引言：AI采用速度的历史性突破
人工智能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%。1 这种前所未有的采用速度反映了AI技术已展现出广泛的实用性，能够部署在现有数字基础设施上，并且通过简单的打字或语音操作即可使用，无需专门培训。前沿AI的持续改进可能进一步强化了这些方面的快速采用。
历史对比显示，新技术通常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多年才进入农村家庭。第一台面向大众市场的个人电脑于1981年问世，但在美国进入大多数家庭又花了20年时间。即使是快速普及的互联网也大约花了五年时间才达到AI在两年内实现的采用率。2
这种差异的关键在于，新技术——即使是具有变革性的技术——需要时间在整个经济中扩散，消费者采用需要减少地理集中度，企业需要重组业务运营以充分发挥新技术的潜力。企业的采用过程，从最初针对狭窄的任务集，到后来应用于更广泛的通用目的，是重要技术传播并产生变革性经济影响的重要途径。3
简而言之，早期技术采用的一个显著特点是它具有集中性——无论是在地理区域上，还是在企业内的任务上。正如本报告所记录的，21世纪的AI采用似乎也遵循着类似的模式，尽管其时间线更短，强度比20世纪的技术扩散更大。
Claude.ai使用模式的时间演变
在本报告的第一章中，我们识别了过去八个月Claude.ai使用模式的重要变化，这些变化伴随着底层模型能力的改进、新产品功能的发布以及Claude用户群体的扩大。
主要发现：
- 教育和科学使用份额上升：尽管Claude用于编程的使用仍占我们总样本的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互中实现更多目标。
新功能塑造使用模式
在更细致的层面，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%），这很可能反映了我们三月份发布的网络搜索功能。此外，基于互联网的研究任务也显著增加（0.003%→0.27%），这与我们四月份发布的研究模式相一致。1
我们还观察到其他类型的变化。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，这可能反映了教育工作者中采用的增长。2 创建多媒体文档增加了0.4个百分点，从0.16%增至0.55%，几乎是原来的三倍，这可能是持续使用我们的Artifacts功能在Claude.ai中构建传统和AI驱动应用的结果。
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%）——净变化是7.4个百分点向创建而非修复代码转变。这可能表明模型变得越来越可靠，用户花在解决问题上的时间减少，在单次交互中花在创建上的时间更多。3
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：
自动化涵盖专注于任务完成的交互模式：
- 指令：用户给Claude一个任务，它以最少的来回互动完成
- 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协作迭代完成任务
- 验证：用户要求Claude对他们的工作提供反馈
从Claude.ai对话中抽样的指令式对话份额从2024年底V1的27%增加到V3的39%。这种增加主要来自于任务迭代和学习互动的减少，意味着显示出自动化使用模式的对话份额显著增加——仅在八个月内就有明显增加。这是第一次自动化使用超过增强使用的报告。
一种解释是这是模型能力提高的结果。随着模型在预测用户需求和首次尝试就产生高质量输出方面变得越来越好，用户可能需要更少的后续改进。指令式使用的增加也可能表明用户越来越信任将完整任务委托给AI，这是一种通过实践学习的形式。4
指令式使用的增长是否归因于改进的模型能力或通过实践学习，可能预示着截然不同的劳动力市场影响。如果更先进的模型只是扩大了自动化任务的范围，那么执行这些任务的工人被取代的风险就会增加。然而，如果指令式使用的增长反映了通过实践学习，那么最能适应新AI驱动工作流程的工人可能会看到更大的需求和更高的工资。换句话说，AI可能使一些工人比其他人受益更多：它可能使那些最能适应技术变革的工人获得更高的工资，而适应能力较低的工人则面临工作中断。5 这将是未来研究的重要领域。
AI采用的地理分布
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细分数据。为了研究扩散模式，我们引入了Anthropic AI使用指数(AUI)来衡量Claude.ai的使用是否在经济中被过度或不足代表。
主要发现：
- AUI与国家收入高度相关：与以往的技术一样，我们看到AI使用在地理上高度集中。新加坡和加拿大是人均使用率最高的国家，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，当地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)。我们有证据表明，地区使用模式反映了当地经济的独特特征：例如，加利福尼亚州IT使用率较高，佛罗里达州金融服务使用率较高，华盛顿特区文档编辑和职业援助使用率较高。
- 领先国家使用更加多样化：采用率较低的国家倾向于看到更多的编程使用，而高采用地区在教育、科学和商业应用方面显示出多样化的应用。例如，在印度，编程任务占所有使用的一半以上，而全球大约占三分之一。
- 高采用国家显示较少自动化、更多增强使用：在按国家控制任务组合后，低AUI国家更可能委托完整任务(自动化)，而高采用地区倾向于更多的学习和人机迭代(增强)。
早期AI采用的地理不均衡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。4
如果高采用经济体的生产力收益更大，当前的使用模式表明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。5
AI的企业系统性部署
