Anthropic 经济指数：分析 AI 对劳动力市场的影响
Anthropic 推出了 Anthropic 经济指数，这是一项旨在追踪 AI 对劳动力市场和经济产生的现实世界影响的倡议及开源数据集。通过分析 Claude.ai 上数百万个匿名对话，该倡议提供了关于哪些职业任务正在被 AI 增强或自动化的实证数据，从而超越了问卷调查，转而观察实际的使用模式。
各职业的 AI 使用模式
AI 的采用目前集中在技术和创意领域，且 AI 使用情况与这些部门的实际劳动力规模之间存在显著差异。
- 主要采用中心："computer and mathematical"（计算机与数学）类别占查询量的 37.2%，侧重于软件修改、代码调试和网络故障排除。"arts, design, sports, entertainment, and media"（艺术、设计、体育、娱乐和媒体）类别紧随其后，占 10.3%，主要用于写作和编辑任务。
- 低采用领域：涉及高强度体力劳动的职业，如 "farming, fishing, and forestry"（农业、渔业和林业），其查询量占比最低，仅为 0.1%。
- 劳动力差异：劳动力代表性与 AI 使用情况之间存在显著差距。例如，计算机和数学类工作仅占美国劳动力 3.4%，但在 Claude 对话中却占了 37.2%。
集成深度与工资相关性
AI 目前是扩散在许多任务中，而不是取代整个工作，其使用模式与特定的薪资水平密切相关。
- 任务级扩散：大约 36% 的职业在至少 25% 的相关任务中使用 AI。然而，只有 4% 的职业在 75% 或更多任务中使用 AI，这表明极少有工作被完全自动化。
- "中高薪"峰值：AI 使用在薪资中位数处于中高水平的范围内最为普遍（例如，计算机程序员和文案撰写者）。相反，薪资最低和最高的职位（如产科医生）都显示出较低的 AI 使用率，Anthropic 将其归因于当前的能力限制和实际障碍。
增强 vs. 自动化
现实世界的使用数据表明，AI 更频繁地被用于增强人类能力，而不是将其完全取代。
- 增强 (57%)：大多数任务涉及 AI 与用户协作。这包括用于头脑风暴和完善的 "Task Iteration"（任务迭代，31.3%）、用于知识获取的 "Learning"（学习，23.3%）以及用于验证工作的 "Validation"（验证，2.8%）。
- 自动化 (43%)：较少一部分任务涉及 AI 直接执行工作。这分为 "Directive"（指令型任务，27.8%），即几乎没有交互的完全委派，以及 "Feedback Loops"（反馈循环，14.8%），即完成过程由环境反馈引导。
方法论：Clio 分析工具
为了将对话映射到经济数据，Anthropic 开发了 "Clio"，这是一种在对交互进行分类的同时保留用户隐私的自动化分析工具。
- 任务映射：Clio 分析对话并将它们与美国劳工部的 O*NET 数据库进行匹配，该数据库包含大约 20,000 个特定的工作相关任务。
- Categorization（分类）：任务被分组为职业，然后进一步汇总为更广泛的职业类别（例如，business and financial，商业与金融）。
- 数据来源：该分析是基于 Claude.ai Free 和 Pro 计划的用户产生的约一百万个对话进行的。
研究局限性
Anthropic 指出关于数据代表性的几点注意事项：
- Intent Ambiguity（意图模糊性）：并不总是清楚用户是在执行专业任务还是个人爱好。
- Usage Ambiguity（使用模式模糊性）：如果用户对输出结果进行了大量编辑，那么一个看起来像是 "automation"（自动化）的任务可能实际上是 "augmentation"（增强）。
- User Base Bias（用户群偏差）：数据仅包含 Claude.ai Free 和 Pro 用户，不包括 API、Team 和 Enterprise 用户。此外，由于 Claude 被定位为产品为强大的编程模型，编程任务可能会被过度代表。
- Modality Limits（模态限制）：由于 Claude 无法生成图像，涉及视觉媒体的创意使用场景并未被捕捉到。