Anthropic AI 經濟指數萬字報告：自動化交易工作流頻率翻倍，Claude 正從工具變生活助理

Anthropic 經濟指數最新報告分析 2026 年 2 月 Claude 的使用情況，發現 Claude.ai 的使用場景持續多元化，平均任務薪資水準略有下降。本文源自 Anthropic 發布之研究報告，由動區動趨翻譯、編輯。
（前情提要：Anthropic 上線 AI 衝擊儀錶板：輸入職業，秒查你的工作被 AI 吃掉多少？）
（背景補充：CZ：美國加密交易費用太高了，邁向加密之都路上仍缺乏競爭）

本文目錄

Toggle

• 自前份報告以來的變化
• 學習曲線
• 第一章：自前份報告以來的變化
  • Claude.ai 使用場景的多元化
  • 新興自動化模式
  • 地理收斂再檢視
• 第二章：學習使用 AI
  • 模型選擇
  • 學習曲線
    • 經驗效應
• 討論
• 腳註

Anthropic 經濟指數運用我們的隱私保護資料分析系統，追蹤 Claude 在整體經濟中的使用情況。這是我們盡早理解 AI 經濟衝擊的努力之一，以便研究人員與政策制定者有充裕時間做好準備。

本期最新報告研究 2026 年 2 月的 Claude 使用情況，以我們前一份報告（採用 2025 年 11 月資料）所建立的經濟基本框架為基礎加以延伸。我們的樣本涵蓋 2 月 5 日至 2 月 12 日，距 Claude Opus 4.5 發布三個月後，並與 Claude Opus 4.6 的發布時間重疊。

我們首先記錄使用情況相較前份報告的變化：擴增型互動（即 AI 輔助使用者能力的協作互動）的比例在 Claude.ai 和 API 流量中均略有上升。在 Claude.ai 方面，使用場景趨於多元，前 10 大任務佔整體使用量的比例，低於 2025 年 11 月時的水準。由於這種多元化，Claude.ai 上平均對話所對應的任務薪資水準略低於前份報告。

接下來，我們聚焦於影響 Claude 對勞動市場及更廣泛經濟影響的一項重要因素：Claude 採用過程中的學習曲線。我們提供證據，顯示高資歷使用者已發展出得以更有效運用 Claude 能力的使用習慣與策略。確實，我們的資料顯示，更有經驗的使用者不僅會嘗試更高價值的任務，在對話中也更可能獲得成功的回應。

自前份報告以來的變化

在第一章中，我們重新審視 2026 年 1 月發布的前一份經濟指數報告的研究發現。我們得出以下結論：

• **Claude.ai 的使用場景趨於多元。**程式碼撰寫任務持續從 Claude.ai 的擴增型使用，向我們第一方 API 流量中更自動化的工作流程遷移。本報告中，Claude.ai 的使用集中度下降：前 10 大任務在 2 月份佔整體流量的 19%，低於 11 月份的 24%。儘管如此，本樣本中幾乎所有任務在我們前一份樣本中均曾出現過。約 49% 的職業已有至少四分之一的任務藉助 Claude 完成。
• **Claude 的採用範圍擴充套件至薪資較低的任務。**隨著使用場景多元化，以相關職業美國勞工薪資衡量的 Claude 平均工作經濟價值略有下降。此現象在機制上源於體育、商品比較、居家維修等個人性查詢的增加。這一模式與標準「採用曲線」的敘事一致——早期採用者偏重程式碼撰寫等特定高價值用途，而後期採用者則涵蓋範圍更廣的任務型別。
• **全球使用不平等持續存在。**使用量仍高度集中：前 20 個國家佔所有人均使用量的 48%，高於前一份報告的 45%，凸顯全球採用差距持續存在。然而，Claude 的人均使用量在美國境內持續收斂：自前份報告以來，使用量前 10 名州份的佔比從 40% 降至 38%。

學習曲線

經濟指數的一項核心發現是：Claude 的早期採用極不均衡——在高收入國家使用更為密集，在美國境內則集中於知識工作者較多的地區，且僅涉及相對少數的專業任務與職業。

一個重要問題是，採用的不平等可能如何決定 AI 的收益流向何處、惠及何人。舉例而言，若有效使用 AI 需要互補性技能與專業知識（這是我們在前份報告中所主張的論點），且此類技能可透過使用與實驗加以習得，那麼早期採用的收益可能會形成自我強化的迴圈。

