7 个关键问题问与答
作者：邵艺佳、赵朵拉、维沙克・帕德马库马尔、王珍妮、杨迪伊 所属机构：斯坦福大学 {shaoyj, diyiy}@cs.stanford.edu
摘要
人工智能正越来越多地嵌入职业工作场景，但人们在现实中如何大规模地与 AI 开展协作，目前我们对此仍知之甚少。本文基于 249 834 条真实世界对话语料，采用保护隐私的分析方式，围绕三个问题展开研究：人们将何种工作交给 AI 完成；人类在完成这些工作时保留了哪些角色；人机协作会在哪些环节出现失效。研究发现：用户交给 AI 处理的不只是琐碎任务，也包含后果重大、难以撤销的工作；高关键性任务委托集中在咨询与专业业务领域。随着任务风险升高，用户会更加主动地审视 AI 输出内容；从瞬时低风险任务升级至高风险任务，对话轮次几乎翻倍。
随后本文探究人的自主决策权（Human Agency），即用户在完成任务过程中所保留的控制程度与责任。整体来看，人类主导的协作模式占主导地位，但用户会通过编写提示词、多轮迭代的方式，自主构建自身的决策权水平。在不同决策权层级之间存在一个普遍矛盾：和 AI 协同工作究竟是提升人的能力，还是单纯替代人的劳动？本文围绕 AI 辅助下的学习与技能提升来探究这一矛盾。结果发现主动教学场景十分普遍（占全部对话的 67%），但并非所有用户都能从中均等获益。
此外研究表明，接近半数对话会产生协作摩擦，但摩擦往往具备建设性；当摩擦出现时，用户经常会采用主动策略修复协作。综合以上结果，本文系统描绘了大规模场景下人类与 AI 的协作模式，阐释人机协作何时能够增强人的能力，何时又无法做到这一点。
1 引言
AI 正在快速进入劳动力市场，重塑未来工作形态（布林约尔松等人，2025；潘等人，2025）。但现有关于职场人机协作的实证证据大多来自调查问卷（邵等人，2025）、受控实验室实验（邵等人，2026b；沈等人，2026）或者局限的任务基准测试（巴雷斯等人，2025；胡克等人，2025）。想要获得完整且贴合真实场景的理解，必须把上述来源和真实环境下的观测数据结合分析。WildChat 这类大规模观测数据集（赵等人，2024）可以部分弥补该缺口，但存在用户群体系统性偏差的问题（希克、汤姆林森，2026）。
本文采用不一样的研究路径：这是一项独立学术研究，使用 Anthropic 提供的 Claude.ai 真实对话的隐私保护数据集，从群体层面刻画人机协作的全貌。
过往针对 Claude 数据的分析已经揭示了大量 AI 使用特征。塔姆金等人（2024）对数百万条对话做聚类，分析用户向 AI 提出的请求，以及不同国家、人口统计特征下的使用差异。Anthropic 经济指数及其系列研究刻画了哪些职业、任务最容易受到 AI 影响，统计各行业使用模式，估算 AI 带来的生产力增益（汉达等人，2025；马森科夫等人，2026；塔姆金、麦克罗里，2025）。
但现有研究缺少对人机协作中人的维度的深度挖掘：用户实际拥有多大自主决策权，用户是真正在学习，还是单纯把工作卸载给 AI，交互过程中会遭遇哪些摩擦。
为填补这一空白，本文提出三个研究问题：
- RQ1
：人类和 AI 协同处理的任务具备哪些特征。不只是看人们用 AI 做什么，还要刻画任务风险高低、任务范围，以此反映用户对 AI 的信任程度，以及 AI 在工作流中的介入深度。 - RQ2
：人类在协作中扮演何种角色。用户表现出怎样的自主决策权；用户通过这些交互学到什么，学习过程如何实现。 - RQ3
：人机协作中的摩擦点。系统分析协作失败发生在何处，用户如何应对，挖掘那些只关注成功案例、生产力提升的研究所容易忽略的摩擦问题。
