Anthropic 經濟指數的推出與初步發現

簡要重點

Anthropic 推出了 Anthropic 經濟指數，發布了一份初步報告，利用匿名化的 Claude.ai 對話資料量化了人工智能在美國職業中的應用情況，並開放原始資料集供研究社群使用。

指數衡量的內容

該指數分析真實世界中的人工智能使用情況，而非調查或預測。它使用 Anthropic 的 Clio 系統，將約一百萬筆 Claude.ai 對話與美國勞工部的 O*NET 任務分類系統進行對應，再將任務聚合至職業與六個高階職業類別。

"Clio 將與 Claude 的對話（這些對話嚴格保密）轉換為來自 O*NET 的職業任務與職業……" – Anthropic 博客

主要量化發現

各職業的人工智能採用情況

電腦與數學 類工作佔據了 37.2% 的 Claude 查詢量，儘管僅佔美國勞動力的 3.4%。
藝術、設計、體育、娛樂與媒體 類別佔 10.3% 的查詢量，遠高於其 1.4% 的勞動力占比。
勞力密集型類別如 農業、漁業與林業 僅佔 0.1% 的查詢量。

各職業中人工智能使用的深度

僅約 4% 的職業在至少 75% 的任務中使用人工智能。
約 36% 的職業在至少 25% 的任務中使用人工智能，顯示出中等程度但廣泛的滲透。

薪資相關性

中高薪職業（如程式設計師、資料科學家、文案撰寫者）的人工智能使用率最高。
低薪（如洗髮師）與極高薪（如婦產科醫師）職業的人工智能互動極少。

增強 vs. 自動化

57% 的人工智慧協助任務屬於增強（人工智慧與使用者協作）。
43% 屬於 自動化（人工智慧直接執行任務）。
子分類：增強包括驗證（2.8%）、任務迭代（31.3%）與學習（23.3%）；自動化包括指令（27.8%）與反饋迴路（14.8%）。

方法論概覽

對話收集 – 收集 Claude.ai 免費與專業方案使用者的對話，並確保使用者隱私。
任務匹配 – Clio 將每筆對話與最相關的 O*NET 任務進行匹配。
職業聚合 – 將任務歸類至職業，再歸入六個廣泛類別（電腦與數學、藝術與媒體、教育與圖書館、辦公與行政、生命科學、商業與財務）。
補充資料 – 合併 O*NET 提供的美國中位數薪資資料，以分析薪資與使用情況的關係。
驗證 – 論文附錄 B 詳述了 Clio 分類準確性的驗證檢查。

Anthropic 承認的限制

資料集無法確認對話是否與工作相關；可能混雜個人或休閒用途。
分析未涵蓋使用者如何最終使用 Claude 的輸出（例如：直接複製程式碼 vs. 手動編輯）。
僅涵蓋免費與專業方案使用者；API、團隊與企業使用者未納入。
分類錯誤可能發生；請參閱論文附錄 B 的錯誤率。
Claude 缺乏原生圖像生成功能，可能低估創意類人工智能的使用。
Claude 強大的程式設計能力可能導致樣本偏向軟體相關任務。

對政策與研究的影響

職業影響 – 人工智能使用集中在中等薪資、知識密集型工作，顯示目前 AI 主要是增強而非完全自動化工作，意味著工作內容的轉變，而非全面性的職位消失。
增強為主導 – 增強略佔優勢（57%），顯示 AI 更常作為協作夥伴，這可能影響以人機協作為重點的職場培訓計畫。
資料驅動政策 – 資料集開放可讓經濟學家與政策制定者測試關於生產力、薪資動態與產業特定衝擊的假設。
長期追蹤 – Anthropic 計畫定期重複分析，讓研究者監測趨勢，如自動化比率上升或職業內人工智能滲透更深。

開放資源與社群參與

資料集 – 可完全下載：https://huggingface.co/datasets/Anthropic/EconomicIndex。
論文 – 初步發現詳述於 arXiv 預印本：https://arxiv.org/abs/2503.04761。
意見回饋表單 – 研究人員可透過 https://docs.google.com/forms/d/e/1FAIpQLSfDEdY‑mT5lcXPaDSv‑0Ci1rSXGlbIJierxkUbNB7_07‑kddw/viewform?usp=dialog 提交意見與研究構想。

未來方向

Anthropic 將持續：

使用更新的 Claude 對話資料更新指數。
在可能的情況下擴展至更多使用者層級（API、企業）。
隨著模型能力演進，優化增強與自動化的分類架構。
發布長期報告，追蹤人工智能使用深度、薪資-任務相關性與產業採用模式的變化。

致謝：作者感謝 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 與 Chenzi Xu 提供早期反饋。