Anthropic报告揭示AI对工作与生产力的影响：谁变强，谁变弱？
Anthropic首次公开200万次Claude真实对话数据，揭示AI对不同技能岗位的影响。报告指出AI正创造新的分水岭，提升高技能工作者生产力，并带来“去技能化”或“上技能化”趋势，同时指出协作式人机互动的重要性，以及全球AI使用差距扩大的风险。
 |  |  |  |
AI 正在加速世界的分化，塑造新的劳动力格局。Anthropic 首次公开的内部数据显示，人工智能的影响并非普适，而是正在悄然加剧某些不平等，同时也在某些领域带来前所未有的机遇。这份基于数百万次真实交互的报告，可能会颠覆我们对 AI 力量的固有认知。
正如报告所揭示，AI 正在创造一个深刻的鸿沟，这不仅仅是“会用 AI”和“不会用 AI”的简单分野。Anthropic 通过分析其产品 Claude 的 100 万次对话数据和 100 万条 API 调用记录，并利用 Claude 自身对这些匿名数据进行分析，抽离出衡量 AI 经济影响的五个关键“经济原语”：任务复杂度、人类与 AI 的技能水平、使用场景、AI 自主程度以及任务成功率。这些维度构成了我们理解 AI 经济影响的基石。
AI 的影响绝不是均匀分布的，它正在催生一个更为隐蔽且深刻的技能与生产力鸿沟。
AI使用的“马太效应”：集中化与技术精英
报告首先揭示了一个令人瞩目的现象：AI 的使用呈现出高度集中化。尽管 Claude 上可以识别出超过 3000 种不同的工作任务，但前 10 种任务就占据了 24% 的总使用量。其中，修复软件错误位居榜首，单独占比高达 6%。
计算机和数学相关的任务，在 Claude 的对话使用中占据了三分之一，而在企业 API 调用中更是接近一半。这清晰地表明，目前所谓的“AI 革命”主要集中在计算机编程和技术开发领域。
“当前，AI 的主要受益者和实践者仍是程序员和技术工作者。这表明，大多数人尚未真正开始利用 AI。”
从自动化到协作：AI 使用模式的演变
报告中一个特别有趣的发现是 AI 使用模式的动态变化。在 2025 年 8 月，数据显示 自动化使用首次超过了 增强型使用。自动化模式指的是用户向 Claude 发出指令，并期望它直接完成任务，几乎没有进一步的交互。而增强型使用则强调协作性，用户在这一过程中进行学习、迭代并获得反馈。
早期的数据曾引发担忧，认为人们可能将 AI 降级为单纯的执行工具，而非学习伙伴。然而，到 2025 年 11 月，情况发生了逆转，增强型使用重新占据主导地位，占比达到 52%。这一转变是普遍的，不限于特定任务类型。报告认为，Claude 新增的文件创建、持久记忆和工作流定制等功能，促进了这种更为自然和有价值的人机协作模式。
我认为这是一个积极的信号，它表明用户正在学习如何更好地与 AI 合作，而不是简单地将任务“抛给”它。这种协作模式，正是 AI 真正释放其核心价值的关键。
全球数字化鸿沟：AI 使用的地理差异
从地理分布来看，Claude 的使用与人均 GDP 存在显著关联。一个国家的人均 GDP 每增长 1%，Claude 的人均使用量就增加 0.7%。例如，丹麦的用户使用强度达到了其人口比例的两倍。
然而，这种相关性背后隐藏着令人不安的真相：低收入国家的用户主要利用 Claude 完成作业，而高收入国家的用户则将其应用于工作和个人场景。这揭示了一条清晰的 AI 采用曲线，在发展中国家，早期采用者多为具有特定高价值应用的技术用户或学生；而在成熟市场，AI 的使用场景已普适化到休闲和个人生活。
