自然适合自动化：企业提供上下文，Claude执行任务，输出直接流向最终用户或下游系统。
Claude做的越多，需要知道的就越多
为什么我们的API客户使用Claude处理某些任务多于其他任务？除了基本的模型能力外，一个潜在的重要解释是，对于某些任务来说，提供Claude成功部署所需的信息比其他任务更容易。
例如，如果目标是让Claude重构复杂软件开发项目中的模块，Claude可能需要阅读——至少探索——整个代码库以了解要进行哪些更改以及在哪里进行。对于具有集中式代码库的软件开发，原则上访问这些信息是直接的。
对于其他任务，适当的上下文可能不容易获得，或者可能难以访问。例如，要求Claude为关键客户制定销售策略可能需要Claude不仅访问客户关系管理系统中的信息，还需要访问客户经理、营销人员和外部联系人头脑中的隐性知识。在其他条件相同的情况下，缺乏此类上下文信息将使Claude能力降低。
每个任务的成本与任务间的替代模式
API客户按令牌付费，这导致部署Claude处理不同任务的成本存在差异。更复杂的任务由于其更高的输入和输出令牌计数而往往成本更高。这种差异有助于我们探索成本是否是决定企业选择用Claude自动化的任务的主要因素。
数据表明不是，至少相对而言。例如，计算机和数学职业的典型任务成本比销售相关任务高50%以上，但却主导了使用。总体而言，我们发现成本与使用之间存在正相关：较高成本的任务往往有较高的使用率。
成本与使用之间的正相关表明成本在企业AI部署模式中作用不大。相反，企业可能优先在模型能力强大且Claude驱动的自动化产生足够经济价值以超过API成本的领域使用。
结论：不均衡采纳的经济影响
我们的API数据捕捉了企业AI采纳的早期阶段：高度集中、以自动化为重点，并且令人惊讶地缺乏价格敏感性(至少在我们API客户使用Claude的任务中)。
77%的自动化率表明企业使用Claude来委托任务，而不是作为协作工具。这种系统性的部署可能是AI在整个经济中带来更广泛生产力收益的重要渠道。鉴于业务部署中明显的自动化模式，这也可能带来劳动力市场的颠覆，可能取代那些最有可能面临自动化的工人角色。
但对劳动力市场的影响并不完全清楚。如上所述，复杂任务需要不成比例的更多上下文。此类信息可能分散在组织中。在这种情况下，对业务运营具有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。理解AI采纳对劳动力市场的不均衡影响是未来研究的重要领域。
希望有效采用AI的企业可能需要重组他们组织和维护前沿系统所依赖信息的方式。今天这种狭隘的、以自动化为重点的采纳是否会演变为更广泛的部署，将很可能决定AI未来的经济影响。
政策启示
AI采纳的不均衡模式对政策制定者提出了重要挑战。如果AI的生产力收益集中在已经繁荣的地区和易于自动化的行业，现有的不平等可能会扩大而非缩小。政策制定者需要关注AI使用的地域集中性和采纳问题，并解决数字鸿沟加深的风险。
促进更广泛AI采纳的策略可能包括：
- 投资数字基础设施，特别是在新兴经济体
- 开发针对当地需求的AI应用
- 提供AI技能培训项目
- 创建支持中小企业采用AI的政策框架
- 确保AI治理考虑不同地区的特殊需求
随着AI能力的不断进步，我们将继续密切关注这些趋势，并为导航我们这个时代最重要的经济转型提供实证基础。归根结底，变革性AI的经济影响将受到技术能力和社会政策选择的同等塑造。