在最后一章中，我们首次对我们大部分第一方(1P)API流量提供了独特见解，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)。这显示了早期采用企业如何部署前沿AI能力。
主要发现：
- 1P API使用与Claude.ai使用相似但有专业化差异：1P API使用和Claude.ai使用都专注于编码任务。然而，1P API在编码和办公/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%的商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。模型能力和自动化给定任务的经济价值似乎在塑造企业使用模式中起着更大的作用。
- 上下文限制复杂使用：我们的分析表明，为模型策划合适的上下文对于AI在复杂领域的高影响部署很重要。这意味着对于一些公司来说，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采用的瓶颈。
开源数据促进独立研究
与之前的报告一样，我们已经开源了基础数据，以支持对AI经济影响的独立研究。这个综合数据集包括Claude.ai和1P API流量的任务级使用模式(映射到O*NET分类以及自下而上的类别)，按任务划分的协作模式细分，以及我们方法的详细文档。目前，地理使用模式仅适用于Claude.ai流量。
我们希望这些数据能帮助他人研究的关键问题包括：
- AI使用和采用对工人和公司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的好处不仅流向已经富裕的经济体？
- 每任务成本在塑造企业部署模式中扮演什么角色？
- 为什么公司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会有更好的或更差的就业前景有何影响？
地理不均衡采用的经济含义
AI采用的地理不均衡模式对全球经济和劳动力市场有着深远影响。历史表明，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。4
如果高采用经济体的生产力收益更大，当前的使用模式表明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。5
这种不均衡采用模式可能加剧现有的经济差距。高收入国家由于拥有更好的数字基础设施、更多的知识工作者、更友好的创新政策和更高的AI技术认知度，能够更早、更广泛地采用AI技术。而低收入国家则面临数字鸿沟、基础设施不足、技能差距和政策障碍等挑战。
劳动力市场分化
在企业层面，API数据显示77%的企业采用自动化模式，而非协作模式。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不确定。
这些模式可能导致劳动力市场的分化。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——那么更有经验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。1
政策含义
为了实现AI在全球范围内造福人类的潜力，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。这可能包括：
- 投资数字基础设施：确保全球所有地区都能获得可靠的互联网连接和云计算资源。
- 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。
- 创新政策：创造有利于AI创新的环境，特别是在新兴经济体。
- 监管框架：制定平衡创新与安全的AI监管框架，确保AI技术的负责任部署。
- 国际合作：促进发达国家与发展中国家之间的知识共享和技术转移。
结论：AI经济转型的早期阶段
我们正处于AI驱动经济转型的早期阶段。现有Claude和其他前沿AI系统的能力已经准备好改变经济活动，因为这项技术的适用范围非常广泛。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采用极不均衡。目前使用集中在少数任务上，地理差异显著，且与收入高度相关——特别是在国家之间。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：编码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。
早期对Claude的企业采用既类似于消费者使用(编程是两者最常见的用途)，又在几个重要方面有所不同。特别是，通过API以编程方式访问Claude时，企业倾向于以更高的自动化程度使用Claude。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不确定。
这些模式可能造成分化。如果AI的生产力收益集中在已经繁荣的地区和自动化就绪的行业，现有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——那么更有经验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。1
建立在之前的发布基础上，本版指数报告在范围和透明度方面都有显著扩展。我们现在开源了全面的API使用数据，以及我们现有的Claude.ai消费者数据(现在包括州和国家层面的地理细分)，所有数据都与详细的任务级分类相交。
通过公开这些数据，我们希望其他人能够研究我们尚未考虑的问题，测试关于AI经济影响的假设，并制定基于实证证据的政策回应。
最终，变革性AI的经济影响将同样由技术能力和社会的政策选择所塑造。
历史表明，技术采用的模式并非固定不变：它们随着技术的成熟、互补创新的出现以及社会对其部署的 deliberately 选择而转变。我们今天观察到的高度集中使用模式可能会演变为更广泛的分布——这种分布能够捕捉更多AI的生产力提升潜力，加速落后行业的创新，并创造新的经济价值形式。我们仍处于这场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。我们将随着AI能力的进步继续跟踪这些模式，并为驾驭我们这个时代最重要的经济转型之一提供实证基础。
