Anthropic Economic Index: India Country Brief

TL;DR

印度是 Claude.ai 全球第二大用户群，其特点是在专业 IT 领域使用高度集中，并且在处理复杂任务时倾向于赋予 AI 更多的自主权。虽然绝对使用量很高，但人均采用率仍然较低，这表明在当前以技术为中心的枢纽之外存在巨大的扩张机会。

Global Adoption and Per-Capita Disparity

印度在 Claude.ai 总使用份额中位居全球第二，占 2025 年 11 月观察到的总对话数的 5.8%。然而，这一高排名是由于印度庞大的人口基数，而非广泛的采用。当按劳动年龄人口进行调整后，印度在 116 个国家中排名第 101 位，落后于新加坡和马来西亚等其他亚洲国家。

Geographic and Occupational Concentration

印度的 AI 采用率目前集中在成熟的技术劳动力和特定的经济枢纽：

Geographic Concentration

超过一半的印度 Claude.ai 使用量集中在四个邦：Maharashtra (15.5%), Tamil Nadu (13.2%), Karnataka (12.7%), and Delhi (10.5%)。这种分布反映了印度的 IT 行业地理分布和城市经济产出，特别集中在 Bangalore, Hyderabad, Chennai, Mumbai, and Delhi NCR 等城市。

Occupational Concentration

印度在致力于软件相关任务的 AI 使用份额方面位居全球第一，其中 45.2% 的所有 O*NET-mapped tasks 属于这一类别。这超过了越南 (42.1%) 和埃及 (39.2%) 的份额。虽然软件开发和工程占据主导地位，但教育任务也代表了使用案例的重要组成部分。

Economic Primitives: Distinctive Usage Patterns

对“经济原语”（衡量人机协作的指标）的分析显示，印度用户使用 AI 的方式与全球平均水平不同：

• Productivity Speedup: 印度用户在任务上的速度提升了 15 倍，将原本需要 3.8 小时（不使用 AI）的工作缩短至约 14.8 分钟。这超过了全球平均 12 倍的速度提升（3.1 小时缩短至 15.4 分钟）。
• Work Orientation: 51.3% 的印度使用量是与工作相关的，而全球为 46%。印度的人均使用量较低 (27.8%)，低于全球平均水平 (34.7%)。
• AI Autonomy: 印度用户向 AI 授予了更多的决策自主权，在 1-5 分的量表中得分 3.60，而全球平均为 3.38。
• Human-Only Ability: 印度用户更频繁地使用 AI 来完成他们无法独自完成的任务。只有 84.6% 的任务是由人类单独完成的，而全球为 87.9%。
• Prompt Sophistication: 印度在 AI 回复的教育水平方面位居全球前 10%，这反映了高质量的用户提示词 (prompt) 与复杂输出之间的相关性。

Strategic Implications for AI Growth

Expanding Beyond IT Services

由于 45.2% 的任务是软件相关的，且使用量集中在四个邦，扩大 AI 的经济影响需要超越现有的 IT 服务框架和专业优势。

Productivity Gains as a Value Proposition

在复杂任务上的 15 倍速度提升证明了印度通过比全球平均水平更有效地压缩复杂任务所需的时间，正在从 AI 中提取显著的价值。

Productivity Gains as a Value Proposition

在复杂任务上的 15 倍速度提升证明了印度通过比全球平均水平更有效地压缩复杂任务所需的时间，正在从 AI 中提取显著的价值。

Addressing Structural Barriers

印度在总使用量排名第 2 位与人均使用量排名第 101 位之间的差距，与人均 AI 采用率与人均收入之间的全球相关性一致。提高采用率将需要解决与收入、数字基础设施以及 IT 行业之外的意识问题相关的障碍。

The Role of AI Skills

鉴于提示词 (prompt) 的复杂程度与回复质量之间的全球相关性，针对当前 IT 密集型用户群之外的劳动者开展针对性的培训计划，可以显著提高更广泛的 AI 采用的投资回报率。

Methodology

本分析基于 2025 年 11 月 13 日至 20 日期间 Claude.ai 消费者使用情况 (Free, Pro, and Max) 的隐私保护数据。地理位置分配是通过基于 IP 的地理定位进行的，职业分类使用了 O*NET task taxonomy 和 SOC occupation groups。只有包含至少 200 个观察值的国家才被纳入排名，以确保测量准确性。