引言：AI技术扩散的独特模式
人工智能技术的采用速度远超前几代技术，呈现出前所未有的广泛性和快速性。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%。这种快速采用反映了AI技术对多种应用的实用性、在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。
历史上，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年进入早期采用者手中，但又过了20年才进入美国大多数家庭。即使是快速普及的互联网也大约花了五年时间达到AI在短短两年内实现的采用率。
这种差异源于新技术——即使是变革性技术——在整个经济中扩散所需的时间，消费者采用在地理上集中程度的降低，以及企业重组业务流程以充分利用新能力的过程。企业采用——首先用于少数特定任务，然后用于更通用的应用——是重要技术传播并产生变革性经济影响的重要途径。
简而言之，早期技术采用的标志是其集中性——无论是在地理区域上还是在企业任务上。正如本报告所记录的，AI采用在21世纪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提升、新产品功能的发布以及Claude用户群的扩大。
主要发现：
- 教育和科学使用比例上升：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：用户委托Claude完成完整任务的"指令式"对话从27%跃升至39%。我们在编程中看到程序创建增加(+4.5个百分点)，而调试减少(-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多个国家和美国所有州的地理细分。为研究扩散模式，我们引入了Anthropic AI使用指数(AUI)，以衡量Claude.ai在一个经济体中的使用相对于其劳动年龄人口是过度还是不足。
全球AI采用的不均衡
- AUI与收入水平高度相关：与之前的技术一样，我们看到AI采用在地理上高度集中。新加坡和加拿大按人均使用率计算是最高国家，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)在内的经济体使用Claude较少。
- 高采用国家使用更多样化：采用率较低的国家往往更侧重于编程使用，而高采用地区则显示出教育、科学和商业应用的多样化。例如，在印度，编程任务占所有使用的一半以上，而全球约为三分之一。
- 高采用国家显示较少自动化、更多增强使用：在控制了国家间的任务组合后，低AUI国家更可能委托完成完整任务(自动化)，而高采用地区则倾向于更多的学习和人机迭代(增强)。
美国国内的AI采用差异
- 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)。有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。
- 收入与采用率的相关性：在美国各州，Claude采用与人均收入之间存在相关性，但弱于全球水平。收入差异只能解释跨州采用率变异的一半以下。尽管相关性较弱，但Claude采用率随收入增长更快：人均州GDP每增长1%，AI使用指数增长1.8%。
企业AI的系统化部署
在最后一章中，我们首次展示了我们第一方(1P) API流量的大部分数据，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。
企业API使用的主要发现：
- 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使用都侧重于编程任务。然而，1P API在编程和办公/行政任务上的使用率较高，而Claude.ai在教育写作任务上的使用率较高。
- 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使用的程序性质。
- 能力比成本在塑造企业部署中更重要：我们API数据中最常用的任务往往比不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。
- 上下文制约复杂使用：我们的分析表明，为模型整理合适的上下文对于在复杂领域实现高影响力的AI部署很重要。这意味着对于一些企业而言，昂贵的数据现代化和组织投资以提取上下文信息可能是AI采用的瓶颈。
知识密集型任务的崛起
随着AI能力的提升，知识密集型任务的使用率持续上升。教育指导与图书馆任务从V1的9%增长到V3的12%。生命、物理和社会科学任务从6%增至7%。与此同时，商业和金融运营任务的相对份额从6%降至3%，管理任务从5%降至3%。
这种分化表明，与传统的商业运营相比，AI采用在涉及知识综合和解释的任务中扩散得特别快——可能是因为这些任务从Claude的推理能力中获益更多。
新功能正在塑造使用模式。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月份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增加(0.003%→0.27%)，这与我们4月份发布的研究模式一致。
其他类型的变化也值得关注。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倍以上，可能反映了教育者中采用率的增长。创建多媒体文档增加了0.4个百分点，从0.16%增至0.55%，可能是由于继续使用我们的Artifacts功能在Claude.ai中构建传统和AI驱动的应用。
自动化使用的加速趋势
我们不仅跟踪人们使用Claude的目的，还跟踪他们在Claude.ai上如何与Claude协作或委托。
在高层次上，我们区分使用Claude的自动化和增强模式：
自动化包括以任务完成为重点的交互模式：
- 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
增强侧重于协作交互模式：
- 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对他们的工作提供反馈
从Claude.ai对话中抽取的指令式对话份额从2024年底V1的27%跃升至2025年V3的39%。这种增加主要来自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有了显著增加——在短短八个月内就有显著增加。这是自动化使用首次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。指令式使用的增长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。
地理不平等与经济收敛
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——广泛的电气化、内燃机、室内管道——不仅开启了现代经济增长时代，而且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 的增长趋同。
上下文约束与复杂任务部署
我们发现，对于复杂任务，企业需要提供更多的上下文信息。API客户使用Claude处理复杂任务时，往往会给Claude提供大量输入。这可能代表了一些重要任务的企业广泛部署的潜在障碍，这些任务依赖于尚未集中或数字化的分散上下文。纠正这一瓶颈可能需要企业重组组织、投资新的数据基础设施并集中信息以实现有效的模型部署。
成本敏感度与任务选择
API客户按令牌付费，导致部署Claude处理不同任务的成本存在差异。更复杂的任务往往会消耗更多的输入和输出令牌，因此成本更高。这种差异有助于我们探索成本是否是决定企业选择使用Claude自动化哪些任务的主要因素。
数据表明，至少相对而言，并非如此。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：成本更高的任务往往有更高的使用率。
尽管存在这种正相关，但我们接下来询问在任务特征相似但成本更高的情况下，对Claude能力的需求是否较低。在应将其视为初步探索的重要前提下，这是我们发现的。
在控制任务特征后，我们发现每1%的成本增加与样本中API转录本使用频率减少0.29%相关。虽然这与成本降低导致使用增加有限的标准经济理论一致，但这种估计表明，特定任务成本降低10%只会增加约3%的使用量。
对劳动力市场的潜在影响
企业采用AI的模式对劳动力市场有着深远影响。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。这种系统化部署可能是AI在整个经济中带来更广泛生产力收益的重要渠道。鉴于企业部署中存在明显的自动化模式，这也可能扰乱劳动力市场，可能取代那些角色最容易面临自动化的工人。
然而，对劳动力市场的影响并不完全明确。如上所述，复杂任务需要不成比例的更多上下文。这种信息可能分散在整个组织中。在这种情况下，拥有关于业务运营隐性知识的工人可能会作为复杂AI驱动自动化的补充而受益。
政策启示与未来展望
AI采用的地理和企业不均衡性提出了重要的政策挑战。如果AI的生产力增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。如果AI自动化提高了拥有隐性组织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。
建立在我们之前的发布基础上，本指数报告的这次迭代在范围和透明度方面都有显著扩展。我们现在公开了全面的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)，所有这些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调查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应对措施。
最终，变革性AI的经济影响将受到技术能力与社会做出的政策选择的同等影响。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有意识选择而转变。我们今天观察到的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的生产力增强潜力，加速落后部门的创新，并实现新的经济价值创造形式。我们仍处于这场AI驱动经济转型的早期阶段。政策制定者、企业领导者和公众现在采取的行动将塑造未来几年。我们将继续随着AI能力的进步跟踪这些模式，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。
