作者｜Maxim Massenkoff、Eva Lyubich、Peter McCrory、Ruth Appel、Ryan Heller｜2026 年 3 月 24 日
Anthropic Economic Index（经济指数）依托一套保护隐私的数据分析系统，追踪 Claude 在整个经济中的使用情况。这项工作的目标，是尽可能提前理解 AI 对经济的影响，好让研究者和政策制定者有更充足的准备时间。
这份最新报告分析的是 2026 年 2 月 Claude 的使用情况，并延续了上一篇报告提出的“经济基本单元”框架。上一篇报告使用的是 2025 年 11 月的数据。本次样本覆盖 2026 年 2 月 5 日至 12 日，这个时间点距离 Claude Opus 4.5 发布约三个月，也与 Claude Opus 4.6 的发布大致重合。
首先，我们梳理了 Claude 的使用方式相较前几份报告发生了哪些变化：在 Claude.ai 和 API 流量中，增强型使用（也就是 AI 以协作方式补足用户能力的场景）都略有上升。在 Claude.ai 上，用途进一步分散，前 10 大任务在上个月所占的使用份额低于 2025 年 11 月。随着这种分散化，Claude.ai 上单次对话所对应任务的平均工资水平也比前几份报告略低。
接着，我们把重点放在一个会显著影响 Claude 对劳动力市场乃至更广泛经济影响的因素上：用户在采用 Claude 过程中的学习曲线。我们的证据表明，使用时长更长的用户已经形成了一些习惯和策略，使他们更擅长发挥 Claude 的能力。换句话说，更有经验的用户不仅会尝试价值更高的任务，也更容易从对话中获得成功的结果。
自上一篇报告以来，有什么变化
在第一章中，我们回顾了上一篇《Anthropic Economic Index report》（发表于 2026 年 1 月）中的主要结论。我们的新发现包括：
Claude.ai 上的使用场景进一步分散。编码任务继续从 Claude.ai 上的增强型使用，迁移到第一方 API 中更自动化的工作流。到 2026 年 2 月，Claude.ai 的使用已经没有 2025 年 11 月那么集中(1)：最常见的前 10 个任务只占全部流量的 19%，而此前是 24%。不过，在这次样本里，几乎所有任务都至少在我们之前的某次样本中出现过。大约 49% 的工作岗位，已经有至少四分之一的任务会借助 Claude 完成。 Claude 的采用扩展到了工资更低的任务。随着用例进一步分散，Claude 所执行工作的平均经济价值，也就是对应职业在美国劳动力市场上的工资水平，略有下降。直接原因是，围绕体育、商品比较和家庭维护等个人问题的查询变多了。这符合典型的“采用曲线”逻辑：早期采用者更偏好编码这类高价值、边界清晰的用法；随着用户群扩大，AI 承担的任务种类也会迅速变宽。 全球使用率不平均依然存在。按人均口径计算，前 20 个国家占了总使用量的 48%，高于此前的 45%，说明全球采用差距仍未缩小。不过，在美国内部，Claude 的人均使用量还在继续收敛：使用量最高的 10 个州，其占比已从 40% 降到 38%。
学习曲线
经济指数中的一个核心发现是：Claude 的早期采用极不均衡。Claude 在高收入国家用得更密集；在美国内部，则更多集中在知识工作者更密集的地区；同时，它也主要集中在相对少数、较为专业的任务和职业上。
一个关键问题是，这种采用上的不平等，会如何决定 AI 的收益最终流向哪里、又流向哪些人。比如，如果高效使用 AI 需要一些互补技能和专业能力（这也是我们在上一篇报告里提出的判断）而这些能力又可以通过使用和试验逐步获得，那么早期采用带来的收益就可能会自我强化（指一个过程因自身结果而被持续加强，而非趋于平衡）。
在第二章中，我们考察了用户似乎是如何塑造自己从 Claude 身上获得的价值的：他们如何让模型能力与当前任务相匹配，以及使用模式和结果会如何随着平台使用经验的积累而变化。
