编者摘要：Anthropic 2026 年6 月发布新版Claude 经济指数报告，升级小时级数据采样、输出分类器，结合用户问卷调研解析AI 使用规律与就业感知。报告从使用节奏、产出成果、用户认知三大维度展开：时间维度上，周末个人类对话占比显著提升，高薪职业人群更常在非工作时段使用Claude，报税等节点相关咨询短期暴增；产出层面，解释、文档报告是最常见输出，高薪职业任务消耗更多算力，Claude Code 用户对AI 委托自主权更高，模型输出文本复杂度普遍高于用户提问。调研覆盖9700 名用户，受访者多为计算机、管理从业者，超三分之一预计1 年内AI 可完成自身大部分工作；重度自动化使用用户对薪资、职业发展更乐观，仅10% 担忧自身失业，普遍希望AI 替代重复劳动、人机协作、收益普惠。报告指出AI 当前以劳动增强为主，而非单纯替代，用户担忧集中于初级岗位，经验丰富从业者更看重AI 无法复刻的人际判断与隐性经验。

三个问题问与答

问题1：报告中Claude 使用存在哪些时间规律？

答：①周度：工作日个人对话约35%，周末接近50%，创业类对话周末达到峰值，求职类对话周末减少；高薪职业人群周末、夜间使用AI 处理工作任务比例更高。②日内：早7 点资讯需求高峰，晚6 点食谱咨询峰值，凌晨5 点睡眠建议提问最多。③特殊节点：美国4 月15 日报税截止日前，税务相关对话数量暴涨至平日8 倍，截止日后快速回落。

问题2：不同职业、不同任务对Claude 算力消耗有何特征？

答：整体呈正相关，高薪职业对应对话消耗token 更多。市场经理类高薪岗位对话算力约为编辑2.5 倍；复杂产出（网站、应用开发）算力远高于简单问答、翻译。44% 算力差异可由产出类型解释，高薪职业更常调用高算力复杂任务。同时高算力任务用户会开启更多轮对话、启用扩展思考，体现AI 作为人力增强工具，而非单纯替代。

问题3：大量自动化使用Claude 的用户，对自身就业前景是什么态度？原因是什么？

答：这类用户对薪资、工作保障、职业价值预期显著更乐观。原因：1. 亲身实践直观感知AI 生产力提升，86% 用户认可工作效率提升；2. 多数人认为AI 仅替代重复繁琐工作，自身核心判断、人际管理能力不可取代；3. 自动化使用人群普遍反馈AI 帮助自身技能增值，学习效率未下降，更倾向人机协同而非被AI 淘汰。

附录：Anthropic经济指数报告：运行节奏

Anthropic 2026年6月26日

目录

1)运行节奏

2)人工制品

3)感知

4)讨论

5)附录

6)引用

1  简介

一年前，大多数Claude的使用形式是用户与助手之间的对话。随着Claude Code和Cowork的快速增长，Claude会话现在越来越多地包含长时间运行的自主任务。聊天记录不再完全捕捉人们使用AI的方式，而我们研究Claude经济影响的方法也不得随之调整。

为了跟上步伐，我们对经济指数的数据管道进行了几项更改。在这个版本中，我们：

l以更高的频率采样数据，允许我们查看使用模式直到每小时级别。

l引入一个新的分类器，以标记每次对话的输出。

l分享更具体的数据，分解聊天和协作会话（统称为“Claude 会话”）及1P API 的结果，按月汇总。

我们在附录中描述了更多的方法论变化。这些变化共同提供了一个更清晰的图景，展示了人工智能如何反映并渗透到经济生活中。

此外，我们之前缺乏对Claude在用户会话之外的影响的可见性。人们如何看待人工智能正在改变他们的工作或他们可获得的机会？他们对人工智能的使用是否影响了他们的期望？在理想的世界中，他们希望从人工智能获得什么？我们报告了2026年4月启动的《Anthropic经济指数调查》的初步发现。

我们在下面预览我们的主要发现

在第一章中，我们展示了外部世界的节奏如何塑造Claude的使用。与工作相关的查询在周末减少，尽管在薪水最高的职业中减少的幅度较小；人们倾向于在早晨询问新闻，睡眠建议在凌晨5点左右达到峰值；与税务相关的请求在申报截止日期附近激增。

第二章探讨了人们从他们的Claude会话中获得的具体成果。这些成果在很大程度上取决于他们使用的产品。例如，聊天和协作提供的解释比Claude Code要多。输出的性质也影响人们与Claude的互动。建立一个网站留给Claude的判断空间要比翻译一份文档大得多，因为翻译的答案主要取决于文本。我们还看到，更多的计算与更有价值的文物相关联；给定输出所消耗的令牌随着工作的估计价值而增加。

1.第三章展示了来自人类经济指数调查的初步结果，我们通过隐私保护系统将其与Claude使用数据关联起来。人们对Claude的期望和体验随着使用方式的不同而系统性地变化：以最自动化方式使用Claude的人们预计在未来一年内AI将承担更多的任务，但对这对他们工作的意义感到最为乐观，预期在薪酬、工作保障和意义上都会产生积极影响。

2     运行节奏（Cadence）

我们的新隐私保护遥测系统每天不断采样一部分对话，使我们能够研究日常和每小时的使用模式，而这与之前每份经济指数报告所依赖的七天样本形成对比。这些分析捕捉了全球工作模式的起伏。2