依托 Anthropic Insights 系统（塔姆金等人，2024）开展隐私保护分析，每一条对话会被打上多维度评分，包含分类标签或者数值量表（详见第 2 部分）。从评分结果得到三大核心发现：
-
用户会将大量后果重大的任务交由 AI 处理。有 56% 可评估对话达到 “后果重大” 及以上等级，与过往研究认为用户倾向把低责任任务交给 AI、会根据风险调整算法信任的结论不同（金等人，2025；马尔莫莱霍‑拉莫斯等人，2025）；高风险任务委托集中在咨询、专业领域（图 3）。 - 人类主导协作是主流，但协作质量取决于用户参与程度
。72% 对话属于 “人类主导，AI 辅助”；同时出现一类学习者群体，用户让 AI 做讲解教学，而不只是生成结果。AI 教学现象出现在 67% 的评估对话，覆盖各个主要领域。但究竟是真正形成理解，还是仅仅实现认知卸载，取决于用户的参与方式（图 2、图 3）。 - 摩擦十分常见，但并不全是负面影响
。49.7% 的对话存在摩擦；摩擦并非只来自模型错误，而是双方多重失误叠加产生。具备建设性的摩擦大量出现在高风险、非标准化任务，例如法律文书起草、软件调试、品牌定位设计。遭遇摩擦时，78.7% 对话中用户会尝试主动修复，但不同修复策略效果差异很大（图 5、图 6）。
上述结果表明：总体上职场用户是主动参与、适应 AI 协作工具，而非被动顺从 AI。技能提升的案例同时带来警示：这种能力增益潜力，无法在全部用户、全部国家均等实现（图 4）。
注：本研究由作者独立完成。虽然分析使用 Anthropic 提供的数据，但全部发现、解读、结论仅代表作者，不能视作 Anthropic 的研究成果，也不代表 Anthropic 对于 AI 社会影响的观点与立场。
2 数据与研究方法
本研究属于和 Anthropic 的学术合作。数据集包含 249 834 条来自 Claude.ai 网站的真实人机对话，是随机抽样得到。样本取自 2026‑04‑25 至 2026‑05‑09 期间普通用户流量，涵盖免费版、专业版、Max 版本；不包含 Claude Code、Claude Cowork 这类智能代理产品产生的对话。
Anthropic 社会影响团队部署了 Anthropic Insights 自动分析工具，该工具可以在保护隐私前提下挖掘 Claude 的使用特征（塔姆金等人，2024）。工具使用多层匿名化、聚合处理，保证单条对话隐私，同时呈现整体模式。研究团队提出研究问题，运行工具并解析工具输出结果。数据交付前 Anthropic 剔除了少于 5% 违反使用政策的对话；本文所有统计基于处理之后的语料。
Anthropic Insights 的核心概念是特征维度（facet）：即对话的某一项具体属性，例如对话主题、对话轮次、语言。模型按照预先定义的分类、打分规则提取各个特征。整个数据集里，Anthropic Insights 会基于这些特征对每条对话做汇总，自底向上把对话聚合成语义聚类。本研究的每一条数据记录对应一个特征下的聚类，包含聚类规模（对话数量）、自然语言描述、聚类内部各个特征的分布，以及不同特征之间的交叉统计结果。
特征维度的构建
为回答三个研究问题，我们在 Anthropic Insights 系统中通过三阶段流程构建特征维度：
- 迭代归纳，确定候选特征
：团队每位研究者独立生成人机协作相关潜在主题，参考已有的人机协同实证研究、人与人协作相关文献（波茨、苏德霍夫，2026；谢赫等人，2025；邵等人，2025；王等人，2020）；反复讨论，把主题归纳成各个特征维度。 - 标注迭代校准