模型选择会随着任务而变化。我们发现，用户会把最强的模型类别 Opus，更多地用在那些在劳动力市场上通常对应更高工资的任务上。比如，在付费 Claude.ai 用户中，Opus 在编码任务上的使用率比平均水平高 4 个百分点，而在辅导类任务上的使用率则低 7 个百分点。对于 API 用户，这种模型切换更明显，强度大约是前者的两倍。
使用时长更长，成功率也更高。总体来看，最资深的 Claude 用户更常把它用在需要更高教育水平的任务上，也更少用于个人场景。举例来说，使用 Claude 满 6 个月或更久的人，个人对话会少 10%，而他们输入中体现出来的教育水平则高出 6%。更值得注意的是，这个高使用时长群体在对话中的成功率高出 10%，而这种关联并不能用任务选择、所在国家或其他简单因素来解释。它当然可能反映了早期采用者本身更成熟，但也可能是“边用边学”的证据：人们会随着经验累积而越来越擅长使用 Claude。
自上一篇报告以来，有什么变化
Claude.ai 用例的多样化
先来看 Claude 被拿来做什么。我们使用那套保护隐私的系统，只在聚合层面分析行为，而不触及任何单条对话内容。样本来自两部分：面向消费者的 Web 产品 Claude.ai，以及面向开发者、可将 Claude 集成进产品和工作流的第一方 API；两边各抽取了 100 万段对话。(2)
编码仍然是平台上最常见的使用方式。与计算机和数学类职业相关的任务，占到了 Claude.ai 对话的 35%（更完整的职业类别占比见附录）。(3) 不过，在 2025 年 11 月到 2026 年 2 月之间，Claude.ai 上的用例明显变得没那么集中：最常见的 10 个 O*NET 任务，占对话总量的比例从 24% 降到了 19%（图 1.1）。
图 1.1：按平台统计的前 10 个任务使用占比变化。展示 Claude.ai 与第一方 API 中，最常见 10 个 O*NET 任务在各期报告中的对话占比。
这种集中度下降，一部分是因为编码任务正在从 Claude.ai 转向第一方 API。在 API 样本里，Claude Code 已经占了相当大的份额。由于 Claude Code 的 agentic 架构会把编码工作拆成更小的 API 调用，而这些调用又会被标注为不同任务，所以虽然编码在 API 流量中的总体占比提高了，但它被分散到了更多任务类别里，不再集中在少数几个类别上。
因此，尽管编码活动大量涌入，API 端的任务集中度整体上基本没有变化。
代码从 Claude.ai 迁出，并不是集中度下降的唯一原因。这一下降还有一部分来自两个时期之间用例结构的变化：课程作业类用途从全部对话的 19% 降到了 12%，而个人用途则从 35% 升到了 42%。课程作业类用途的下滑，有一部分可以用学期安排来解释：在我们的抽样期间，一些国家的学生正处于寒假。(4)同时，2 月前后注册人数增加，也带来了更多更休闲的 AI 用户。
图 1.2：Claude.ai 上工作、个人与课程作业用途的变化。展示 2025 年 11 月与 2026 年 2 月两期样本中，三类对话所占比例。
虽然 Claude 处理的工作类任务变得更多样，但这些任务几乎都不是第一次出现。上一篇报告里我们提到，49% 的岗位已经有至少四分之一的任务借助 Claude 完成；在这次数据里，这个累计估计几乎没变（见附录图 A.2）。与上一篇相比，这次新增的 O*NET 任务也少得多。
自第一份报告以来，我们把对话分成了五种互动类型：指令式、反馈回路、任务迭代、验证和学习；再把它们归成两大类：自动化与增强型使用。(5) 图 1.3 显示，Claude.ai 上的增强型使用略有增加，主要来自验证和学习模式的小幅上升。而在附录图 A.3 中，我们展示了第一方 API 数据里的自动化明显下降。
图 1.3：Claude.ai 中不同协作模式的占比变化。
我们的 API 平台继续获得更高比例的计算机和数学类任务。自 2025 年 8 月以来，这一类别的任务占比在 API 中增加了 14%，而在 Claude.ai 中下降了 18%。正如我们在那篇关于劳动力市场影响的报告里指出的，这种从 Claude.ai 向 API 的迁移，可能预示着与这些岗位相关的工作会更快发生变化。Claude.ai 中与管理类职业相关的任务占比，也从 3% 上升到了 5%。这部分增长既包括分析类任务，例如撰写投资备忘录，也包括回应客户问题。