我们发现Claude的使用与工作周呈现相似的模式，个人提示在周末攀升。按小时的数据捕捉了日内模式——人们最常在早上5点左右询问睡眠建议，以及在晚上6点左右询问食谱。我们还看到使用反映了重要日期。例如，与税务相关的请求在美国4月15日的申报截止日期前激增。

工作周

在样本期间，聊天和Cowork3对话中被归类为个人使用的比例在工作日约为35%，而在周末接近50%（图1.1）。在工作周之外，用户的对话从商务通信、营销文案和幻灯片转向情感支持、医疗问题和投资建议。这一变化在高收入国家尤为明显。

图1.1：个人对话在周末增加每日在Claude.ai、Claude Desktop、Claude Code和1P API上个人使用的对话比例。周六和周日用灰色阴影标记。

Claude Code和1P API 流量（即，直接通过Anthropic 路由的API 流量）中也存在类似的模式，尽管两者的个人使用基线率较低。4

请求集群5让我们更深入地了解哪些特定的Claude Code任务在工作日和周末之间波动最大。在周末，使用最多的Claude Code集群包括后端架构、API调试和数据存储。而增加最多的则包括人工智能代理设计、量化交易和游戏。

周末也可能为人们追求新事业创造空间。在各国，与创业相关的对话在星期六和星期天达到最高。然而，工作申请活动在周末以及其他与工作相关的任务上减少。6

日常节奏

每小时，Claude 的使用反映了日常生活的节奏。图1.2 显示了不同请求集群的每小时频率，相对于它们在全球流量中的整体平均值。7

人们在当地时间早上7点寻求新闻。商业通讯（如电子邮件撰写）描绘了工作日的延续，在上午10点到11点之间略微达到高峰。最大的一个峰值是食谱请求，其在下午6点的频率比平均值高出2.3倍。媒体推荐在晚上最为集中，而人们在黎明前的几小时内寻求睡眠建议。

图1.2：一天中请求集群的变化规范化的每小时对话份额，分为不同的请求集群，限制于Claude聊天和Cowork数据。

在夜晚和周末，当人们向Claude寻求工作时，任务往往倾向于薪资较高的职业（图1.3）。虽然我们无法确切确认提出这些请求的人的工作，但这可能反映出，高薪职业—如市场经理或计算机程序员—更有可能在传统工作时间之外工作。相比之下，与底部两个四分位的工作相关的任务—如电话营销和文书工作—在总对话中所占的比例较小。这个模式并不是仅由计算机和数学任务驱动的：当我们在稳健性检验中将这些职业排除在分析之外时，高四分位的任务在夜晚和周末仍然增加。

图1.3：按职业工资四分位数划分的夜间和周末工作相关对话的份额变化每个柱子显示了夜间和周末与工作日工作时间相比，来自指定工资四分位数的工作相关任务份额的百分比变化。工资四分位数是使用BLS数据计算的，并按获录音稿数量加权。

报税日

本报告的样本期间涵盖了美国人报税的截止日期。图1.4显示了在截止日期附近税务相关对话的比例大幅激增。4月14日，税务相关的聚集数量是5月平均每日数量的八倍，并在4月15日保持在大致相同的水平。4月16日，它们急剧下降。

图1.4：在美国报税截止日前，税务相关对话激增美国及世界其他地区与税务相关的对话比例。

3   人工制品

在本章中，我们将聊天和Cowork中的每个对话（以下简称“Claude对话”）根据其产物进行分类，分为30多个类别。我们将Claude在对话中产生的主要输出——无论是在聊天窗口中呈现还是作为单独文档的文档、解释、一段代码、学术论文等——称之为产物。产物的完整列表见附录。

我们的分类器识别出93%的Claude对话产生了一个成果（图2.1）。最常见的成果是解释（占对话的17%）、文档和报告（15%）以及指导（11%）。对话输出（如解释或指导）和书面交付成果（如文档或演示）各占约三分之一的对话；代码和技术工作（如应用程序或脚本）约占六分之一。

图2.1：Claude的输出 特定输出的对话比例。该图显示了Claude对话中十二种最常见的输出类型。1P API的组合在附录中。

输出的内容并不能告诉你它的用途：同一个产出物可以是工作交付物或个人项目。我们接下来会讨论这个分歧。

每个人工制品的用途是什么？

我们的1月经济指数引入了一种将每个对话分类为工作、个人或课程作业的原始方法。在这里，我们将这种划分应用于Claude对话中产生的文物（图2.2）。

某些类别的文物几乎总是个人化的。超过80%的创意写作、指导和食谱的对话被归类为个人。在各类别中，个人和与工作相关的用途可能看起来大相径庭。例如，个人创意写作主要以同人小说、世界构建和诗歌为主；其中13%的工作相关内容主要以短视频脚本、编剧和演讲的形式出现。最可能与工作相关的类别包括创作营销内容（80%）、创作博客或文章（81%）以及编写数据库查询（82%）。

许多输出在个人和工作方面被同样频繁地使用，包括制定计划或策略（44%与工作相关，49%个人）或翻译（42%与工作相关，44%个人）。例如，最常见的个人规划文档包括旅行行程和锻炼计划，而与工作相关的计划则最常涉及创业或内容策略。

