Anthropic 經濟指數 2026 年 1 月報告

Anthropic 引入了「經濟基礎指標」——一組五項基礎性測量指標，用以追蹤 Claude 對現實世界經濟影響。2026 年 1 月的報告顯示，AI 生產力提升在需要高人力資本的複雜任務中尤為顯著，但這些提升因不同任務複雜度的成功率差異而有所減弱。

經濟基礎指標：新的測量框架

Anthropic 現在使用五項經濟基礎指標，分析來自 Claude.ai 及其第一方 API 的對話。這些指標是透過要求 Claude 根據以下標準對樣本中的每段對話進行分類而得出的：

• 任務複雜度
• 技能水平
• 目的（工作、教育或個人用途）
• AI 自主性
• 成功

此框架使 Anthropic 能夠超越簡單的任務覆蓋率，深入理解 AI 如何改變職業性質與勞動生產力。

對任務表現與生產力的影響

複雜度驅動的加速

Claude 對最複雜的任務提供的時間節省最為顯著。根據理解任務輸入所需學歷年數的估計，Anthropic 發現：

• 高中教育（12 年）： 在 Claude.ai 上，任務速度提升了 9 倍。
• 大學學位（16 年）： 在 Claude.ai 上，任務速度提升了 12 倍。

在 API 上報告的加速效果甚至更為顯著。雖然較簡單任務的成功率略高（需少於高中教育的任務成功率為 70%，需大學學位的任務為 66%），但生產力提升隨複雜度增加的幅度，遠超過成功率下降的幅度。

有效時間範圍

雖然像 METR 之類的基準顯示 Claude Sonnet 4.5 在耗時 2 小時的任務上可達 50% 成功率，但 Anthropic 的現實世界數據顯示不同結果：

• API 用戶： 耗時約 3.5 小時的任務，成功率為 50%。
• Claude.ai 用戶： 耗時約 19 小時的任務，成功率為 50%。

Anthropic 將此差異歸因於選擇偏差（使用者帶來他們認為會成功的任務）以及使用者互動的迭代性，使用者會將複雜任務拆解為較小步驟，以修正模型的路徑。

職業與全球趨勢

有效 AI 覆蓋率與去技能化

Anthropic 区分了「任務覆蓋率」（使用中出現的任務比例）與「有效 AI 覆蓋率」（AI 可成功執行的時間加權職責比例）。此調整顯示，放射科醫師與資料輸入鍵入員等職業受 AI 影響的程度，比僅看任務覆蓋率所顯示的更嚴重；而教師與軟體開發人員受影響程度則較輕。

對任務內容的分析顯示，Claude 更可能覆蓋需要更高教育程度的任務（平均 14.4 年），高於整體經濟的平均值（13.2 年）。Anthropic 指出，若 AI 完全自動化這些高教育程度的任務，可能導致教師、旅遊顧問與技術寫作者等職業出現「去技能化」效應。

全球採用模式

AI 使用情況因國家經濟發展程度而異：

• 高人均 GDP 國家： Claude 在工作與個人用途上的使用頻率更高。
• 低人均 GDP 國家： 使用更集中於教育課程作業。

總體經濟影響

在考慮任務可靠性（成功機率）後，Anthropic 修正了先前對美國勞動生產力增長的估計。雖然僅考慮任務加速時，預期年增長率為 1.8 個百分點，但考慮成功率後，估計值降低為：

• Claude.ai 上的任務：每年 1.2 個百分點
• API 上的任務：每年 1.0 個百分點

儘管有所降低，但每年 1 個百分點的增長，仍可使美國生產力增長回到 1990 年代末至 2000 年代初的水平。

時間序列趨勢（2025 年 1 月至 11 月）

• 任務集中度： AI 使用仍高度集中；Claude.ai 上的前十項工作任務現佔所有工作任務的 24%，高於 2025 年 1 月的 21%。
• 互動模式： 在 Claude.ai 上，增強（52% 的對話）已超越自動化（45%），成為主要互動模式。
• 地理分布： 雖然全球使用仍與人均 GDP 緊密相關，但美國境內的 Claude 使用正逐漸在各州間變得更均勻。