衡量 Claude 上任务结构变化的另一种办法，是看任务平均价值的变化。这里所谓“任务价值”，指的是执行该任务的美国劳动者平均时薪（图 1.4）。(6) 对 Claude.ai 来说，这一估计值从 49.3 美元小幅降到了 47.9 美元，主要原因是体育比分、天气这类简单事实性问题增多了，而编码任务又随着迁移到 API 而占比下降。正如我们在上一篇报告里提到的，我们在 Claude 上看到的任务往往需要更高的教育程度。图中也显示，这些任务对应的工资水平，通常也高于美国全国平均水平。
图 1.4：不同版本与平台上的平均任务价值变化。
尽管幅度不大，但本次报告与上一版在多项“经济基本单元”上的变化，都指向 Claude.ai 上任务复杂度略有下降。理解用户输入所需的平均教育年限，从 12.2 年降到了 11.9 年；用户交给 AI 的自主权更高了；如果完全由人来做，这项任务的预估时长平均缩短了约 2 分钟。唯一看起来有点反向的指标是：Claude 所做的任务，被判断为“如果没有 AI，人类是否还能完成”的概率反而略微更低。
表 1.1：关键经济基本单元的变化。
新出现的自动化模式
随着任务迁移到 API，这些任务也更容易暴露在自动化之下。API 工作流更偏向指令式，对“人仍在环中”的依赖更低。上一篇报告里我们就强调过，客服任务——例如自动处理支付和账单问题——在 API 数据中非常常见。这意味着客服岗位面临更高的暴露度。换句话说，我们确实观察到，在自动化工作流里，Claude 承担了相当高比例的客服任务，因此随着 AI 继续扩散，这类岗位可能更早发生变化。
我们特别指出两类 API 工作流：与三个月前相比，它们在 2 月样本中出现得更频繁，而且在最新样本中的占比至少翻了一倍(7)：
商业销售和外联自动化：销售赋能内容生成、B2B 线索资格研究、客户数据补全、冷邮件草拟。
自动化交易和市场运营：监控市场或头寸、提出具体投资建议、向交易员通报市场状况，以及相关任务。
重新看地理收敛
在上一篇报告里，我们指出，Anthropic AI Usage Index，也就是 AUI，会按地区的工作年龄人口对使用量进行调整；按这个口径看，美国各州之间的使用差距正在快速收敛：原本人均使用量更低的州，采用速度反而更快。
图 1.5 左图显示，这种收敛在最新数据里仍然存在，只是速度更慢了。从 2025 年 8 月到 2026 年 2 月，按人均计算流向前五大州的使用份额，从 30% 降到了 24%。基尼系数自 2025 年 8 月以来也有所下降，只是收敛速度放慢了。当我们更新上一篇报告中的估计时，发现按目前这个速度，美国各州的人均使用量大概会在 5 到 9 年后趋近于相等，而不再是之前估计的 2 到 5 年(8)。
图 1.5：地理收敛。左图为美国各州，右图为各国的 AUI 洛伦兹曲线。
在国家层面，情况则相反：使用变得略微更集中了，同期基尼系数上升。按人均计算，使用 Claude 最多的国家占总体使用的份额更高了，前 20 个国家的人口调整后使用占比，从 45% 上升到了 48%。
学习如何使用 AI
这一章聚焦两个特征，它们能帮助我们理解人们是如何部署 AI、又是如何学会与 AI 协作的：一是模型选择，二是长期用户形成的使用习惯。
首先，我们通过研究人们会在什么情况下选择 Opus (也就是性能最强的模型类别) 来理解“对智能的需求”。目前，我们对用户如何在不同模型之间做选择、又如何在速度、性能和成本之间权衡，其实知之甚少。如果用户真的会根据任务难度来校准模型，那么我们就应该看到，Opus 更多地被用于更难、价值更高的工作。
接下来，我们按使用时长来研究差异，也就是根据用户是什么时候注册的，看看他们的使用方式会如何变化。这能帮助我们理解学习曲线：用户会不会随着使用时间变长而变得更擅长？他们的用法会往什么方向变化？我们的证据与“边用边学”这一解释是相一致的。使用时长更长的用户不仅在对话中成功率更高，他们也更常以协作方式使用 Claude，会把更有挑战的任务带给 Claude，也更倾向于为了工作目的、以及在更广泛的任务范围内使用 Claude。