最后，课程作业特有的成果包括撰写学术论文和学位论文、教育材料以及与数学相关的问题，尽管每个部分中有相当一部分同时属于工作和个人类别。

图2.2：按使用案例划分的文物份额，按其目的分为工作、个人和课程作业的特定输出的对话份额。

我们也可以反过来考虑这个问题。与其询问每个输出的用途，不如问一下每种类型的工作、个人和课程对话通常会产生什么样的成果。工作对话最常产生文档和报告（20%），其次是解释（9%）、电子邮件草稿（7%）以及分析和总结（6%）。课程对话基本相似，文档和报告也是占主导地位（21%），紧随其后的是解释（20%）、教育材料（11%）和学术论文（6%）。相比之下——这并不令人惊讶——只有6%的个人对话产生文档。相反，最常见的结果是解释（25%）和建议（22%）。

成本跟踪工作的价值

生产这些输出需要计算资源，我们发现计算资源的需求往往与工作的价值成正比。我们用标记来衡量每次对话的计算成本——处理和生成的文本量，包括Claude的内部推理——并通过将每次对话的分类任务映射到通常执行该任务的职业来进行跨职业比较。在本节中，我们将分析限制为与工作相关的对话。

图2.3的左侧面板显示了中位数对话级别的标记数与映射职业的中位数工资之间的正相关关系。例如，市场经理的收入大约是编辑的两倍（每小时80美元对比37美元），而与其任务相关的对话使用的标记数大约是编辑的2.5倍。诚然，这一关系存在噪声，并且有明显的异常值。例如，药剂师的收入几乎是统计助理的三倍（每小时68美元对比24美元），然而与药剂师任务相关的对话使用的标记数仅为约二十分之一。

图2.3：高薪职业的对话消耗更多的代币 左侧面板：特定职业的中位工资与分类为该职业之一的任务中对话的典型（几何均值）代币数量之间的关系，以总体均值进行规范化。两个变量均以对数刻度表示。右侧面板：用于生成特定工件的代币分布。黑线表示中位数，框表示第25和第75百分位数，须表示第10和第90百分位数。所有数字均以总体中位数代币数量进行规范化，并以对数刻度呈现。两个面板中的数据均限制为聊天和协作，并限制为分类为工作相关的对话。代币计数未根据哪种模型提供对话进行调整。

生成不同类型的作品所消耗的令牌讲述了一个相似的故事。更复杂且更有价值的输出往往比简单的输出消耗显著更多的令牌。例如，关于建立应用程序的对话所使用的令牌数是中位数对话的三倍以上。另一方面，典型的解释大约只使用中位数对话的五分之一的令牌。令牌消费中的工资梯度约有44%可以通过输出组合来解释——工资更高的职业更可能产生计算密集型的作品。

为什么这在经济上重要？在与高薪职业相关的对话中，Claude每次产出的内容更多（每次输出1.34倍），而用户的参与度更高（每次互动1.53倍），并且更频繁地启用扩展思维（对话中34%的时间与31%；表2.4）。重要的是，这些数据呈正相关：Claude的更多产出并不意味着用户的产出减少。如果人类依然参与最高价值的任务，则这一模式看起来更像是劳动增强而非劳动取代。它还表明，在某种程度上，更有价值的输出成本更高。下一节将探讨在每次对话中有多少决策是委托给Claude的。

表2.4：导致高工资职业中更高Token消耗的因素映射到高工资职业的对话特点。在计算中，职业按其中位数工资分为三个分位数，并根据与每个职业匹配的对话数量进行加权。与计算相关的指标通过其底分位数的几何均值进行了标准化。例如，第一行显示，与底分位数职业相对应的典型对话消耗的令牌数量是与高分位数职业相对应的典型对话的2.07倍。

Claude在自主决策方面有多少自主权？

我们将这一指标按1至5的尺度进行测量，从“无”到“极端”。容易描述或指定的任务涉及较少的自主性：最低自主性的输出包括数学或计算、翻译和问答。高自主性任务是那些需要在许多可能选择中进行选择的任务，例如创建应用程序和网站、游戏或演示文稿。这类工作需要持续的判断，在历史上一直难以实现自动化。通过比较Claude聊天和Cowork与Claude代码的自主性水平，我们展示了这一情况正在开始发生变化。

几乎所有类型的输出（显示的31种输出中有26种）中，Claude Code的AI自主性水平高于chat或Cowork。11例如，在使用Claude Code创建的对话中，生成的脚本和代码片段的自主性（在1-5的评分标准上平均提高了0.53分）高于在chat或Cowork上生成相同输出的对话。在所有对话中，自主性的平均差异为0.37分，主要来源有两个。12

大约三分之二的差异源于在Claude Code上执行相同任务时更多的委托。博客文章和文章对此进行了说明：在两个平台上的请求和任务相似，但人们与Claude的工作方式却大相径庭。制作博客文章或文章的中位数聊天和合作对话需要13轮反复交流，而制作博客的Claude Code会话则仅包含一个人类提示。剩余的三分之一反映了这两个平台输出类型的不同组合。