在美国内部，华盛顿特区、弗吉尼亚州和华盛顿州的使用量最高，这些地区都拥有高比例的科技和数学专业从业者。计算机和数学领域从业者比例每增加 1%，该州的人均 AI 使用量便增加 0.36%，这一因素解释了美国各州 AI 使用差异的近三分之二。
值得欣慰的是，美国各州之间的使用差距在 2025 年 8 月至 11 月的三个月内正在缩小，其扩散速度比 20 世纪的其他重大技术快了大约 10 倍。如果这一趋势持续，2 至 5 年内，美国的州际差距有望趋于平等。
“AI 的扩散速度惊人，但其带来的影响却呈现出显著的地域及经济分化。”
然而，在全球层面，这种趋同的迹象并未显现。全球使用差距既没有缩小，也没有扩大，而是保持着稳定且深刻的不平等。
任务复杂度与成功率的平衡：高技能者的利器
报告的核心发现聚焦于任务复杂性与 AI 成功率之间的权衡。Anthropic 测算了利用 AI 协助完成任务所需的“加速倍数”——即有无 AI 协助下完成任务时间的比值。结果显示，任务越复杂，加速倍数越高。例如，需要高中学历理解的任务可提速 9 倍，而需要大学学历的任务则可提速 12 倍。
这明确意味着，AI 为高技能工作者带来的生产力提升，远超低技能工作者，这与白领工人采用 AI 比例远高于蓝领的数据不谋而合。
然而，任务复杂度也带来了挑战：任务越复杂，Claude 的成功率越低。简单任务的成功率大约为 70%，而需要大学学历的复杂任务成功率则下降到 66%。
更重要的是任务时长与成功率的关系。在 API 调用中，耗时不到一小时的任务成功率约为 60%，而人工耗时 5 小时以上的任务，成功率则降至 45%。通过线性拟合，API 调用在人工耗时 3.5 小时的任务上，成功率会降至 50% 的阈值。
然而，Claude 多轮对话的优势在此得到了体现。Claude 的成功率随任务时长的下降更为缓慢。外推计算显示，Claude 在人工耗时 19 小时的任务中，成功率才会降至 50%。
这种显著差异的原因在于 Claude 支持多轮对话。用户可以持续澄清、纠正和迭代。每一次对话都是一次反馈循环，让用户能够及时修正方向。这表明，人机协作的方式本身，能够显著扩展 AI 的有效能力边界。
“人机协作是AI效能的关键。它将AI的有效任务边界，从数小时的任务推向了近20小时的复杂挑战。”
职业影响：“去技能化”与“上技能化”的双重效应
报告还深入分析了 AI 对职业层面的影响，引入了“有效 AI 覆盖率”的概念——即一个工人每天有多少工作时间可以被 Claude 成功完成。计算方法是将每个任务的成功率乘以其在工作时间中所占的比例。
结果出人意料：对于数据录入员而言，虽然其任务覆盖率不高（9个任务中仅覆盖2个），但其有效 AI 覆盖率却很高，因为 Claude 精准地覆盖了他们最核心、最耗时的工作——从源文件读取和录入数据。
类似情况也发生在医学转录员和放射科医生身上，AI 成功覆盖了他们最耗时、最高频的解读诊断图像和准备报告等核心知识工作。尽管 AI 无法替代他们的动手操作和行政工作，但它有效地覆盖了其核心专业任务。相比之下，微生物学家的有效覆盖率低于任务覆盖率，因为 Claude 无法处理他们涉及专业实验设备的动手研究。
AI 正在移除高技能任务还是低技能任务？
通过对任务描述文本嵌入的分析，报告预计 Claude 所覆盖的任务平均需要 14.4 年的教育背景，这远高于整体经济任务平均所需的 13.2 年。这与之前“AI 使用集中在白领职业”的发现相吻合。
这意味着，如果我们剔除 AI 能够完成的任务，工人剩余工作的平均技能要求会降低，从而带来“去技能化效应。例如，技术写作人员，AI 会接管“分析发展以确定修订需求”（18.7 年教育）和“审查材料并建议修订”（16.4 年教育）等任务，留下“绘制草图说明材料”（13.6 年教育）等相对简单的任务。
