Análise do último relatório do Índice Econômico da Anthropic em fevereiro de 2026, sobre o uso do Claude, revela uma contínua diversificação dos cenários de aplicação do Claude.ai, com uma ligeira diminuição na média salarial por tarefa. Este artigo é baseado no relatório de pesquisa publicado pela Anthropic, traduzido e editado por Movimento de Tendências.
(Prévia: Painel de impacto da IA da Anthropic: insira a profissão e descubra em segundos quanto do seu trabalho foi substituído por IA.)
(Complemento: CZ: As taxas de transação de criptomoedas nos EUA são altas demais, ainda falta competição na corrida para se tornar a capital da criptografia.)
Índice deste documento
Alternar
- Mudanças desde o relatório anterior
- Curva de aprendizagem
- Capítulo 1: Mudanças desde o relatório anterior
- Diversificação dos cenários de uso do Claude.ai
- Novos padrões de automação
- Revisão da convergência geográfica
- Capítulo 2: Aprendendo a usar IA
- Escolha de modelos
- Curva de aprendizagem
- Discussão
- Notas de rodapé
O Índice Econômico da Anthropic utiliza nosso sistema de análise de dados com proteção de privacidade para monitorar o uso do Claude na economia geral. Este é um esforço para compreender precocemente o impacto da IA na economia, permitindo que pesquisadores e formuladores de políticas se preparem com antecedência.
Este relatório analisa o uso do Claude em fevereiro de 2026, estendendo a estrutura econômica estabelecida com base nos dados de novembro de 2025. A amostra cobre o período de 5 a 12 de fevereiro, três meses após o lançamento do Claude Opus 4.5, e sobrepõe-se ao lançamento do Claude Opus 4.6.
Primeiro, registramos as mudanças no uso em relação ao relatório anterior: a proporção de interações aumentadas (colaboração assistida por IA) no tráfego do Claude.ai e da API cresceu ligeiramente. Quanto ao Claude.ai, os cenários de aplicação tornaram-se mais diversos, com as 10 principais tarefas representando uma proporção menor do uso total do que em novembro de 2025. Devido a essa diversificação, o salário médio por diálogo no Claude.ai caiu ligeiramente em relação ao relatório anterior.
Em seguida, focamos em um fator importante que influencia o impacto do Claude no mercado de trabalho e na economia mais ampla: a curva de aprendizagem durante o processo de adoção do Claude. Apresentamos evidências de que usuários mais experientes desenvolveram hábitos e estratégias mais eficazes para aproveitar as capacidades do Claude. Nossos dados indicam que usuários com mais experiência não apenas tentam tarefas de maior valor, mas também obtêm respostas mais bem-sucedidas nas conversas.
Mudanças desde o relatório anterior
No Capítulo 1, revisamos as descobertas do relatório de índice econômico publicado em janeiro de 2026. Concluímos o seguinte:
- Diversificação dos cenários de uso do Claude.ai. As tarefas de codificação continuam migrando do uso ampliado do Claude.ai para fluxos de trabalho mais automatizados na nossa API de primeira parte. A concentração do uso do Claude.ai diminuiu: as 10 principais tarefas em fevereiro representaram 19% do tráfego, abaixo de 24% em novembro. Apesar disso, quase todas as tarefas presentes na amostra anterior também aparecem nesta. Aproximadamente 49% das profissões têm pelo menos 25% de suas tarefas realizadas com Claude.
- Expansão do uso do Claude para tarefas de menor salário. Com a diversificação, o valor econômico médio das tarefas, medido pelo salário dos trabalhadores nos EUA, caiu ligeiramente. Isso ocorre devido ao aumento de consultas pessoais, como esportes, comparação de produtos e reparos domésticos. Essa tendência é consistente com a narrativa da “curva de adoção padrão” — os primeiros adotantes focam em tarefas de alto valor, como codificação, enquanto os adotantes tardios abrangem uma gama mais ampla de tarefas.
