Anthropic经济指数报告核心摘要

• 核心观点：AI正以前所未有的速度被采用，但其早期采纳在地理区域和企业任务上高度集中，遵循了新技术的扩散模式，只是时间线更短、强度更大。
• 关键数据：仅在美国，报告在工作中使用AI的员工比例从2023年的20%跃升至40%。AI的采纳速度远超个人电脑和互联网。
• 研究维度：本报告首次引入了对Claude.ai对话的地理分析和对企业API使用情况的开创性研究，揭示了AI如何随时间演变、跨地区差异以及企业如何部署AI解决商业问题。

随时间变化的趋势

• 知识密集型任务增长：教育类任务的使用份额从9.3%增至12.4%，科学类任务从6.3%增至7.2%。这表明AI在知识合成与解释方面的应用扩散迅速。
• 用户信任度提升：用户将完整任务委托给Claude的“指令式”对话（自动化模式）从27%激增至39%。这可能是因为模型能力提升和用户对AI的信任度增加。
• 编程任务的演变：虽然编程任务仍占主导地位（36%），但其内部结构发生了显著变化。直接创建新程序的任务比例增加了4.5个百分点，而调试代码的任务减少了2.9个百分点。这暗示模型变得更可靠，用户能用更少的时间修复问题，将更多时间用于创造。

全球及美国各州的使用差异

• 全球采纳集中于高收入国家：引入Anthropic AI使用指数 (AUI)来衡量人均使用率。结果显示，AI使用与收入水平强相关。例如，新加坡 (AUI 4.6x) 和 加拿大 (AUI 2.9x) 的人均使用率远超预期，而新兴经济体如印度 (AUI 0.27x) 和 尼日利亚 (AUI 0.2x) 则较低。这可能加剧全球经济不平等。
• 美国国内的采纳模式：按人均计算，华盛顿特区 (AUI 3.82x) 和犹他州 (AUI 3.78x) 领先，超过了加州。使用模式反映了地方经济特色，例如加州的IT、佛罗里达的金融服务和华盛顿特区的文件编辑。
• 编程任务在低采纳地区的突出地位：在AI采纳率较低的国家，编程任务的占比更高。例如，在印度，编码任务占所有用途的一半以上，而全球平均水平约为三分之一。随着采纳成熟，使用场景会变得更加多样化。
• 协作模式的差异：控制任务类型后发现，高采纳率国家更倾向于协作和迭代（增强模式），而低采纳率国家更倾向于委托完整任务（自动化模式）。

企业如何通过API使用Claude

• 使用场景更专业化：企业API的使用与个人用户类似，但更集中。与Claude.ai相比，API在编码和办公/行政任务上的使用率更高，而在教育和写作任务上则较低。
• 软件开发是绝对主导：在API流量中，软件开发任务占据了主导地位。前15个使用集群（占总流量的一半）中，大多数与编码和开发相关，如调试Web应用（约6%）和构建商业软件。约5%的API流量专门用于开发和评估AI系统本身。
• 自动化为主导模式：77%的企业API使用呈现自动化模式，远高于Claude.ai用户的约50%。这反映了API的程序化特性，企业将AI嵌入系统以直接执行任务，这可能带来更大的生产力提升和劳动力市场变革。
• 能力比成本更重要：分析发现，API客户倾向于使用成本更高的任务，这些任务通常更复杂但价值也更高。成本和使用量之间存在正相关关系，表明模型能力和自动化带来的经济价值是企业采纳AI的主要驱动力，而非成本本身。
• 上下文信息是复杂部署的瓶颈：分析显示，需要更长输出的复杂任务，也需要更长的输入（上下文）。这表明，获取和组织相关的上下文信息是企业成功部署AI的关键瓶颈，特别是在那些知识分散或未数字化的领域。