图2.5：按输出类型划分的人工智能自主性 通过对话输出和表面的平均人工智能自主水平。人工智能自主性按照“无”到“极端”在1-5级范围内评级。

一个人可能会怀疑这种差异仅仅反映了模型选择。Claude Code会话更常在最强大的模型上运行（54% 由Opus 提供服务，而聊天和Cowork 会话仅为10%）。然而，当我们比较使用相同模型的会话时，这一差距依然存在。例如，在使用Sonnet 的会话中，Claude Code 会话仍然显示出0.26 点的更高自主性，这表明所使用的产品可能比底层模型更为重要。

从表面比较中退一步来看，用户委托的输出类型与消耗计算资源最多的类型是相同的：在各种文档中，平均自主性和中位数令牌使用量一起上升（r = 0.68 在聊天和协作中；附录图A.2）。

Claude的回答高于提问的水平

对于每个对话，分类器估计两个阅读水平——一个用于用户的提示，一个用于Claude的回应——以理解文本所需的教育年限来表示。我们发现阅读水平因文献类型而异。一个导致学术论文的平均查询需要超过16年的教育，大致相当于本科学位的水平，且15%的这些对话处于博士水平或以上（20年以上的教育）。而在另一端，导致食谱或指导的对话则需要不到10年的教育来理解提示。

总体而言，产物类型的输出阅读水平较高的提示也具有较高的阅读水平（在对话中相关性为0.87）。然而，我们也观察到在几乎所有类别中，Claude的输出理解水平普遍高于提示，平均约高出一年教育水平。用户描述要构建的内容的领域差距最大，例如图像和图形(+2.6年)、游戏(+1.9年)以及应用程序和网站(+1.7年)。部分差距可能仅仅是用语风格；提示通常简洁且非正式，而Claude倾向于用优雅的散文回复。然而，对于面向受众的写作（博客−0.1，学术论文+0.0，电子邮件+0.3），差距接近于零，这可能是因为提示通常起草的语言或素材与预期输出使用相同的风格。

图2.6：用户提示和Claude 的回应的阅读水平，按工件估计理解用户提示和Claude 的回应所需的教育年限。限制于聊天和协作。

4     感知

前两章展示了人们如何使用Claude，但并没有深入探讨人们在工作中体验AI的方式——他们期望自己的工作和工作场所如何变化，他们对AI当前及潜在影响的感受，以及他们对该技术的期望。我们与81,000名Claude用户的访谈，于2025年12月通过Anthropic Interviewer进行，呈现了一幅画面：受访者报告了显著的生产力提升，但也表达了对失业的担忧。这些担忧主要集中在初入职场的员工和我们观察到Claude进行最多工作的职业中。

在2026年4月，我们推出了《人类经济指数调查》，以此为基础开展工作。该调查使我们能够直接询问人们关于人工智能和工作的体验，并探索响应因Claude使用而异的情况。我们使用隐私保护方法将调查响应与从5月中旬到6月初的使用数据进行关联。为了描述每位受访者的使用模式，我们在此时间窗口内随机抽取每人最多20个会话（涵盖Claude.ai、Cowork和Claude Code，以确保会话的组合反映每个人在各个平台上的典型使用情况）。我们排除了会话少于五次的受访者，以减少抽样噪音。我们的最终关联样本由约9700名调查受访者组成。

我们发现，大多数受访者预计在未来一年内将取得显著的人工智能进展。尽管人们对人工智能能力的认知取决于他们的经验、居住地和工作与人工智能的接触程度，但他们对于未来进步速度的期望惊人地一致，符合“水涨船高”的概念，即人工智能能力普遍提升。

关于这一进展对他们自身职业的意义，各人的看法并不一致。初入职场的工作人员报告称，人工智能能够完成他们工作中最高比例的任务，并对失业表示最担忧。然而，令人意外的是，委托Claude工作的最多的人对自己未来的劳动市场前景最为乐观，并且觉得他们的技能正在增值。尽管（或许正因为）他们与人工智能的前沿接触较近，平均受访者对下一个十年的希望并不在于被取代，而在于合作。他们希望人工智能能保留有意义的工作，并自动化繁重的工作，并且其收益能够被广泛分享。

谁回应了经济指数调查

经济指标调查并不代表一般人群。我们获取了Claude用户的随机样本，完成调查的参与者可能存在选择偏差，并且我们在分析中过滤掉了不活跃的用户。图3.1显示了调查参与者（橙色）的职业构成，与美国就业情况（灰色）相比较。计算机和数学职业在调查参与者中严重过度代表，约占30%——与他们在Claude使用中的比例相当，但远高于他们在美国就业中4%的比例。管理类岗位在参与者中占23%，相较于其7%的就业比例也严重过度代表，尽管其仅占4%的会话。这一差距与管理者使用Claude进行其他任务的情况一致：在调查中，许多参与者（尤其是有更多经验的参与者）表示判断和管理是AI所缺乏的能力。交通与物资搬运、餐饮服务和建筑与开采等身体职业类别在调查中均被低估，正如它们在Claude会话中一样。

图3.1：调查受访者相对于美国就业的比例，重度倾向计算机与数学及管理职业。调查受访者报告其在22个主要SOC组中的职业的比例，与每个职业在OEWS中占美国就业的比例进行比较。