- Persistência da desigualdade global de uso. O uso permanece altamente concentrado: os 20 países com maior uso per capita representam 48% do total, acima de 45% na análise anterior, indicando uma disparidade contínua na adoção global. No entanto, o uso per capita nos EUA está se consolidando: a participação das 10 principais regiões caiu de 40% para 38% desde o último relatório.
Curva de aprendizagem
Uma descoberta central do índice econômico é que a adoção do Claude foi inicialmente muito desigual — mais intensa em países de alta renda, concentrada em regiões de maior trabalho intelectual nos EUA, envolvendo apenas algumas profissões específicas.
Uma questão importante é como essa desigualdade na adoção pode determinar para quem fluem os benefícios da IA. Por exemplo, se o uso eficaz da IA requer habilidades complementares e conhecimentos especializados (como defendido no relatório anterior), e essas habilidades podem ser adquiridas por experimentação e uso, então os benefícios iniciais podem criar um ciclo de reforço.
No Capítulo 2, exploramos como os usuários moldam o valor que obtêm do Claude: como alinham as capacidades do modelo às tarefas atuais, e como seus padrões de uso e resultados evoluem com a experiência na plataforma.
- Escolha de modelos e alinhamento às tarefas. Descobrimos que usuários tendem a usar nossa série de modelos mais avançados — Opus — para tarefas que geralmente geram salários mais altos no mercado de trabalho. Por exemplo, entre usuários pagos do Claude.ai, o uso do Opus em codificação é 4 pontos percentuais maior que a média, enquanto em tarefas de tutoria é 7 pontos menor. Essa preferência é mais evidente na API.
- Usuários mais experientes direcionam o uso para tarefas profissionais. Usuários com mais de 6 meses na plataforma usam Claude mais frequentemente para trabalho. A probabilidade de usar Claude para tarefas profissionais é 7 pontos percentuais maior nesses usuários, que também tendem a ter maior nível de escolaridade nas tarefas.
- Aprendizado por experiência. Usuários mais experientes têm maior sucesso nas conversas com Claude. Mesmo controlando por tipo de tarefa e região, eles têm 3 a 4 pontos percentuais mais de chance de sucesso.
Mudanças desde o relatório anterior
Diversificação dos cenários de uso do Claude.ai
Ao relacionar cada diálogo a tarefas do banco de dados O*NET do Bureau of Labor Statistics dos EUA, estudamos os tipos de tarefas realizadas pelo Claude, usando uma metodologia que protege a privacidade, permitindo descrever o comportamento geral sem expor diálogos individuais.
De duas plataformas, extraímos um milhão de diálogos cada: Claude.ai (interface de consumo) e API de primeira parte (plataforma de desenvolvedores).
Codificação ainda é o cenário mais comum na nossa plataforma, com tarefas relacionadas a computação e matemática representando 35% dos diálogos do Claude.ai.
Entre novembro de 2025 e fevereiro de 2026, a concentração das tarefas no Claude.ai diminuiu: as 10 principais tarefas do O*NET representaram 19% do tráfego em fevereiro, contra 24% em novembro. Essa redução se deve à migração de tarefas de codificação para a API, onde o design de API do Claude Code divide o trabalho de codificação em várias chamadas independentes. Apesar do aumento na proporção de tarefas de codificação na API, a distribuição geral de categorias de tarefas permaneceu relativamente estável.
Essa migração explica apenas parcialmente a redução de concentração. A composição dos cenários também mudou: tarefas acadêmicas caíram de 19% para 12%, enquanto uso pessoal subiu de 35% para 42%. A queda na proporção de tarefas acadêmicas pode estar relacionada às férias escolares de inverno em algumas regiões. Além disso, em fevereiro, houve aceleração no registro de novos usuários, trazendo mais usuários de lazer.
A diversificação das tarefas profissionais do Claude baseia-se em padrões existentes. Nosso relatório inicial indicou que 49% das profissões usam Claude em pelo menos 25% das tarefas; esse indicador permaneceu praticamente inalterado desde então. A velocidade de surgimento de novas tarefas do O*NET também diminuiu em relação ao passado.