在第二章中，我們探討使用者如何塑造自身從 Claude 獲取的價值：他們如何將模型能力與當前任務相匹配，以及使用模式與成效如何隨平台使用經驗的累積而改變。

• **模型選擇與任務相匹配。**我們發現，使用者傾向於為在勞動市場中通常獲得較高薪資的任務選用我們最智慧的模型系列——Opus。例如，在付費的 Claude.ai 使用者中，Opus 在程式碼撰寫任務上的使用率比平均值高出 4 個百分點，在輔導相關任務上則低於平均值 7 個百分點。這一模型選擇模式在 API 中表現得更為明顯。
• **長資歷使用者轉向工作任務。**在 Claude.ai 上使用時間較長的使用者，更多地將 Claude 用於工作。高資歷的 Claude.ai 使用者（在平台使用 6 個月以上）將 Claude 用於工作的可能性高出 7 個百分點，且使用 Claude 處理的任務所需教育程度也更高。
• **從做中學習。**高資歷使用者在與 Claude 的對話中更能獲得成功。具體而言，即使在控制任務型別或地理因素後，他們成功完成對話的可能性仍高出 3 至 4 個百分點。

第一章：自前份報告以來的變化

Claude.ai 使用場景的多元化

我們透過將每次對話對應至美國勞工統計局職業資訊網路（O*NET）中的任務，來研究 Claude 所執行的任務型別。這一對應採用隱私保護方法論，使我們能夠描述整體行為，而無需暴露個別對話記錄。

我們從兩個平台各抽取一百萬次對話樣本：Claude.ai（我們的消費者介面）以及第一方 API（我們的開發者平台）。

程式碼撰寫仍是我們平台上最常見的使用場景，與電腦及數學職業相關的任務佔 Claude.ai 對話的 35%。

在 2025 年 11 月至 2026 年 2 月之間，Claude.ai 的任務集中度有所下降：前 10 大 O*NET 任務在 2 月份佔對話的 19%，低於 11 月份的 24%。這一下降部分源於程式碼撰寫任務向第一方 API 遷移，Claude Code 的代理式設計將程式碼撰寫工作拆分為許多獨立的 API 呼叫。儘管程式碼撰寫在 API 中的比重有所增加，但各任務類別的整體分布仍相對穩定。

這一遷移僅能解釋集中度下降的部分原因。使用場景的組成也發生了變化：課業相關的對話比例從 19% 降至 12%，而個人使用則從 35% 攀升至 42%。課業比例的部分下降可歸因於某些地區的冬季學術假期。此外，2 月份也出現新使用者註冊加速的情況，帶來了更多休閒型使用者。9

Claude 職場任務的多元化建立在既有模式之上。我們的早期報告指出，49% 的職業已將 Claude 採用於至少四分之一的任務量；這一指標自前份報告以來幾乎沒有變動。新 O*NET 任務的出現速度也比早期明顯放緩。

自我們的第一份報告以來，我們將對話分類為五種互動型別——指令型、回饋迴圈型、任務迭代型、驗證型及學習型——並將這些型別歸入自動化和擴增兩大類。Claude.ai 的擴增型使用略有增加，主要受驗證及學習模式小幅增長驅動。在第一方 API 資料中，自動化型使用則大幅下降。

API 平台的電腦及數學任務集中度有所提升。自 2025 年 8 月以來，該類別在 API 中增加了 14%，同時在 Claude.ai 中減少了 18%。我們並行的勞動市場分析顯示，API 中的這一遷移可能預示著更直接的職業性衝擊。Claude.ai 中管理職業的任務比例從 3% 升至 5%，涵蓋分析型任務（如準備投資備忘錄）和客戶回應型任務。

我們以相關職業的美國工人平均時薪衡量任務的價值。Claude.ai 中的平均任務價值略有下降，從每小時 49.30 美元降至 47.90 美元，主要受簡單事實性查詢（體育、天氣）增加及程式碼撰寫任務遷移影響。我們的早期分析指出，Claude 的任務通常需要高於平均水準的教育程度，這些任務也對應著高於平均水準的薪資。

在兩份報告之間，幾項基本指標的變化反映了 Claude.ai 平均任務複雜度的下降。典型人工輸入所需的平均教育程度從 12.2 年降至 11.9 年；使用者也賦予 Claude 更多自主權；獨立完成任務的預估時長縮短了約 2 分鐘。與此同時，任務在沒有 AI 輔助的情況下完成的難度略有提升。