AI与工作任务

对人工智能影响的研究通常集中在职业暴露上，即在特定工作中，哪些任务可以由人工智能完成。在之前的研究中，我们构建了一种观察到的暴露量度，捕捉到我们已经看到的与Claude一起完成的职业任务的比例。我们将其与一种常用的理论暴露量度进行了比较，这种量度表示大型语言模型理论上可以完成的职业任务比例。

另一种理解职业暴露的方法是简单地询问人们他们工作的多少部分是人工智能能够完成的。我们询问了受访者人工智能今天能够完全独立完成其工作任务的比例（以下简称报告暴露），以及他们预计在12个月内人工智能能够处理的比例（预期暴露），选择范围为“五个区间”，从“几乎没有”到“几乎全部”。接近6成的受访者为明年的工作选择了比今天更高的区间。超过三分之一的人预计明年人工智能能够完成他们大部分或几乎所有的工作任务（图3.2）。

图3.2：大多数受访者预计在未来12个月内，AI能够完成的工作任务比例将增长。该图显示了受访者所说的AI今天能够完成的工作任务比例与12个月后预计能够完成的工作任务比例的分布。

图3.3 比较了报告的和预期的曝光与观察到的和理论的曝光。我们询问人们所报告和预计AI 能做的是否与各职业的观察到的和理论的曝光衡量标准相符，以及在观察到的或理论的曝光得分较高的职业中，受访者是否预计在未来一年会有更快的进展。对于第一个问题，答案是肯定的：报告的曝光（灰点）与观察到的和理论的曝光之间呈正相关。对于第二个问题，答案是否定的：预计在未来12 个月内的报告和预期曝光的最佳拟合线（橙点）基本平行，这意味着在高观察到的或理论的曝光角色中，人们预计未来一年内AI 能够完成的工作任务的比例增加大致与低观察到的和理论的曝光角色的人相同。换句话说，软件工程师和建筑经理在他们的职业内都预计大致相同的进步幅度。

值得注意的是，报告的暴露量系统性地超出了观察到的暴露量。一个解释是，并不是每个人都在一个职业中做每一项任务，而我们的调查不成比例地到达了那些使用AI更多的人。类比而言，由于理论暴露是可能性的上限而不是当前使用的衡量标准，理论暴露系统性地高估了报告的暴露量。

图3.3：报告和预期接触与其他指标的比较 人们认为AI 今天能够完成的任务份额（报告接触，灰色）和在12 个月内（预期接触，橙色）与观察到的接触（左侧面板）和理论接触（右侧面板）进行绘制。每个点代表一个职业，样本量较小的职业与附近的接触职业进行分组，以确保隐私。报告和预期接触的计算方法为调查响应者所选择的区间的中点。

我们还考察了对人工智能当前和未来能力的认知如何与受访者的特征和使用模式相关联。图3.4左侧面板显示，人工智能能力的感知与国家GDP呈负相关：高收入国家人们报告人工智能当前可以为他们完成的任务平均比例低于约10个百分点。这一模式与以下可能性一致：人工智能替代了低收入国家工人在日常工作中更大比例的任务，即使职业层面的接触度指标——这在发达经济体中往往较高——表明了其他情况。事实上，国际货币基金组织（IMF）指出，虽然发达经济体整体面临更广泛的人工智能接触，但低收入国家的工人可能缺乏能够让人工智能增强而非替代其工作的互补技能和基础设施。在早期的研究中，我们记录到低收入经济体即使在调整任务组合差异时，也倾向于以更自动化的方式使用Claude。

中间面板显示，报告的和预测的暴露与工作经验年数也是负相关的。拥有至少15年经验的人认为AI能够处理的任务比例比那些刚入职一年的人低大约10个百分点。我们发现证据表明，这可能是因为经验丰富的员工积累了难以被AI模拟的隐性或特定情境的专业知识。在后续调查中，我们询问了人们认为AI永远无法完成的任务及其原因；最常见的回答强调AI缺乏判断力、情境意识和其工作所需的情境推理。受访者，尤其是那些拥有至少15年经验的人，也指出了他们工作中关系和人际互动的维度——建立信任和管理人员——是AI无法复制的。

与职业接触AI的情况相似，我们发现对未来AI能力改进的看法与人均GDP和工作经验年限基本没有相关性。预计AI在12个月内能够完成的任务份额普遍高于对当前AI能力的看法。

图3.4：在更高GDP国家和经验更丰富的工人中，报告和预测的曝光度较低，并且随着自动化Claude的使用而增加。报告和预测（12个月）曝光度与每个工作年龄成人的国家GDP（左）、工作经验年限（中）以及被归类为自动化的Claude会话比例（右）之间的关系。

我们接下来考察人们与Claude互动的方式与他们对Claude能力的当前认知之间的关系。与过去的报告相似，我们区分“自动化”和“增强”两种与Claude协作的模式。当Claude被要求在几乎没有用户输入的情况下完成任务时，我们将对话视为自动化。具体而言，自动化占比是指那些模式为指令性（“翻译这个文件”）或反馈循环（“编辑这封邮件……让它更随意”）的对话所占的比例。21

图3.4的右侧面板显示，报告和预期的曝光率随着自动化比例的增加而上升。这可能是因为委托能提供能力的信息——那些将整个任务交给他人的人可以直接观察AI能够独立完成什么——或者因为那些已经相信AI能够完成他们工作的人最愿意将其交出。当我们用专注于工作任务的会话比例或在Claude Code中进行的会话比例替换自动化比例时，仍然保持相同的模式。