Desde nosso primeiro relatório, classificamos os diálogos em cinco tipos de interação — comandos, ciclos de feedback, iteração de tarefas, validação e aprendizagem — agrupando-os em duas categorias: automação e ampliação. O uso ampliado do Claude.ai aumentou ligeiramente, impulsionado por crescimento em validação e aprendizagem. Na API, o uso de automação caiu significativamente.
A concentração de tarefas de computação e matemática na API aumentou: desde agosto de 2025, cresceu 14%, enquanto no Claude.ai caiu 18%. Nossa análise do mercado de trabalho sugere que essa migração pode indicar impactos mais diretos na ocupação. A proporção de tarefas gerenciadas por profissionais no Claude.ai subiu de 3% para 5%, incluindo tarefas analíticas (como preparação de memorandos de investimento) e respostas a clientes.
Usamos o salário médio dos trabalhadores nos EUA para medir o valor das tarefas. O salário médio por tarefa no Claude.ai caiu de US$ 49,30 para US$ 47,90, influenciado pelo aumento de consultas simples (esportes, clima) e migração de tarefas de codificação. Nossa análise inicial indicou que tarefas do Claude geralmente requerem escolaridade acima da média, correspondendo a salários mais altos.
Entre os dois relatórios, várias métricas indicam uma redução na complexidade média das tarefas no Claude.ai. A escolaridade média necessária para entrada manual caiu de 12,2 para 11,9 anos; os usuários também atribuem maior autonomia ao Claude; o tempo estimado para concluir tarefas sem IA diminuiu cerca de 2 minutos. Simultaneamente, a dificuldade de realizar tarefas sem assistência de IA aumentou ligeiramente.
Figura 1: Mudanças na concentração das 10 principais tarefas do Claude.ai e API, evidenciando diversificação no uso do Claude.ai e aumento na concentração na API
Figura 2: Distribuição do valor das tarefas, medido pelo salário médio dos trabalhadores nos EUA, mostrando uma ligeira queda de US$ 49,30 para US$ 47,90
Figura 3: Comparação da distribuição de categorias de tarefas entre Claude.ai e API, ilustrando a migração de tarefas de codificação para a API
Novos padrões de automação
À medida que mais tarefas migram para a API, a exposição à automação aumenta. Os fluxos de trabalho na API são predominantemente comandos, com intervenção humana mínima. Nosso trabalho anterior destacou a aplicação em atendimento ao cliente — incluindo automação de pagamentos e suporte de faturas — indicando alta exposição de agentes, o que pode acelerar mudanças ocupacionais.
Dois tipos de fluxo de trabalho na API quase dobraram de frequência entre as amostras:
- Vendas e prospecção: automação de suporte a vendas, pesquisa de clientes B2B, enriquecimento de informações e elaboração de cold emails
- Negociação automatizada e operações de mercado: monitoramento de mercados e posições, recomendações de investimento e alertas de mercado para traders
Revisão da convergência geográfica
Nosso relatório inicial apontou que o índice de uso da IA da Anthropic (ajustado pela população) convergia rapidamente entre os estados dos EUA, com estados de adoção inicial baixa acelerando o ritmo de adoção.
Dados atuais confirmam a continuidade dessa tendência, embora em ritmo mais lento. De agosto de 2025 a fevereiro de 2026, a participação per capita dos cinco principais estados caiu de 30% para 24%. Desde agosto de 2025, o coeficiente de Gini diminuiu, mas a taxa de convergência desacelerou. Nossa previsão atual estima que levará de 5 a 9 anos para todos os estados atingirem uso per capita equivalente, contra uma estimativa anterior de 2 a 5 anos.6
No cenário internacional, a situação é oposta: a concentração aumentou, com o coeficiente de Gini global subindo. Os países com maior uso per capita agora representam uma fatia maior do uso total, com os 20 principais países passando de 45% para 48%.