：针对每一个特征，从 WildChat（赵等人，2024）随机抽取 10 条对话，人工完成编码，对比人工标签和 claude‑haiku‑4.5 模型标注结果，初始准确率 56%。把标注不一致的案例当作诊断信号，迭代改写提示词，明确类别定义，精准对应每个特征要测量的概念，直到在抽样数据上达到 100% 准确率。 - 验证区分度
：把第二阶段得到的特征，应用到 Anthropic 提供的 1 万条 WildChat 对话子集，检验特征能否在 Anthropic Insights 系统中输出具备区分度的结果。分类特征使用归一化香农熵衡量区分度 \(H_{norm}=H/\log K\)，K为类别总数。大部分特征区分效果良好：用户对输出的参与度（\(H_{norm}=0.80\)）、教学方式（0.78）、摩擦性质（0.75）、任务关键性（0.75），说明特征可以有效区分不同对话，不会大量归到单一标签。对于数值类特征，本阶段把「语言具体程度」「任务拆解度」「增量上下文披露」的量表从 1‑5 调整为 1‑6，避免模型默认输出中间值 3。
经过三阶段流程，最终得到17 个特征维度，覆盖：任务请求类别（1 个）、地理区域（1 个）、任务关键性（2 个）、任务细粒度（3 个）、人的自主决策权等级（1 个）、用户对 AI 输出的参与度（1 个）、人类学习（2 个）、摩擦（4 个）、对 AI 的态度（1 个）、人机对话礼貌程度（1 个）。每个特征要么是固定分类标签，要么是带锚点定义的数值量表，附带清晰类别定义与示例。之后由 Anthropic 在 Claude.ai 流量上运行 Anthropic Insights 分析（完整特征定义见附录 A）。
聚类统计
最终数据包含 17 个特征，891 个聚类，其中 844 个叶子子聚类，47 个顶层宏聚类。包含本研究核心行为维度：任务关键性（5 个子聚类）、输出参与度（6）；语言具体程度、任务拆解度、增量上下文这三项细粒度维度（各 6 个）；人的自主决策权（6）；教学方式（7）；对 AI 态度（5）；礼貌程度（5）。
数据集还包含丰富描述类特征：用户请求（9 个顶层宏聚类，185 个子聚类）；地理区域（153 个国家子聚类）；学习概念（7 个顶层宏聚类，123 个子聚类）；高风险任务描述（11 个顶层宏聚类，61 个子聚类）；对话摩擦四分类体系（7 个宏聚类，88 个子聚类）；摩擦质量（4 个子聚类）。每条对话附带元数据：语言、Claude 模型版本、对话轮数。
本设计存在若干局限：数据是聚类聚合级别，无法做单条对话深度定性分析，也不能研究单会话动态。本文在附录 B 提供 WildChat 对话标注示例帮助理解各个特征含义。即便如此，这套分析依然可以帮助我们从群体层面理解人与 AI 协同工作。
3 用户交给 AI 处理哪些工作
想要高效使用 AI 助手，用户需要做出一系列选择：哪些任务愿意交给 AI，如何表达需求，如何对待 AI 返回的输出。过往大规模 AI 使用研究，主要聚焦任务、职业、国家之间的任务分布（汉达等人，2025；马森科夫等人，2026；塔姆金、麦克罗里，2025；塔姆金等人，2024）。本文转而关注任务的关键性，以及用户表达任务的方式。
3.1 用户交付给 AI 的任务关键性
并非所有任务的权重都一样。请 AI 帮忙校对一封邮件，和请 AI 起草法律合同，二者出错带来的后果、受影响对象、错误是否可撤销截然不同。
本文从三个维度衡量任务关键性：
- 不可撤销性
：完全可撤销 / 部分可撤销 / 不可撤销 - 对外可见范围
