Anthropic 经济指数发布及初步发现

TL;DR

Anthropic 发布了 Anthropic 经济指数，并发表了一份初步报告，通过使用匿名化的 Claude.ai 对话数据，量化了 AI 在美国各职业中的使用情况，并向研究社区开源了该数据集。

该指数衡量的内容

该指数分析的是现实世界的 AI 使用情况，而非调查或预测。它利用 Anthropic 的 Clio 系统，将大约一百万条 Claude.ai 对话映射到美国劳工部的 O*NET 任务分类法中，然后将任务聚合为职业和六个高层级的职业类别。

"Clio 将与 Claude 的对话（这些对话被严格保密）转化为职业任务和源自 O*NET 的职业……" – Anthropic blog

关键定量发现

按职业划分的 AI 采用情况

Computer & Mathematical 职业占 Claude 查询的 37.2%，尽管它们仅占美国劳动力的 3.4%。
Arts, Design, Sports, Entertainment & Media 占查询的 10.3%，远超其 1.4% 的从业人员比例。
Farming, Fishing & Forestry 等体力劳动类别仅出现在 0.1% 的查询中。

职业内部 AI 使用的深度

只有约 4% 的职业在 ≥75% 的任务中涉及 AI。
大约 36% 的职业在至少 25% 的任务中看到 AI，这表明了适度但广泛的扩散。

工资相关性

中高薪职业（例如程序员、数据科学家、文案撰写者）显示出最高的 AI 使用率。
低薪（例如洗发工）和极高薪（例如产科医生）的工作都表现出极少的 AI 交互。

增强 vs. 自动化

57% 的 AI 辅助任务属于 augmented（AI 与用户协作）。
43% 属于 automated（AI 直接执行任务）。
子分类：增强（augmentation）包括验证（Validation, 2.8%）、任务迭代（Task Iteration, 31.3%）和学习（Learning, 23.3%）；自动化（automation）包括指令（Directive, 27.8%）和反馈循环（Feedback Loop, 14.8%）。

方法论概览

Conversation collection – Claude.ai 的 Free 和 Pro 计划对话数据被采集，并保护了用户隐私。
Task matching – Clio 将每条对话匹配到最相关的 O*NET 任务。
Occupational aggregation – 任务被分组为职业，然后分为六个大类（Computer & Mathematical, Arts & Media, Education & Library, Office & Administrative, Life Sciences, Business & Financial）。
Supplementary data – 合并了来自 O*NET 的美国中位数工资数据，以研究薪资与使用情况的关系。
Validation – 论文的附录 B 详细说明了 Clio 分类准确性的验证检查。

Anthropic 承认的局限性

数据集无法确认对话是否与工作相关；爱好或个人用途可能混杂其中。
分析没有捕捉到用户最终如何使用 Claude 的输出（例如，是复制代码并粘贴，还是手动编辑）。
仅代表了 Free 和 Pro 计划用户；API、Team 和 Enterprise 用户被排除在外。
可能存在分类错误；请参阅论文附录 B 获取错误率。
Claude 缺乏原生图像生成能力，这可能导致创意类 AI 使用情况被低估。
Claude 强大的编程能力可能会使样本向软件相关任务倾斜。

对政策和研究的影响

Occupational impact – AI 使用在薪资中等、知识密集型工作中的集中，表明 AI 目前是在增强而非完全自动化工作，这意味着任务组成的变化而非大规模失业。
Augmentation dominance – 增强（augmentation）占据主导地位（57%）表明 AI 更多时候是协作伙伴，这可以为专注于人机协作的劳动力培训计划提供参考。
Data-driven policy – 数据集的开放获取使经济学家和政策制定者能够测试关于生产力、工资动态和行业特定破坏的假设。
Longitudinal tracking – Anthropic 计划随着时间的推移重复该分析，以允许研究人员监测趋势，例如自动化比例的增加或 AI 在职业中的渗透率加深。

开放资源与社区参与

Dataset – 可在 https://huggingface.co/datasets/Anthropic/EconomicIndex 完全下载。
Paper – 初步发现详见 arXiv 预印本 https://arxiv.org/abs/2503.04761。
Feedback form – 研究人员可以通过 https://docs.google.com/forms/d/e/1FAIpQLSfDEdY-mT5lcXPaDSv-0Ci1rSXGlbIJierxkUbNB7_07-kddw/viewform?usp=dialog 提交评论和研究想法。

未来方向

Anthropic 将继续：

使用更新的 Claude 对话数据来更新该指数。
在可能的情况下，扩展覆盖范围至更多用户层级（API, Enterprise）。
随着模型能力的演进，精炼细化 augmentation vs. automation 的分类法。
发布纵向研究报告，追踪 AI 使用深度的变化、工资-任务相关性以及行业采用模式的变化。

Acknowledgements: 作者感谢 Jonathon Hazell, Anders Humlum, Molly Kinder, Anton Korinek, Benjamin Krause, Michael Kremer, John List, Ethan Mollick, Lilach Mollick, Arjun Ramani, Will Rinehart, Robert Seamans, Michael Webb, 和 Chenzi Xu 为早期反馈提供支持。