圖1：Claude.ai 與 API 平台前 10 大任務集中度的變化情況，顯示 Claude.ai 使用場景多元化而 API 集中度上升的趨勢

圖2：以相關職業美國勞工時薪衡量的 Claude 任務價值分布，顯示 Claude.ai 平均任務薪資從 49.30 美元略降至 47.90 美元

圖3：Claude.ai 與第一方 API 的任務類別分布比較，顯示程式碼撰寫任務從 Claude.ai 向 API 遷移的趨勢

新興自動化模式

隨著越來越多的任務遷移至 API，暴露於自動化的程度也隨之增加。API 工作流程主要採用指令型形式，人工介入極少。我們此前曾強調客服應用的普遍性——包括自動化付款和帳單支援——顯示客服代表面臨較高的暴露程度，可能加速職業變化。

兩種 API 工作流程在各樣本期間之間的頻率約增加了一倍：

• **商業銷售與外展：**自動化銷售支援內容、研究 B2B 潛在客戶、豐富客戶資訊，以及撰寫冷郵件
• **自動化交易與市場操作：**監控市場和部位、提供投資建議，以及向交易員通報市場狀況

地理收斂再檢視

我們在早期報告中指出，Anthropic AI 使用指數（已針對人口進行調整）在美國各州之間迅速收斂，初始採用率較低的州正在加速追趕。

當前資料確認收斂趨勢持續，但速度比我們此前觀察到的更慢。從 2025 年 8 月至 2026 年 2 月，前五名州的人均使用量佔比從 30% 降至 24%。自 2025 年 8 月以來，吉尼係數（Gini coefficient）有所下降，但收斂速度已放緩。我們更新後的預測現估計，所有州達到同等人均使用量需約 5 至 9 年，而早期估計為 2 至 5 年。6

在國際層面，情況恰恰相反：集中度有所提升，吉尼係數相應上升。人均使用量最高的國家如今佔整體使用量的比重更大，前 20 個國家的人均調整使用量已從 45% 上升至 48%。

圖4：美國各州 Claude 人均使用量的收斂趨勢，顯示前五名州佔比從 30% 降至 24%，收斂速度較前期放緩

圖5：各國 Claude 使用量的國際吉尼係數走勢，顯示全球不平等程度與前一報告相比有所加劇

第二章：學習使用 AI

本章探討兩個反映使用者如何部署和學習 AI 的使用特徵：模型選擇，以及更有經驗的使用者的使用模式。

第一項是模型選擇，揭示了對智慧需求的洞察。目前幾乎沒有關於多模型環境下使用者行為的既有研究，在這種環境中，使用者可以在速度、效能和成本之間進行取捨。Opus 在適當任務上的集中選擇，應能反映將更難、更高價值的任務分配給此一模型的行為。

第二項調查是按資歷劃分的使用情況，探討與使用者加入 Claude.ai 時間相關的差異，旨在揭示學習曲線。使用者在使用 Claude 的過程中會變得更加擅長嗎？使用模式會如何改變？我們發現了與「從做中學習」一致的證據：更有經驗的使用者在對話中有更好的成效，與 Claude 的協作更加深入，嘗試更有難度的任務，並將 Claude 更多地應用於多元化工作場景。

模型選擇

Claude 的模型系列——Haiku、Sonnet 和 Opus——在成本、速度和效能之間各有取捨。Opus 擁有最高的上下文限制，在複雜任務上表現卓越，但在 API 中每個 token 的成本也最高。一個具有成本意識且接近使用上限的使用者，會希望將 Opus 用於困難、高價值的任務，並為較簡單的工作選擇其他替代方案。這大致上與我們在資料中觀察到的情況吻合。3

在使用所有模型系列的付費 Claude.ai 使用者中，55% 的電腦與數學任務（如軟體程式碼撰寫）使用 Opus，相較之下教育類任務僅有 45%。

技術使用者可能認識到效能優勢，主動從預設的 Sonnet 切換。具有效率意識的使用者則可能將 Sonnet 用於例行工作，以避免耗盡使用配額。這些差異也可能反映出教育任務相對簡單，或學生群體對成本的敏感度較高。