：仅个人私有 / 团队内部 / 外部公开 - 影响程度
：几乎无影响 / 中等干扰 / 重大财务、法律、安全后果
LLM 分类器会结合对话文本逐条推理三个维度，给出证据，之后综合推理得到整体关键性等级。对话被划分成 4 个有序层级：
- 瞬时任务
：完全可撤销、仅个人私有，没有持久后果，只影响用户本人。 - 运营级任务
：面向内部，中等风险；部分可撤销，局限于团队内部，存在中等破坏可能性。 - 后果重大任务
：会影响外部利益相关方，难以撤销；即便不公开发布，也具备较高内部财务或业务影响。 - 高风险任务
：不可撤销任务，或是具备重大公开、财务、法律影响；错误会带来严重后果。
本文为每个领域定义任务关键性指数 TCI：该领域全部分类对话按对话数量加权平均得到层级得分（0‑3 分）。
结果：用户把后果重大的工作委托 AI，集中在咨询类领域。整体来看，用户大量把后果重大的工作交给 AI，不只是琐碎工作。全部领域中，多数任务达到后果重大及以上等级：瞬时任务 20%，运营级 24%，后果重大 44%，高风险 12%（N=249 834）；另有 34% 对话不存在可执行任务。
关键性在九大领域分布不均，呈现明显梯度（图 1a）：
-
法律与金融咨询最高（TCI=2.14），约 24% 对话属于高风险，对应合同、监管申报、财务决策这类不可撤销、对外会产生重大后果的工作。 -
商业、职业发展咨询紧随其后（TCI 分别 1.75、1.70），任务后果重大，但大多还可以补救，以规划、建议类为主。 -
技术领域处于中间区间：软件开发 1.37，AI 与数据任务 1.32。 -
创意、个人领域分数最低：创意内容生成 1.25；个人健康生活指导 1.19；学术课程作业 1.06，以低风险瞬时需求为主。
3.2 任务细粒度
明确用户交给 AI 什么任务之后，我们分析用户描述任务的方式。从三个维度对对话打分（1‑6 分量表）：
- 语言具体程度
：提示词的精准度，从模糊宏大目标（1），到高度精确、带技术约束的表述（6）。 - 任务拆解度
：是一次性要求完整输出（1），还是明确拆分成连续的细小子任务（6）。 - 增量上下文披露
：所有信息一开始全部提供（1），还是在多轮对话中逐步补充需求与背景信息（6）。
结果：默认情况下提示描述比较宽泛；但风险越高，描述会变得越严谨。整体上，大部分用户给出的是模糊、宏观目标：语言具体程度众数为 2，均值 2.74；任务拆解度大量集中在最低等级，41% 用户一次性索要全部结果，均值 2.46。说明主流使用心态是把工作全权委托给 AI，而非分步管控。
该模式会随着任务关键性发生系统性变化（图 1b）。对比瞬时任务，高风险任务的对话轮次几乎翻倍（×1.91，从 6.5 轮提升到 12.4 轮）；语言具体程度提升 1.21 倍，任务拆解度提升 1.20 倍，增量上下文仅提升 1.08 倍。提升幅度并不均衡：语言具体程度随四个等级单调上升；任务拆解度在后果重大任务达到峰值，高风险任务反而小幅回落。
也就是说，风险升高时，用户会持续把需求描述写得更精准，但并不会持续把任务切得越来越碎。一种合理解释是：高风险任务下，用户会投入更多精力明确期望产出，但依旧把任务视作完整整体，而不是一连串子步骤。
3.3 用户如何对待 AI 输出
除了编写提示词，协作还取决于用户如何处理 AI 返回的内容。本文改编帕德马库马尔等人（2026）的分类体系，将用户主要交互模式分为五类：
- 直接使用
复制输出直接使用，不作修改。 - 寻求理解
要求 AI 给出解释、更多细节。 - 改写适配
结合自身场景大幅修改 AI 输出。 - 批判修正
