Anthropic 经济指数 2026 年 1 月报告

Anthropic 引入了“经济原语”（economic primitives）——一套包含五个基础测量指标的体系——以追踪 Claude 的现实世界经济影响。2026 年 1 月的报告显示，AI 生产力增益在需要高人力资本的复杂任务中最为显著，尽管这些增益受到不同任务复杂度下不同成功率的影响而有所减弱。

经济原语：一种新的测量框架

Anthropic 现在使用五个经济原语来分析来自 Claude.ai 和其第一方 API 的对话。这些原语是通过要求 Claude 对样本中的每一次对话根据以下标准进行分类而得出的：

任务复杂度
技能水平
目的（工作、教育或个人使用）
AI 自主性
成功率

这一框架允许 Anthropic 超越简单的任务覆盖率，去理解 AI 如何改变职业和劳动生产力的本质。

对任务表现和生产力的影响

复杂度驱动的加速

Claude 为最复杂的任务提供了最显著的时间节省。根据对理解任务输入所需的受教育年限的估算，Anthropic 发现：

高中教育（12 年）： 在 Claude.ai 上的任务加速倍数达 9 倍。
大学学位（16 年）： 在 Claude.ai 上的任务加速倍数达 12 倍。

API 上的加速效果报告称甚至更高。虽然简单任务的成功率略高（需要低于高中教育水平的任务成功率为 70%，而需要大学学位的任务为 66%），但生产力增益随复杂度的提升而增长的幅度比成功率下降的幅度更为剧烈。

有效时间跨度

虽然像 METR 这样的基准测试表明 Claude Sonnet 4.5 在耗时 2 小时的任务上能达到 50% 的成功率，但 Anthropic 的现实世界数据呈现了不同的结果：

API 用户： 对于耗时约 3.5 小时的任务，成功率为 50%。
Claude.ai 用户： 对于耗时约 19 小时的任务，成功率为 50%。

Anthropic 将这种差异归因于选择偏差（用户会带来他们认为会成功的任务）以及用户交互的迭代性质，即用户会将复杂任务分解为更小的步骤，以纠正模型的路径。

职业与全球趋势

有效 AI 覆盖率与去技能化

Anthropic 区分了“任务覆盖率”（usage 中出现的任务比例）与“有效 AI 覆盖率”（按时间加权的、AI 可以成功执行的职责比例）。这种调整揭示了放射科医生和数据录入员等职业受 AI 的影响比单纯的任务覆盖率所暗示的更为严重，而教师和软件开发人员受到的影响较小。

任务内容分析表明，Claude 与一般经济体的平均水平（13.2 年）相比，更倾向于覆盖需要更高教育水平（平均 14.4 年）的任务。Anthropic 指出，如果 AI 完全自动化了这些高教育任务，可能会导致教师、旅行代理和技术作家等职业出现“去技能化”（deskilling）效应。

全球采用模式

AI 使用情况因国家的经济发展程度而异：

高人均 GDP 国家： Claude 被更频繁地用于工作和个人用途。
低人均 GDP 国家： 使用情况更集中于教育课程。

综合经济影响

在调整了任务可靠性（成功的概率）后，Anthropic 修订了其之前对美国劳动生产力增长的预测。虽然仅凭任务加速倍数就暗示了每年 1.8 个百分点的增长，但考虑到成功率后，该预测被下调至：

Claude.ai 上的任务： 每年 1.2 个百分点。
API 上的任务： 每年 1.0 个百分点。

尽管有所下调，但 1 个百分点的增长将使美国生产力增长回归到 20 世纪 90 年代末和 21 世纪初的水平。

长期趋势（2025 年 1 月至 11 月）

任务集中度： AI 使用仍然保持集中；Claude.ai 上的前十项工作任务现在占所有工作任务的 24%，高于 2025 年 1 月的 21%。
**交互模式： ** Claude.ai 上的主要交互模式已从自动化（45%）转变为增强（52%）。
地理分布： 虽然全球使用情况仍与人均 GDP 挂钩，但美国境内的 Claude 使用情况在各州之间的分布正变得更加均匀。