人工智能与就业

我们还询问了人们认为他们的工作在未来12个月内会如何变化。超过三分之一的受访者表示，自己的职责可能会有显著变化（无论是对自己、同事、初级同事还是高级同事）。10%的人将失去自己工作的可能性评为可能或非常可能。这一比例略低于美国失业的年化风险率；然而，由于我们的受访者倾向于稳定就业的知识工作者（这类群体在基准上可能面临低于平均水平的离职风险），这仍可能表明他们感知到的风险偏高。当被问及开放性问题，询问是什么驱动他们的预测时，38% 将评估其失业可能性为可能或非常可能的受访者归因于AI。值得注意的是，受访者对于他人失业的担忧程度平均高于对自身失业的担忧。受访者尤其担心初级同事的失业，超过三分之一的人表示，初级同事在未来一年失去工作的概率超过60%。受访者对低收入国家的失业问题也表示出更多的担忧。

图3.5：报告预计明年工作职责将显著变化或人们将被迫失去工作的比例报告预期工作职责将变化（左侧面板）或个人将失去他们想保留的工作（右侧面板）的受访者比例，涉及他们自己、一位同事、一位下属或一位上级。

人们在更自动化的方式下使用Claude的人是否更担心失去工作？我们考察了人们对AI在未来一年内对工作六个维度（薪酬、工作安全、找到新工作的能力（经济维度）以及意义、自主性和人际互动（内在维度））的预期影响，并查看这些预期如何根据Claude使用的自动化比例而有所不同。

在所有六个维度中，拥有更高比例自动化会话的人对明年人工智能对其工作成果的影响感到更乐观，而相比之下，使用Claude进行补充性操作的人则感到较少。我们看到对未来薪资及找工作能力的积极影响预期的影响最大。26

图3.6：报告预期人工智能对工作质量的经济和内在维度产生积极影响的人群比例在更自动化的Claude用户中更高。该图显示了线性回归中关于一个人是否预期人工智能对工作质量六个维度中的每一个产生积极影响的指标与标准化的人工智能自动化比例之间的系数估计。

一个自然的问题是，为什么自动化使用与情感会同步变化。这种关系可能是由选择所解释的，即对于人工智能最热衷的人也往往是最愿意将整个任务交给它的人。我们不能完全排除这一点，但当我们控制用户在Claude.ai上的使用时长——我们可以将其视为热情的代理，因为它捕捉了早期和后期的用户——这些估计并没有显著变化。

另一种可能性是，采用更自动化方式使用人工智能的人今天体验到更多的好处。与我们之前的发现一致，大多数人报告在工作速度、范围和质量上获得了生产力提升（分别为86%、82%和69%），而27%的人则通过节省本来需要购买的服务费用获得了收益。

除了显著的生产率提高，大多数人还报告说使用人工智能学习更多（68%），并感到人工智能让他们的技能更具价值（57%）。图3.7显示了这两种结果与自动化会话比例之间的变化关系。我们看到，报告人工智能提高其技能市场价值的人比例随着自动化比例的增加而上升，而报告他们学习更多的比例基本保持不变。

一个常被提及的关于委托的担忧是，将整个任务交给人工智能意味着卸载思考，输出的提升是以学习和技能萎缩为代价的。我们在这里没有看到这种模式：重度委托的人报告的学习速率与其他人相同。然而，这些是自我评估，技能可能在变得更加有价值的同时降低，即使某人报告学习更多，因此数据并未排除技能萎缩的可能性。

图3.7：报告预期技能回报积极的人所占比例随着自动化比例的增加而增加，而报告他们在学习更多的人所占比例持平。该图显示了任务的自动化比例与报告AI提高他们技能市场价值的人所占比例（蓝色）和使用AI时学习更多的人所占比例（橙色）之间的关系。

性别之间的使用差异

到目前为止，我们已探讨使用模式与期望和行为之间的关系。接下来，我们研究谁以不同方式使用Claude。最显著的差异是在性别上。女性在我们的关联受访者样本中仅占12%，她们使用Claude的方式与男性不同。即使在考虑职业差异后，她们使用Claude进行工作的可能性仍然略低，她们在Claude Code中的会话占比低于0.24个标准差（6.3个百分点），而她们的自动化占比低于0.33个标准差（7.3个百分点）。相反，女性倾向于以更迭代的方式使用Claude，并且她们在聊天中的活跃时间比男性更长，这表明她们的协作参与程度更高。

图3.8：女性的使用模式明显不同，即使在控制职业差异后。本图显示了女性与男性的使用模式比较。每个条形表示女性与男性在该使用测量上的平均差异，控制职业（SOC小组），以结果的标准差表示。误差线显示95%置信区间。样本限制在自我认同为女性或男性的受访者。女性的Claude Code和自动化比例显著较低，而总活跃分钟数则较高。

人们希望从一个被人工智能转型的经济中获得什么？

《人类经济指数调查》呈现了对人工智能的积极和消极体验与情感的混合，但我们在调查的最后以希望的语气结束。最后一个开放性问题问受访者：“放开想象：你希望一个由人工智能塑造的经济在十年后是什么样子？”我们对每个调查回应进行了分类，标记出相关主题。我们在下面展示了五个最常被提及的主题。每个主题的额外描述可以在附录中找到。