提出批判性意见，要求定向修改。 - 拒绝
明显放弃该份 AI 输出。
结果：用户会主动改写 AI 输出；任务风险越高，主动参与越强。主动参与是主流行为：用户大量改写、调整 AI 输出，直接照搬原文属于少数行为。这种主动姿态随任务关键性增强（图 1c）。改写适配是每一类任务中占比最高的模式：从瞬时任务到高风险任务占比分别 46% →49% →60% →52%。直接原样使用的占比随风险单调下降，从 21% 下降至 13%。
“为理解而阅读” 在运营级、后果重大任务阶段下降到 11%，到高风险任务又飙升至 21%，高风险场景用户会在采信结果前仔细审阅内容。批判修正最多出现在运营级任务（18%）；彻底拒绝全程占比很低，仅 1‑2%。
以上模式说明职场使用 AI 属于参与式协作：用户会改造、审视 AI 生成内容，而不是直接复制；任务后果越重大，用户参与深度越高。
注：实际直接无修改使用的比例可能比统计更低，因为用户有可能在结束 Claude 会话之后，在本地继续编辑输出文本。
4 用户如何与 AI 开展协作
任务关键性告诉我们哪些工作会交给 AI、对应多大风险。任务委托之后，人机协作会走向不同路径。已有研究大多关注 AI 如何利用人的努力完成协作（邵等人，2026a；沈等人，2026）；但人自身也可以选择不同参与程度、不同交互方式。已有文献研究过特定任务下人与 AI 交互，例如决策、解谜游戏（阿尔奈斯‑罗德里格斯等人，2025；戴维森等人，2025；郭等人，2024）或是聚合层面统计（汉达等人，2025），但缺少覆盖广泛真实任务的研究，缺少对交互差异的分析。
本章围绕人的自主决策权（human agency），即人类主导交互的程度。人机关系不是任务自带固定属性，而是用户通过行为选择构建出来的。之后以 AI 辅助学习作为案例，研究人机协同带来技能提升的机会。
4.1 聊天交互中的人的自主决策权
人的自主决策权量表（HAS），用于衡量 AI 辅助任务中人类保留的参与程度（邵等人，2025），等级从 H1 到 H5：
-
H1：AI 独立完成任务 -
H2：人类仅提供极少输入 -
H3：人与 AI 平等合作 -
H4：人类主导，AI 提供辅助 -
H5：完全由人类掌控任务
区别于以 AI 为中心的自动化框架，HAS 从人的视角评估任务：H3‑H5 代表增强人类能力，H1‑H2 代表纯粹自动化。即便用户已经选择调用 AI，不同对话中用户的自主决策权依然会存在巨大差异。
结果：人类主导协作为主流；任务类型本身不能决定自主决策权水平。72% 对话处于 H4 等级（人类主导，AI 辅助，共 176 319 条）；AI 自主模式（H1+H2）仅占 18.2%。主流模式是能力增强：用户把 AI 当作自己指挥的工具，保留工作所有权。但不同任务类型分布存在差异（图 2）。
AI 自主模式更多出现在产出明确、低风险任务：演示文稿生成（H1+H2 占 58.7%）、文档格式转换（53.3%）、电子表格制作（42.9%），这类场景人类主要只写初始提示，错误成本低，容易修正。
与之相反，咨询、排错任务人类控制力很强，例如个人医疗指导（H1+H2 仅 4.9%）、消费硬件故障排查（4.2%）。
但任务类型不能单独决定人的自主决策权。几乎每一类任务内部，对话都横跨全部 HAS 等级，不会集中到单一档位。即便是最容易交给 AI 自主处理的任务（PPT 生成、格式转换），仍有大量对话保持人类主导；而高风险咨询任务中，部分用户依然会交出大量控制权。这种同一任务内部的广泛分布说明：决策权不是任务自带属性；每一次对话，用户都在不断决定自己保留多少控制权。