模型选择
不同的 Claude 模型类别 (Haiku、Sonnet 和 Opus) 对应着不同的成本、速度和性能组合。Opus 类模型会消耗更多 token，在复杂任务上的表现最好，但在 API 中按 token 计价也更贵。如果用户理解这一点，同时又会权衡成本和使用上限，那么他们就会把最复杂、最有价值的任务交给 Opus，把更简单的任务交给其他模型。数据大体印证了这一点。
图 2.1 显示，在能访问全部模型类别的付费 Claude.ai 账号中，55% 的计算机和数学类任务（例如软件编码）使用的是 Opus，而教育类任务只有 45%。这可能意味着技术型用户更容易感知性能差异，所以会主动从默认的 Sonnet 切换出去；也可能意味着更注重效率的用户已经学会把简单任务交给 Sonnet，以避免触发使用上限。换个角度看，这里的差异也可能说明：大多数教育类任务对 Sonnet 来说本来就已经足够容易，或者学生用户更容易在意使用上限。
图 2.1：模型选择与职业领域。
图 2.2 则以更细粒度展示了同一现象。当用户执行与更高薪职业相关的任务时，他们会更频繁地使用 Opus。比如在 Claude.ai 上，34% 的软件开发者任务涉及 Opus，而 Tutor 任务只有 12%。整体来看，对于 Claude.ai 用户而言，任务时薪每提高 10 美元，使用 Opus 的对话占比就会上升 1.5 个百分点。第一方 API 的流量对任务复杂度的反应则更强。它的斜率大约是前者的两倍：任务价值每增加 10 美元，Opus 的占比就会上升 2.8 个百分点。相较于 Web 用户，部署程序化工作流的用户更有动力在不同模型之间切换。
图 2.2：模型选择与职业。
学习曲线
第一个 Claude 模型发布于 2023 年 3 月。此后，无论是 Claude.ai 还是 API，用户群都迅速增长。我们的最新样本里既有在 Claude 第一版发布时就注册的老用户，也有在我们观测前一天才刚刚注册的新用户。一个人和 Claude 相处的时间长短，会如何影响他的使用体验？(9)
表 2.1 展示了使用时长较短用户与使用时长较长用户之间的差异。后者指的是在数据抽取前至少 6 个月就已经注册 Claude 的用户，前者则是其余用户。(10)使用时长较长的用户更可能把 Claude 用来反复迭代自己的工作，也更不倾向于用指令式模式把更大责任直接交给 AI。他们把 Claude 用于工作的概率高出 7 个百分点，而且交给 Claude 的任务通常也需要更高的教育水平。此外，他们的使用也没有那么集中在少数任务上。对于使用时长较长的群体来说，前 10 个 O*NET 任务占全部使用的比例略低，为 20.7%；使用时长较短的群体则是 22.2%。
表 2.1：高使用时长用户与低使用时长用户的差异。
下面，我们进一步看前面提到的两个“经济基本单元”：每段对话对应的人类教育年限，以及对话中有多少比例属于个人用途。
左图显示，理解用户提示所需的教育年限，会随着 Claude 使用时间增加而上升。Claude 每多使用 1 年，这个年限几乎就会增加 1 年。右图则显示，个人用途占比在下降：注册满一年的用户，会把 38% 的对话用于个人用途，而新用户是 44%。
图 2.3：使用时长与教育年限、个人用途的相关性。
对于这种快速演进的通用技术，用户群体中出现这些模式，可能有多种原因。使用时长较长的用户，本身就是“留下来的人”，这种差异也可能反映一些更稳定的特征。比如，他们可能本来就是程序员，而程序员本来就更容易成为早期采用者。再进一步说，这里还天然存在幸存者偏差：那些在数据抽取前一年就注册、并且今天仍在使用 Claude 的人，可能原本就已经从中获得了积极结果。
我们并不能观测那些一年前注册了 Claude、但后来已经不用的人。