Figura 4: Tendência de convergência do uso per capita do Claude nos EUA, com os cinco principais estados caindo de 30% para 24%, ritmo de convergência mais lento
Figura 5: Evolução do coeficiente de Gini do uso do Claude por país, indicando aumento na desigualdade global em relação ao relatório anterior
Capítulo 2: Aprendendo a usar IA
Este capítulo explora duas características do uso que refletem como os usuários aprendem e implementam IA: a escolha de modelos e os padrões de uso de usuários mais experientes.
A primeira é a escolha de modelos, que revela insights sobre demandas de inteligência. Poucos estudos existentes analisam o comportamento do usuário em ambientes de múltiplos modelos, onde é possível equilibrar velocidade, desempenho e custo. A preferência por usar a série Opus em tarefas de maior valor provavelmente reflete uma estratégia de alocação de tarefas mais complexas ao modelo mais avançado.
A segunda é a diferenciação por experiência, que investiga como o tempo de uso na plataforma afeta o comportamento. Os usuários mais experientes tendem a se tornar mais proficientes, a delegar tarefas de forma mais eficiente e a obter melhores resultados. Descobrimos evidências de que usuários com mais experiência têm maior sucesso nas conversas, envolvem-se mais em tarefas complexas e usam o Claude em uma variedade maior de cenários.
Escolha de modelos
A série de modelos do Claude — Haiku, Sonnet e Opus — oferece trade-offs entre custo, velocidade e desempenho. Opus tem maior limite de contexto e desempenho superior em tarefas complexas, mas também é mais caro por token na API. Usuários conscientes de custos tendem a usar Opus para tarefas difíceis de alto valor, enquanto optam por modelos mais simples para tarefas menores, o que condiz com nossos dados.3
Entre usuários pagos do Claude.ai, 55% das tarefas de computação e matemática (como codificação) usam Opus, enquanto tarefas educacionais representam apenas 45%.
Usuários técnicos podem preferir Opus por seu desempenho, enquanto usuários mais focados em eficiência podem usar Sonnet para tarefas rotineiras, evitando gastar seu limite de uso. Essas diferenças também podem refletir a simplicidade de tarefas educacionais ou maior sensibilidade ao custo entre estudantes.
Análises mais detalhadas mostram que tarefas de alta remuneração, como desenvolvimento de software, têm maior uso de Opus: 34% das tarefas de desenvolvedor usam Opus, enquanto tarefas de tutoria apenas 12%. Após controlar por outros fatores, cada aumento de US$ 10 na remuneração média aumenta em 1,5 pontos percentuais a proporção de uso do Opus na conversa do Claude.ai. Na API, a sensibilidade é aproximadamente o dobro, com aumento de US$ 10 na remuneração elevando o uso do Opus em 2,8 pontos percentuais. Usuários que automatizam processos podem preferir trocar de modelo com mais frequência do que aqueles que usam a interface web.
Figura 6: Proporção de uso do Opus por tipo de tarefa, indicando preferência por tarefas técnicas de maior salário (como desenvolvimento de software), enquanto tarefas educacionais têm menor uso de Opus
Figura 7: Correlação entre salário e uso do Opus, mostrando que a cada US$ 10 adicionais na remuneração, o uso do Opus aumenta cerca de 1,5 pontos percentuais na conversa do Claude.ai, e aproximadamente o dobro na API
Curva de aprendizagem
O primeiro modelo do Claude foi lançado em março de 2023. Desde então, seu crescimento acelerado criou uma distribuição diversificada de experiência entre usuários — desde os que começaram com o primeiro modelo até os que se inscreveram recentemente. Como a experiência influencia o uso, é uma questão importante a explorar.