4.2 使用 AI 进行学习
在人类高决策权的任务中，可以看到一类学习者群体：用户把 AI 当作教学资源，要求 AI 解释、讲授知识，而不是单纯生成交付物。不同于正规教育、职业培训，这类学习没有标准化课程，是普通对话过程中自然产生。
识别人机协作场景下的人类学习
基于协作分析，我们研究 AI 助手日常交互中充当教师角色的频率。根据助手主要教学手段分为六类教学风格：分步演示、原理讲解、案例驱动、苏格拉底式提问、类比隐喻、混合方法；不存在教学行为则标记为不适用（阿特金森等人，2000；根特纳，1983；保罗、埃尔德，2007）。统计任意一类教学风格出现的对话占比，得到教学行为的普遍程度。
AI 辅助学习被视作劳动力技能提升的重要路径（莫兰迪尼等人，2023），本文分析九大类任务领域中这类对话分布。假设：学习类对话分布广泛，不局限于学业辅导。
AI 常被认为可以让教育、专业知识的获取更加普惠（布拉特韦拉等人，2021）。但 AI 学习效果高度取决于用户如何使用工具。本文分析 19 个满足样本条件（≥2 000 条对话）的国家，对比两类对话占比：用户以理解为目标的对话；以直接执行为目标的对话。如果 AI 真的广泛普惠学习，那么无论各国 AI 发展准备度如何（伊达等人，2025），这些指标应该差异不大。
结果：AI 教学现象十分普遍，但不同国家用户的参与模式不一样。如图 3，67% 对话会出现 AI 主动教学行为。这类交互分布在极多领域，只有 15% 的教学对话属于学业辅导。说明面向各行业的针对性技能提升项目具备现实价值。AI 最常使用混合教学策略（占教学对话 61%），在同一会话中结合多种教学手段；原理讲解、案例驱动占比较小。
各国出现 AI 教学的比例差异很小，但用户参与方式存在明显国别差异。教学出现比例和国家 AI 就绪指数相关性很弱（皮尔逊 r=0.16，p=0.503，图 4a），说明全球范围内 AI 扮演教师角色的频率大体接近。
与之对比：追求理解的参与行为，随国家 AI 就绪指数显著上升（r=0.54，p=0.018）；直接照搬执行行为随之下降（r=-0.46，p=0.049）（图 4b、4c）。
也就是说，AI 就绪度更高国家的用户，更倾向借助 AI 建立深度理解；就绪度较低国家用户更多直接复用 AI 输出。跨国差异主要来自用户的参与行为，而不是 AI 本身输出的教学内容。想要让 AI 赋能技能提升的机会普惠全球，需要弄清楚造成这种行为差异背后的驱动因素。
注：政府 AI 就绪指数由牛津洞察独立咨询机构每年发布，衡量各国政府利用 AI 造福公共事业的综合得分，本文使用 2025 版本，用来代理一个国家整体采纳、受益于 AI 的综合能力。
5 人机协作中的摩擦
沟通错位、模型能力局限、价值观差异，都会带来协作摩擦。现有很多人机交互研究，把摩擦等同于失败，既包含显性崩溃（幻觉、对峙），也包含隐性失效（直接放弃对话）（波茨、苏德霍夫，2026）。但摩擦并非完全负面。组织行为学研究表明，团队成员敢于表达不同意见时，团队会更健康、绩效更高（埃德蒙森、雷，2014）；合适条件下，针对任务本身的冲突会产出建设性结果（布拉德利等人，2012；德丘奇、马克斯，2001；仁，1995）。
人机协作领域也出现相似观点：主动引入摩擦，可以促使用户批判性思考，提升模型可靠性（布钦察等人，2021；伊南等人，2025）。基于此，本文围绕摩擦提出三个问题：摩擦源自哪里；摩擦带来什么结果；用户如何应对摩擦。
5.1 不同领域摩擦的来源
摩擦定义：任何阻碍、延缓用户向目标推进的会话事件。包含：用户提示描述不足、模型输出错误、理解错位、多轮澄清循环等。