图3.9：人们希望人类与人工智能的合作、繁重工作的自动化以及更多的闲暇时间，并希望从人工智能中获得的经济收益能够被广泛分享。该图展示了人们对在未来十年中人工智能转型经济的希望所作开放性问题的五个最常见主题。

表达的最常见主题是人工智能对工作的增强。超过一半的调查参与者表示希望与人工智能在有意义的工作上进行合作，希望他们的职业仍然有价值，以及/或者希望新的行业出现并创造新的工作机会。同时，超过一半的参与者希望人工智能能够自动化——尤其是他们工作中繁琐的部分——这样他们就可以拥有更多的空闲时间和更多的工作之外的意义。第三个最常见的主题，约三分之一的调查参与者表达了共享繁荣的希望：即希望人工智能带来的经济收益能够被广泛分享。

5  讨论

AI正在经济中迅速传播，覆盖越来越多的领域，并产生越来越智能的输出。在早期的AI 聊天界面中，使用方式简单，局限于聊天窗口内，没有网页搜索、工具调用、文物或其他功能。现在，Claude 模型可以通过Claude Code 和Cowork 自主运行数小时。随着这些形式的变化，用户群体也在发生转变。早期的用户主要是技术背景的人。而我们最近的用户则将Claude 应用于劳动市场中工资较低的任务。

在这份报告中，我们采取了几项步骤以实现更具信息量的测量。首先，我们开始以越来越频繁的频率进行测量，处理每小时的样本数据。这揭示了日常生活的节奏是如何铭刻在我们的使用记录中的，并为未来的研究开辟了新的途径。其次，我们开始记录工件，即人们从Claude那里获取的输出。这些使得Claude的工作输出更加清晰，并显示出一些直观的模式。

最后，使用数据只能传递有限的信息。我们的调查首次让我们能够直接询问人们如何使用人工智能以及他们对此的感受。我们发现，调查受访者使用人工智能的程度超过了我们的预期——他们报告称，人工智能可以承担的工作比其职业所显示的观察性暴露指标要高。当被问及对明年能力的预测时，超过35%的人预测人工智能将能够完成他们大部分的工作。

准确分类Claude所做的工作将始终是一个动态目标。例如，随着人工智能能力的提高，人工智能可能会越来越多地相互互动和交流，或许这种方式对人类或简单的分类器来说是难以理解的。最终，Claude对经济的影响将通过就业和生产力等经济总量以及其使用日志显现出来。不过，人工智能很可能在其工作量最大的领域产生最早的影响，因此揭示这些不断变化的使用模式将仍然是向公众提供信息的一个关键方式。

6  附录

可在此处获取。

7  引用

@online{anthropic2026aeiv6,

author = {马克西姆·马森科夫和艾娃·柳比希赫和西蒙·萨赫尔和佐伊·希齐格和张韶懿和瑞安·赫勒和彼得·麦克罗里},

title = {人类经济指数报告：节奏},

date = {2026-06-26},

year = {2026},

url = {https://www.anthropic.com/research/economic-index-june-2026-report},

}

作者们

马克西姆·马森科夫，埃娃·柳比奇，希蒙·萨赫尔，佐伊·希齐格，邵义·张，瑞安·海勒，彼得·麦克罗里。

致谢

斯科特·布斯，基尔·布拉德韦尔，梅雷迪斯·卡兰，德克斯特·卡伦德三世，鲍里斯·切尔尼，克里斯·多恩伦，埃莉诺·多夫曼，杰克·伊顿，埃文·弗朗多夫，深·甘古里，罗梅洛·古德曼，安基特·古普塔，库纳尔·汉达，丽贝卡·希斯科特，安德鲁·霍，汉娜·霍，杰瑞·洪，藏红花·黄，莫·朱拉帕利，凯蒂·肯尼迪，詹妮弗·马丁内斯，迈尔斯·麦凯恩，凯尔西·那南，泰勒·尼伦，阿德南·皮尔扎达，戴安·佩恩，凯里·珀森，萨拉·波拉克，安库尔·拉希，桑提·鲁伊斯，大卫·桑德斯，安基特·希瓦，迈克尔·斯特恩，阿米·沃拉，斯科特·怀特，海瑟·惠特尼，金·维西，瑞安·扎克，杰克·克拉克。

脚注

1.这包括来自消费者（免费/专业/最大）帐户在Claude.ai 和Claude 桌面应用程序上的聊天对话和协作会议。“第一方API”或1P API 指的是直接通过Anthropic 自己的编程接口路由的开发者流量，这与Anthropic 面向消费者的Claude.ai 应用程序以及亚马逊Bedrock 或谷歌云Vertex 等第三方平台不同。我们继续根据我们的隐私和保留政策管理数据，并且我们的分析与我们的条款、政策和合同协议一致。所有分析均基于隐私保护分类器：逐字稿仅由Claude的另一个实例读取。然后，我们过滤掉任何观察数量不足的单元，以确保隐私保护分析。

