Anthropic 研究：基于 81,000 名用户调查的 AI 经济学

Anthropic 发布了对 81,000 名 Claude 用户调查的结果，揭示了员工实际接触 AI 任务的程度与其对失业风险的担忧之间存在强相关性。虽然用户报告了显著的生产力提升——特别是在扩展能力范围方面——但那些在工作中体验到最快速度提升的用户，矛盾的是，也对自身角色的未来可行性表现出最大的担忧。

Job Displacement Concerns and AI Exposure

感知到的失业威胁与“观察到的接触程度”直接相关，Anthropic 将其定义为使用 Claude 处理某项工作的任务百分比。观察到的接触程度每增加 10 个百分点，感知的失业威胁就会增加 1.3 个百分点。处于接触程度前 25% 的员工提到失业担忧的频率是处于后 25% 的员工的三倍。

职业阶段也显著影响经济焦虑感。职业生涯早期的受访者比资深专业人士更有可能表达对失业的担忧。这与之前的研究一致，即美国近期毕业生和职业生涯早期员工的招聘速度有所放缓。

Productivity Gains Across Income and Occupations

用户报告了显著的生产力提升，在 1-7 分制的评分中，平均生产力评分为 5.1 分（其中 5.1 对应“生产力大幅提升”）。这些收益在不同收入水平和职业中分布不均：

• High-Wage Workers: Software developers 和其他高薪职位报告了最大的生产力提升。即使在排除计算机和数学相关职业后，这一趋势仍然存在。
• Low-Wage Workers: 一些低薪员工也报告了高收益，通常是使用 AI 来自动化重复性回复或启动技术类副业（例如，一名送货司机开始经营电子商务业务）。
• Management and Technical Roles: 管理类职业和计算机/数学类角色显示出最高的推断生产力收益。相反，科学和法律专业显示出最轻微的提升，一些律师指出该模型无法遵循精确、复杂的指令。

关于这些收益的分配，大多数指明受益者的受访者都提到了自己，并指出任务完成速度更快且范围扩展了。然而，10% 的受访者表示，雇主或客户通过要求更多工作来获取这些收益。

The Impact of Scope and Speed on Worker Sentiment

生产力提升通常表现为两种主要方式：范围扩展和速度提升。

• Expansion of Scope: 被 48% 提到生产力的用户引用，这指的是 AI 解锁了新的能力（例如，一名非技术用户变成了“full stack developer”）。
• Increase in Speed: 被 40% 的用户引用，这指的是更快地完成现有任务。

Anthropic 观察到速度提升与工作威胁之间存在 U 形关系。报告 AI 减慢了他们速度的用户（例如一些认为 AI 太过僵化的精细艺术家和作家）表现出高度的失业担忧。同时，体验到最显著速度提升的用户也报告了最高水平的工作威胁，这可能是因为任务所需时间的快速缩减为该角色的未来必要性带来了不确定性。

Methodology and Limitations

Anthropic 使用 Claude-powered 分类器从开放式调查响应中推断出职业、职业阶段和情绪等属性。研究人员承认存在以下几点限制：

1. Selection Bias: 调查仅限于 Claude.ai 的个人账户用户中自愿响应的受访者，这意味着他们可能更有可能认为收益流向了自己。
2. Inference Errors: 由于职业和职业阶段是通过上下文线索从自由文本中推断的，而不是直接询问，因此某些数据点可能不准确。
3. Mention Bias: 研究结果是基于受访者在开放式访谈中偶然提到的内容，而不是结构化的调查问题。