Usuários mais experientes (com pelo menos 6 meses na amostra) demonstram maior tendência a iterar e delegar tarefas ao Claude, reduzindo o uso de delegação. Eles usam Claude para trabalho em cerca de 7 pontos percentuais mais frequentemente, preferem tarefas que exigem maior escolaridade e apresentam uma distribuição de tarefas mais diversificada. As 10 principais tarefas do O*NET representam 20,7% das conversas desses usuários, contra 22,2% na média geral.
A distribuição de tarefas desses usuários mais experientes indica que, a cada ano de experiência, eles assumem tarefas que requerem aproximadamente um ano adicional de escolaridade. Além disso, usam Claude menos para aplicações pessoais: usuários com um ano de uso têm 38% de suas conversas em tarefas pessoais, enquanto os novos usuários chegam a 44%.
Esses padrões podem ter várias interpretações. Usuários mais experientes podem ser um grupo auto-selecionado, refletindo características inerentes — por exemplo, programadores que adotaram cedo podem ser uma fonte de confusão. Além disso, há o viés de sobrevivência: usuários que se inscreveram há um ano provavelmente acham Claude útil, enquanto aqueles que pararam de usar não aparecem na análise.
Análises iniciais indicaram que países de baixa renda e menor escolaridade tendem a usar Claude em tarefas mais complexas. Isso provavelmente reflete o padrão de adoção inicial: os primeiros usuários de Claude em qualquer país ou grupo tendem a ser aqueles que usam a tecnologia em aplicações de alto valor. Com a adoção mais ampla, mais pessoas entram, incluindo usos mais de lazer.
Análises de agrupamento de pedidos revelam que os usuários mais experientes com maior salário médio concentram tarefas como pesquisa em IA, operações com git, revisão de manuscritos e financiamento de startups. Por outro lado, os menos experientes tendem a tarefas como criação de haicais, consulta de resultados esportivos e sugestões de festas.
Figura 8: Relação entre experiência do usuário e distribuição de tarefas, mostrando que usuários com mais de 6 meses preferem tarefas de maior salário e escolaridade, enquanto novos usuários focam em consultas pessoais
Efeito de experiência
Para aprofundar, usamos dados de logs com características específicas de diálogos, mantendo a privacidade.7 Uma regressão simples com sucesso do diálogo como variável dependente e experiência como preditora mostrou que usuários mais experientes têm cerca de 5 pontos percentuais maior chance de sucesso.8
O sucesso pode refletir boas técnicas de prompting, que podem ser aprendidas. Mas se usuários mais experientes lidam com tarefas fundamentalmente diferentes, com maior taxa de sucesso, então a alocação de tarefas pode ser a verdadeira explicação.
Ao incluir efeitos fixos de tarefas do O*NET e agrupamentos de pedidos, comparamos usuários experientes e menos experientes realizando a mesma tarefa — por exemplo, análise financeira, avaliação e modelagem de empresas. Esses efeitos absorvem vantagens médias de usuários mais experientes dentro do agrupamento, resultando em um efeito de 3 pontos percentuais.
A versão final do modelo, incluindo variáveis de cenário, modelo, uso e região, mostra que usuários mais experientes têm uma taxa de sucesso aproximadamente 4 pontos percentuais maior, mesmo após controle por esses fatores.
Esses resultados indicam que usuários mais experientes têm maior sucesso nas conversas com o Claude, e isso não se explica apenas por idioma ou tipo de tarefa. Uma explicação forte é que eles aprendem a aprender na plataforma — uma habilidade que se amplia com a experiência e é um fator-chave para o sucesso.
Figura 9: Resultados de regressão mostrando que, mesmo controlando por tipo de tarefa, modelo, idioma e região, usuários mais experientes têm sucesso 3 a 4 pontos percentuais maior
Discussão
Este relatório revisita os principais indicadores de uso do Claude e analisa, pela primeira vez, a relação entre escolha de modelos e sucesso nas conversas. Desde agosto de 2025, o uso da API de primeira parte se tornou mais concentrado: as 10 principais tarefas do O*NET passaram de 28% para 33%. Os cenários de uso do Claude.ai tornaram-se mais diversos. A convergência geográfica nos EUA continua, embora mais lentamente. Países com menor adoção enfrentam desvantagens relativas.