更細緻的分析揭示了較高薪資職業任務與更多 Opus 選擇之間的相關性。以 Claude.ai 為例，軟體開發人員任務的 Opus 使用率為 34%，而家教任務僅為 12%。在控制其他因素後，平均時薪每增加 10 美元，Claude.ai 對話中 Opus 的佔比就增加 1.5 個百分點。第一方 API 流量對任務複雜度的敏感度約為前者的兩倍，任務價值每增加 10 美元，Opus 佔比增加 2.8 個百分點。實施程式化工作流程的使用者，相較於網頁介面使用者，可能有更多理由切換模型。

圖6：各任務型別的 Opus 模型選擇比例，顯示使用者傾向為薪資較高的技術性任務（如軟體開發）選用 Opus，而教育類任務的 Opus 使用率相對較低

圖7：職業薪資水準與 Opus 模型選擇率的相關性分析，顯示在 Claude.ai 中每增加 10 美元時薪，Opus 使用率提升約 1.5 個百分點，API 中的效應則約為兩倍

學習曲線

Claude 的第一個模型於 2023 年 3 月發布。此後的快速成長形成了多元化的使用者資歷分布——從自第一個模型發布就開始使用的使用者，到在測量期間前不久才註冊的使用者，皆涵蓋其中。Claude 資歷如何影響使用者體驗，是值得深入瞭解的課題。

高資歷使用者（在樣本期至少 6 個月前即已加入的使用者）展現出更多迭代式使用 Claude 的方式，而委派型使用則大幅減少。他們將 Claude 用於工作的比例高出約 7 個百分點，偏好所需教育程度較高的任務，任務分布也較不集中。前 10 大 O*NET 任務在其對話中佔 20.7%，相比之下，對照組為 22.2%。

高資歷使用者的任務分布，對應至每增加一年使用年資約需多一年教育程度的任務。同時，他們較少將 Claude 用於個人應用：在平台使用一年的使用者，其 38% 的對話屬於個人性使用，而最新使用者則為 44%。

這些模式可以有多種解讀。高資歷使用者代表一個自我篩選的群體，可能反映出固有特質——例如作為早期採用者的程式設計師，即為一個潛在的混淆因素。此外也存在存活者偏差：一年前註冊的使用者很可能認為 Claude 對他們有用，而那些沒有繼續使用的人則未被觀察到。

早期的分析記錄了低收入、教育程度較低的國家往往有較高的使用複雜度。這很可能由早期採用模式所解釋：任何國家或使用者群體中 Claude 的第一批使用者，很可能是在高價值技術應用中使用 Claude 的早期採用者；隨著採用率增長，越來越多的人加入，使用者基礎擴充套件到包含更多休閒型使用場景。

請求叢集分析揭示了最高資歷使用者中薪資均值最高的任務：AI 研究、git 操作、手稿修訂和創業融資。而最低資歷使用者中，則是：俳句創作、運動比分查詢、派對食物建議。

圖8：使用者資歷與任務分布的關係，顯示高資歷使用者（6 個月以上）偏向薪資較高、教育程度要求較高的工作型任務，而新使用者則集中於個人休閒類查詢

經驗效應

為了在控制變數的情況下進一步探索這些關係，我們使用帶有對話特定特徵的日誌層級資料進行分析。7 以對話成功率為結果變數、長資歷指標為預測變數的簡單雙變數迴歸顯示，長資歷使用者成功完成對話的機率約高出 5 個百分點。8

成功或許只是良好提示技巧的反映，而這種技巧是可以被模仿的。然而，若高資歷使用者從事的是本質上不同、基準成功率就更高的任務，那麼任務分配可能才是解釋這些發現的真正原因。

加入 O*NET 任務和請求叢集固定效應的規格，比較了執行相同型別任務的高資歷與低資歷使用者——例如，比較在「執行企業財務分析、估值和建模」叢集中的高資歷與低資歷使用者。固定效應吸收了叢集內高資歷使用者的平均優勢，產生了 3 個百分點的效應值。

最終規格進一步加入模型、使用場景和地理固定效應，探討高資歷使用者是否選擇了不同的模型、以不同語言溝通、維護著不同的應用程式，或從不同地區註冊。結果顯示高資歷使用者的效應略有提升，表明在控制所有這些因素後，成功率提升了 4 個百分點。

這些結果顯示，高資歷使用者在 Claude 對話中更為成功，且這一現象並非源於語言或所執行任務等簡單因素。

高資歷使用者與 Claude 的對話更為成功，這無法以他們使用的語言或所執行的任務等簡單因素來解釋。一個有力的解釋涉及在平台上學習能力的提升——這可能是隨著經驗積累而擴充套件的關鍵成功決定因素。