这些发现，与我们在《Economic Primitives report》中看到的现象是一致的：在一些收入更低、教育水平更低的国家，反而会在某些场景中出现更复杂的使用。最早的一批采用者，往往拥有高价值、技术含量更高的用例。在采用率远低得多的较贫穷国家里，这些早期采用者仍然主导着用户群。
更休闲的使用，则通常要等 AI 扩散到更广泛人群之后才会出现。确实，在各个请求簇中，平均使用时长最高的任务包括 AI 研究、git 操作、修改手稿和创业融资；而平均使用时长最低的任务，则更多是写俳句、查体育比分和为派对推荐食物这类简单工作流。(11)
经验效应
我们在图 2.4 中进一步考察这些关系，使用日志级别的数据，对对话特征做了更细的控制。上方图中的规格 (1) 是一个简单的双变量回归：把任务是否成功作为结果变量，把“是否属于使用时长较长用户”作为预测变量。这里的“成功”，指的是 Claude 对这段对话是否成功的判断，这个定义在上一篇报告中已经解释过。
图中显示，长期用户成功完成一段对话的概率大约高出 5 个百分点。
这可能意味着，使用时长较长的用户更擅长写提示词。但如果这只是因为他们交给 Claude 的任务不同，而那些任务本来就更容易成功呢？
在规格 (2) 中，我们加入了针对具体 O*NET 任务和请求簇的固定效应。也就是说，我们比较的是同一个狭义任务内部，使用时长较长用户和使用时长较短用户之间的差异，而不是拿不同任务之间做比较。举例来说，我们有一个请求簇叫作“对特定公司进行企业财务分析、估值和建模”。固定效应的含义，就是在这个请求簇内部比较这两类用户，在每个其他请求簇内部也同样如此。只有当长期用户在这些“同任务比较”中平均更成功时，我们才会观察到正系数。这个控制让效应有所减弱，降到了接近 3 个百分点。
图 2.4：经验与成功率之间的关联。
最后，我们进一步问：这种关系会不会其实是由其他因素造成的，比如使用时长较长的用户更倾向于选择不同模型、使用不同语言、拥有不同用例，或者身处不同国家？在把这些因素控制进去之后，回归结果反而给出了略高的影响，表明在完全控制后，使用时长较长用户的成功率仍然高出约 4 个百分点。
这些结果表明，使用时长较长的用户在与 Claude 的对话中更容易成功，而且这并不是由语言、任务类型这类简单因素造成的。一个很有意思的解释是，这些用户更会从 AI 身上提取自己真正想要的结果。使用这些平台的熟练度，可能本身就是一个关键的成功因素，而且它似乎会随着经验增长而提升。
讨论
这份报告重新检视了我们用来追踪 Claude 使用情况的核心指标，并首次分析了模型选择与成功率。自 2025 年 8 月以来，第一方 API 的使用变得更集中，前 10 个 O*NET 任务现在占了全部流量的 33%，高于此前的 28%。另一方面，Claude.ai 上的任务则比 2025 年 11 月那次数据更为多样。美国内部，低使用州的采用速度仍然更快，只是收敛速度比上一篇报告时慢了一些。而低采用国家则又稍微落后了一些。
借助这份报告，我们开始能够持续追踪各种经济基本单元是如何变化的。课程作业类用途在全部使用中的占比下降了，而个人对话则增加了。我们也观察到，Claude.ai 上提示词的总体复杂度略有下降：输入变得没那么复杂，预估完成时间也更短。
总体来看，Claude 仍然主要被用于高价值、复杂的工作，因此它并不能广泛代表美国经济的整体面貌。但随着用户群扩大，报酬较低的任务在 Claude.ai 中的占比的确略有上升。按任务所对应职业的工资来估算，Claude.ai 上的平均任务价值自第一份报告以来有所下降，而 API 用户那边则有所上升。在这两个场景中，用户都会把自己最复杂的任务交给更强的模型类别 Opus。对于 API 客户来说，这种分化表现得更明显。
更有经验的用户，往往会以更协作的方式使用 Claude，把它用于更多与工作相关、也更复杂的任务，而且成功率也更高。这反过来挑战了我们去年提出的一个假设：自动化用法可能更典型地属于更有经验、更成熟的用户。相反，我们发现，最先进的一批用户更可能与 Claude 反复迭代。这也与“边用边学”一致：一个人使用 AI 的时间越长，就越擅长调动它的能力。