A estrutura econômica permite acompanhar as mudanças ao longo do tempo. O uso relacionado a tarefas acadêmicas caiu, enquanto o uso pessoal aumentou. A complexidade média das entradas no Claude diminuiu, com diálogos mais simples e menor tempo estimado para tarefas independentes.
O Claude geralmente lida com tarefas complexas e de alto valor, que representam uma fração da atividade econômica geral nos EUA. Com a expansão da base de usuários, tarefas de menor salário aumentaram ligeiramente em proporção. Medido pelo salário dos profissionais, o valor das tarefas no Claude.ai caiu desde o último relatório, enquanto na API subiu. Ambos os canais concentram tarefas complexas no modelo Opus, com essa tendência mais forte na API.
Usuários mais experientes usam o Claude de forma mais colaborativa, mais para trabalho, enfrentando tarefas mais difíceis e obtendo melhores resultados. Isso contraria a expectativa de que automação seja mais comum entre os usuários mais avançados; na verdade, eles preferem iteração. Esses resultados reforçam a ideia de que o aprendizado na plataforma aumenta a capacidade de extrair valor do Claude.
Outra explicação é que efeitos de grupo ou sobrevivência influenciam esses resultados. Os primeiros adotantes, geralmente com maior habilidade técnica, têm maior sucesso, e os usuários que continuam usando Claude representam aqueles que percebem maior valor na tecnologia. Análises controladas sugerem que esses fatores explicam parte, mas não toda, das diferenças.
A disparidade no sucesso pode aprofundar desigualdades no mercado de trabalho. Pesquisadores há muito reconhecem que mudanças tecnológicas com viés de habilidades tendem a aumentar salários de trabalhadores altamente qualificados, enquanto pressionam os demais. Este estudo indica que a adoção precoce por trabalhadores de alta qualificação, que têm maior sucesso na interação com o Claude, pode ser um canal dessa dinâmica. Apesar de todos enfrentarem o impacto da IA, os primeiros adotantes parecem ser os maiores beneficiários na fase de expansão.
Figura 10: Diagrama final do relatório, ilustrando a relação entre desigualdade no uso do Claude, curva de aprendizagem e impacto no mercado de trabalho
Notas de rodapé
- As tarefas de codificação automatizadas no Claude Code, derivadas de assinaturas do Claude.ai, são contabilizadas na métrica de Claude.ai.
- As categorias de tarefas do O*NET consideradas “pessoais” incluem: 1) Preparação de alimentos e serviços relacionados (35-0000); 2) Cuidados pessoais e serviços (39-0000); 3) Artes, design, entretenimento, esportes e mídia (27-0000), apenas tarefas de lazer/esporte; 4) Agricultura, pesca e silvicultura (45-0000); 5) Construção e manutenção de espaços (37-0000); 6) Serviços comunitários e sociais (21-0000), principalmente tarefas de saúde e família. Tarefas educacionais não são incluídas.
- Para esta análise, excluímos usuários do plano gratuito do Claude.ai.
- Para calcular o salário médio ponderado por tarefa, usamos dados de emprego e tempo dedicado a cada tarefa, ponderando por número de trabalhadores.
- Para identificar novos padrões, selecionamos tarefas do O*NET que: (i) aparecem pelo menos 300 vezes na base atual; (ii) cresceram pelo menos 2 vezes em relação ao relatório anterior.
- As faixas de estimativa refletem diferentes métodos de cálculo, com ou sem ponderação de experiência (5 ou 9 anos).
- Para esta análise, usamos dados de logs de diálogos com limites de privacidade semelhantes. Veja o apêndice para detalhes metodológicos.
- Independentemente de como definimos alta experiência, os resultados são similares.
- Nosso período de amostragem coincidiu com o lançamento de anúncios do Super Bowl, atraindo muitos novos usuários.