圖9：高資歷使用者對話成功率的迴歸分析結果，顯示在控制任務型別、模型選擇、使用語言及地理因素後，長資歷使用者的成功率仍高出 3 至 4 個百分點

討論

本報告重新審視了 Claude 使用的主要指標，並首次分析了模型選擇與對話成功率。自 2025 年 8 月以來，第一方 API 使用日趨集中：前 10 大 O*NET 任務從佔流量的 28% 增至 33%。Claude.ai 的任務自 2025 年 11 月資料以來趨於多元化。美國地理收斂持續，但速度低於早期報告所示。採用率較低的國家面臨相對輕微的劣勢。

經濟基本框架使我們能夠追蹤 Claude 使用方式的縱向變化。課業相關的使用佔比有所下降，個人性對話則有所增加。Claude.ai 輸入的平均複雜度略有下降，對話顯示出較不複雜的輸入和較低的獨立完成時間估計。

Claude 整體上處理的是複雜、高價值的任務，這些任務在美國整體經濟活動中並不具代表性。隨著使用者群的擴大，薪資較低的任務類別佔流量的比例略有增加。以職業薪資為代理指標衡量的任務價值估計，在 Claude.ai 中自我們第一份報告以來有所下降，而在 API 中則有所上升。兩個平台都將複雜任務集中於最強大的 Opus 模型系列，這一轉變在 API 中更為顯著。

有經驗的使用者對 Claude 的使用更具協作性，更多地將其用於工作，嘗試更有難度的任務，並取得更好的成效。這與自動化使用在最進階、最成熟的使用者中佔主導地位的預期相反；相反地，有經驗的使用者表現出對迭代型使用的偏好。這些結果與「從做中學習」的論點一致：更多接觸 AI 能帶來更強的能力提取效果。

另一種解釋是，群組效應或存活者偏差可能是推動這些結果的因素。早期採用者可能具有高於平均水準的技術能力；持續使用 Claude 的使用者可能代表那些認為任務最適合使用 Claude 的人。經過嚴格控制的迴歸分析解釋了簡單的混淆因素（高資歷使用者帶來不同型別的任務）；隨著時間推移，我們預計將能夠更好地辨別群組效應和存活者偏差與「從做中學習」之間的差異。

成功率的差異可能加劇勞動市場不平等。經濟學家長期以來認識到技能偏向型技術變革的潛在影響：這類創新會提高高技能工作者的薪資，同時壓抑其他人的薪資水準。本分析識別出這一現象可能正在發生的一個管道：傾向於高技能工作者的早期採用者，與後來的、技術能力較低的採用者相比，與 Claude 的互動更為成功。儘管兩個群體都面臨 AI 驅動的衝擊，但早期採用者在擴增階段是最大的受益者。

圖10：報告綜合分析的最終圖表，呈現 Claude 使用不平等、學習曲線效應與勞動市場影響之間的整體關聯

腳註

2. 在 Claude Code 中自動化的程式碼撰寫任務，因其源自 Claude.ai 訂閱，故被彙總計入 Claude.ai 流量。
3. 我們將以下 O*NET 任務類別定義為「個人性」使用（或個人用途）：1）食品製備及相關服務（35-0000）；2）個人護理與服務（39-0000）；3）藝術、設計、娛樂、體育及媒體（27-0000），僅針對娛樂/體育任務；4）農業、漁業及林業（45-0000）；5）建築及場地清潔維護（37-0000）；6）社群及社會服務（21-0000），主要針對個人健康/家庭任務。我們不將教育任務納入個人使用。
4. 在此分析中，我們從樣本中排除了 Claude.ai 免費方案使用者。
5. 為了彙總與多個執行相同任務的職業相關的 O*NET 薪資，我們以就業人數和在該任務上花費的時間比例為權重，計算其薪資的加權平均值。
6. 為找出新興模式，我們篩選出以下 O*NET 任務：（i）在當前資料中至少出現 300 次；（ii）與前份報告相比增長至少 2 倍。
7. 所給出的範圍反映了在前份報告中以有（5 年）或無（9 年）權重執行模型的不同估計。
8. 在此分析中，我們使用日誌層級資料以相同的隱私閾值估計模型。詳細方法論見附錄。
9. 無論如何定義高資歷，這些結果均相似。
10. 我們的抽樣期間與超級盃廣告的發布時間重疊，帶來了許多首次使用者。