当然，也还有另一种解释：这些结果可能是由同期群体效应或幸存者偏差驱动的。早期采用者本来就可能更技术化；持续使用 Claude 的人，也可能本来就拥有更适合 Claude 发挥的任务。但经过严格控制后的回归分析，已经排除了这种混杂因素最简单的版本，比如“长期用户只是带来了不同类型的任务”。随着时间推移，我们会更清楚地把同期群体效应、幸存者偏差和“边用边学”区分开来。
这些被观察到的成功率差异，可能会加深劳动力市场中的不平等。经济学家早就注意到，技术变革往往会偏向技能更高的人：创新会提高高技能劳动者的工资，同时压低其他人的处境。我们的分析识别出了一条这种变化可能已经在发生的路径：那些执行高技能任务的早期采用者，在与 Claude 的互动中，比后来进入、技术性更低的采用者更容易获得成功。这些早期采用者，可能既是最容易受到 AI 扰动的一群人，也是在最初这波增强型采用浪潮中最先从 AI 身上获得帮助的一群人。
附录
附录见原文附录页面。附录链接：https://cdn.sanity.io/files/4zrzovbb/website/a3cdcd9e67c3c4c51440429dd016cacba514b35b.pdf
数据可得性
本报告的数据可在原文中的 Data availability 部分获取。
数据链接：https://huggingface.co/datasets/Anthropic/EconomicIndex
作者与致谢
第一作者组：Maxim Massenkoff、Eva Lyubich、Peter McCrory。
第二作者组：Ruth Appel、Ryan Heller。
致谢：Tim Belonax、Keir Bradwell、Andy Braden、Dexter Callender III、Miriam Chaum、Madison Clark、Evan Frondorf、Deep Ganguli、Kunal Handa、Hanah Ho、Owen Kaye-Kauderer、Jennifer Martinez、Miles McCain、Jared Mueller、Kelsey Nanan、Tyler Neylon、Dianne Penn、Sarah Pollack、Ankur Rathi、David Saunders、Michael Stern、Alex Tamkin、Kim Withee、Jack Clark。
引用格式见原文 Citation 部分。
脚注
“第一方 API”或 1P API，指的是直接通过 Anthropic 自有编程接口进入的开发者流量，这不同于 Anthropic 面向消费者的 Claude.ai 应用，也不同于 Amazon Bedrock 或 Google Cloud Vertex 这类第三方平台。 这里也包含了 Claude Code 的数据。 这里使用的是 2019 年版 O*NET-SOC 编码，而前几份报告使用的是 2010 年版。 在我们抽样期间，仍在学期内的国家里，课程作业对话下降了 5 个百分点；而在大多数学生处于假期的国家里，这个降幅达到 12 个百分点。 各类互动类型的定义见附录。 例如，任务“使用数学和化学方法计算水分、含盐量、配方比例或其他产品因素”，只由食品科学技术员执行，而该职业平均时薪为 26.15 美元，因此这项任务的价值就按这个数值估算。所用数据来自 2024 年 5 月美国劳工统计局职业就业与工资统计（OEWS）表。当同一任务由多个职业承担时，我们会按就业人数和该任务所占工作时间加权平均他们的工资。 为了识别这些新出现的模式，我们筛选了两类 O*NET 任务：一是当前样本中至少出现 300 次，二是与上一篇报告相比增长至少达到 2 倍。 这里给出一个区间，是为了反映在上一篇报告模型中使用加权（得到 5 年）与不加权（得到 9 年）时的不同估计。 在这一分析中，我们使用日志级数据，并在相同的隐私阈值下估计模型。更多方法细节见附录。 无论如何定义“高使用时长”，结论都大体一致。 我们的抽样期恰好与 Super Bowl 广告投放重合，这带来了很多首次使用的新用户。