2.这包括在Claude.ai 的聊天和Cowork 选项卡中以及通过Claude 桌面应用程序进行的所有对话。Claude Code 和API 流量分别呈现。“第一方API”或1P API 指的是通过Anthropic 自有编程接口直接路由的开发者流量，这与Anthropic 面向消费者的Claude.ai 应用程序以及亚马逊Bedrock 或谷歌云Vertex 等第三方平台是不同的。它不包括Claude Code。

3.请参见我们的《Sonnet 3.7》报告以及附录。

我们将创业活动定义为那些详细请求集群为创业、兼职收入构思、资本筹集、创作者变现、电子商务、商业模型、医疗保健业务、社会企业或活动业务的对话所占的比例。简历活动是指输出被工件分类器分类为简历或求职申请的对话。

对话的时间是基于从对话的IP地址推断状态。

本章中的数据覆盖了在2026年4月10日至6月10日之间采样的聊天和协作对话。当自主讨论的比较出现时，包含了同一时期的Claude Code会议。工资数据来自于BLS OEWS，2025年5月发布。

"None"是对那些没有产生显著具体输出的对话的统称。这可能包括简短或中断的交流、导致错误的情况，或者Claude提问以澄清，但用户未做进一步交谈的情况。

我们使用几何平均值来计算对话级别的令牌数量，因为该变量极度右偏——少数几次对话使用的令牌数量比“典型”对话多几个数量级。如果我们使用中位数，或者按相应的成本加权令牌以考虑使用的模型组合，则其关系非常相似。有一些显著的例外，包括医生职业。

4.有关Claude Code的更全面信息，请参阅我们的配套报告。

5.最大的例外是数据和电子表格，其中聊天和合作对话的自主性高于Claude Code（3.09对2.74）。这主要是组成性的：大约70%的差距反映了任务组合的不同。在聊天和合作中，这种输出倾向于财务建模和仪表盘，Claude设计了结构；而在Claude Code中则倾向于结构化提取和标记，规范是精确的。合作中，数据和电子表格工作既被过度代表且尤其自主，部分解释了聊天和合作的提升。

6.有关用于此分类的提示的详细信息，请参见我们三月报告的附录。

7.与我们的用户群体相似的模式在Anthropic 公共记录中也得到体现，该记录是对超过50,000 名美国人进行的国家代表性调查。

在以管理为职业编码的人群中，48.1%表示他们在公司工作，24.4%表示他们是有雇员的企业主，21.7%表示自雇或承包商。其余人目前没有工作，并报告他们最近的职业。

不包括军事。

由于反应被分箱处理——因此最低可能的编码反应超过零，而最高可能的反应低于一——该图中的斜率偏向于零。因此，我们将斜率的比较视为定性分析，而不是精确估计。然而，模式（正斜率和接近平行的直线）对于使用报告AI可以完成至少60%工作任务的指标来估计关系是稳健的，而这种估计不受中点编码的影响。

分箱响应尺度可能也起着作用：由于中点编码将报告的任务份额从极端值拉回，观察到的曝光程度将倾向于看起来低估了在最少接触职业中的人工智能能力，而高估了在接触最多的职业中的能力，即使没有任何实质性差异。

8.每位工作年龄成人的GDP计算方式与人类经济指数中的相同，使用世界银行WDI (2024) 和联合国世界人口展望(2024) 的工作年龄人口数据，以及国际货币基金组织世界经济展望(2025 年估计) 的GDP数据。

我们询问调查受访者在当前或相关岗位上的工作经验年限。

9.协作模式分类器将转录文本映射到以下交互模式之一：- 指令性：人类将任务执行的完成最小限度地委托给AI - 反馈循环：人类和AI进行迭代对话以完成任务，人类主要提供环境反馈- 任务迭代：人类和AI进行迭代对话以完成任务，人类对AI输出进行修正- 学习：人类寻求理解和解释，而不是直接完成任务- 验证：人类使用AI来检查或验证自己的工作

工作共享和Claude代码共享与自动化呈正相关：Claude代码是一个代理工具，其会话的自动化程度平均高于聊天或协作，工作会话同样比个人会话更倾向于自动化。工作使用情况也直接相关——调查询问关于工作任务，因此那些使用Claude进行工作的用户可能会机械性地期望其承担更多的工作任务。在这些指标的条件下，自动化份额与任务份额之间的关系得到一定程度的减弱（今天、12个月后以及变化），但这三者之间的关系仍然是正向且在统计上显著。

10.美国的裁员和解雇率（BLS JOLTS，非农总就业，季节性调整）在截至2026年4月的12个月中平均约为每月1.1%的就业率，相当于年化总和约为13.4%，因此10%略低于实际发生的非自愿离职事件的年发生率。

这个问题是关于职位变动预测和失业预测一起提出的。因此，38%是将自己的失业预测归因于人工智能的人所占比例的上限。

11.这反映了一个熟悉的模式，人们对自己的情况评价往往比对他人的更加有利。在Covid 期间观察到了类似现象，当时自我报告的财务健康状况超过了对国家经济的看法。

12.这与国家的GDP和经验形成对比，其中较低的GDP和经验与较高的任务份额（如图3.4所示）和更高的失业概率相关。

虽然这可能是由于chat/Cowork 和Claude Code 之间的替代，但即使在控制Claude Code 会话份额时，这一模式仍然成立。这些模式在控制职业固定效应时也依然存在。