旅行代理人也面临类似情况，AI 承担了规划、销售行程和计算费用等复杂任务，而打印机票、收款等简单工作则留给人类。部分教师职业也可能面临去技能化，AI 能够协助评分、指导学生和撰写申请，但无法取代面对面授课和课堂管理。
然而，也有“上技能化”的例外。房产经理便是一例，AI 接管了维护销售记录、审核租金等常规行政任务，使他们能够专注于需要更高专业判断和人际互动的工作，如获取贷款、与建筑公司谈判和董事会会议等。
根据 Autor 和 Thompson 的理论框架，技术写作人员和旅行代理人的工资可能下降而就业增加，而房产经理则会专注于复杂谈判和利益相关者管理，可能导致就业减少但工资上涨。
生产力增长：机遇与瓶颈
此前研究估计，AI 的广泛采用可能在未来十年内每年为劳动生产率带来 1.8% 的增长。本次报告利用更大的样本量，再次验证了这一结果。然而，若将工人验证 AI 输出所需的时间成本考虑在内，生产力增长预测会从 1.8% 降至 1.0% 到 1.2%。
尽管有所折扣，但每年持续 1% 的生产率增长，仍旧是经济上的显著影响，足以使美国的生产率增长回到 1990 年代末和 2000 年代初的水平。
但这里有一个深层的问题：任务之间的互补性。如果某些任务是不可或缺且难以替代的，那么整体生产力效应将受制于这些瓶颈任务。例如，教师可以使用 AI 更高效地准备教案，但这并不会减少他们在课堂上与学生互动的时间。
报告模拟了不同任务替代弹性下的情况。如果弹性小于 1，任务之间是互补的，未被 AI 加速的任务将成为瓶颈，生产力效应将降至每年 0.6% 至 0.8%。如果弹性大于 1，工人可以倾向于生产力提升最大的任务，效应则可上升到每年 2.2% 至 2.6%。真实的弹性程度仍是未知，但这一分析强调了 AI 的生产力影响将取决于那些目前尚无法被自动化取代的瓶颈任务。
关键启示：重塑人机关系与未来趋势
这份报告为我们提供了四大关键启示：
- AI 的影响并非均匀分布：它为高技能任务带来更大的加速，但在这些任务上也更易失败。它正在覆盖职业中教育要求较高的部分，可能导致净效应是“去技能化”。
- 使用方式至关重要：多轮协作能够将 AI 的有效能力边界从 3.5 小时的任务扩展到 19 小时。你如何与 AI 协作，将决定你能从中获得多少价值。
- 人力资本的重要性日益提升：用户提问的教育水平与 Claude 回答的教育水平高度相关。“怎么问决定了怎么答”。有效使用 AI 本身就是一种技能。高收入国家不仅使用 AI 更多，而且以更协作的方式使用。
- 全球差距可能扩大：AI 的影响将受到现有制度结构的制约。仅仅扩大 AI 的获取是不够的，还需要发展能够实现有效使用的人力资本，尤其是在低收入经济体。
“人机关系的未来在于协作而非取代。AI应成为我们思考的助推器，而非思考的终结者。”
个人思考：我们应追求怎样的人机关系？
这份报告引发了我对人机关系的深入思考。数据显示，完全自动化的使用模式——即向 AI 发出指令并期待它直接完成——不仅成功率较低，还会使用户脱离任务的核心智识内容。相反，协作式使用——通过学习、迭代和获取反馈——不仅能显著提高成功率，还能让用户保持对任务的深度参与。
或许，AI 最好的用途并非替代我们思考，而是帮助我们更好地思考。它应该成为我们认知能力的延伸，激发更多创新，拓展人类的智慧边界。与其把 AI 视为执行工具，不如将其视为一个强大的思想伙伴，共同探索未知，解决复杂难题。
 |  |  |  |