实现方式：LLM 分类器识别出现摩擦、崩溃的对话；针对该会话描述上下文，标注摩擦来源；再区分摩擦性质：
- 建设性摩擦
带来澄清、迭代优化、学习，协作取得进展。 - 非建设性摩擦
带来困惑、时间损耗、停滞不前。 - 混合结果摩擦
同时存在两类效果。
详见附录 A.6 完整特征定义。
结果：摩擦在对话中十分普遍。49.7% 的分析对话存在摩擦。分析存在摩擦的会话的根源：
-
用户侧摩擦占比最小：19.4%；绝大部分来自提示描述不足（18.8%），小部分来自用户对抗性意图（0.6%）。 -
模型侧摩擦占 38.6%：来自能力局限（28.5%）、幻觉问题（8.3%）。 - 双方叠加导致摩擦是最常见情形，占 42.0%
用户描述模糊，引发 AI 理解偏差，问题层层放大。
结果：建设性摩擦集中于高风险、非标准化任务。摩擦并不必然等于坏结果。一方面摩擦可以带来收益，例如反复调试代码 bug，在多轮对话中定位原因；另一方面摩擦会带来挫败感，直接放弃会话。
图 5 横轴代表该主题下发生摩擦的对话占比，纵轴代表发生摩擦的对话里，属于建设性摩擦的比例；气泡大小代表该聚类对话数量。33.0% 的主题同时拥有高摩擦发生率、高建设性占比；这部分主题承载了 40.8% 的后果重大、高风险任务。
右上角象限（高摩擦‑高产出）包含复杂技术任务（嵌入式硬件开发、软件排错），创意工作（品牌定位设计、音乐创作学习）。该结果和组织行为学的任务冲突理论吻合：对于创意、非标准化任务，针对工作内容产生分歧，相比毫无异议更容易产出更好结果（阿马森，1996；仁，1995）。
5.2 用户面对摩擦时的反应
识别摩擦来源之后，本文研究交互另一端：用户遭遇摩擦之后如何行动，如何尝试修复，区分主动 / 被动应对策略。
对于出现摩擦的对话，LLM 描述用户后续行为，例如追问澄清、改写提示、质疑模型观点。本文借鉴谢赫等人（2025）针对会话沟通失效的对话行为分类，人工对用户行为描述做归类（表 1）。
用户应对摩擦的分类
- 修复处理（Address）
用户主动修正会话错位，包含三类子行为 -
Repair 修复：直接补充信息，纠正 AI 输出。 -
Reformulate 重述：改写、重新表达自己的请求。 -
Restart 重启：重新开启对话上下文。 - 歧义消除（Disambiguate）
提出追问，探查哪里出现理解偏差，例如提出澄清问题。 - 继续推进（Advancing）
接纳模型的反馈，继续往前走；把修复工作交给 AI。 - 不做修复（No Recovery）
切换话题、放弃当前会话。
同时标记行为属于主动（用户主动出手解决错位）还是被动（把修复交给模型，或者直接回避问题）。
结果：用户大量使用主动修复策略，但不同策略效果差异巨大。在发生摩擦的对话中，78.7% 用户采取主动策略。如图 6，最主要行为是「修复处理」，占 72.9%；其中直接修复（补充证据、纠正 AI 输出，49.7%）多于改写提示（22.3%）；会话内重启行为很少（0.8%）。> 注意：该统计只统计同一个聊天线程内部重启；完全关掉会话重新打开不在统计内，该数值因此被低估。
不同策略产出效果不同。歧义消除、直接修复带来建设性结果的比例最高，分别 67.1%、61.8%。细分维度下，效果最好的几类行为：质疑模型推理逻辑（81.5% 建设性），要求输出简化（80.3%），纠正 AI 事实错误（76.8%）。
只改写语言表述、底层需求不变的策略效果较差：单纯改写语言，19.8% 依旧产生非建设性结果；移除图片之后改写提示，非建设性占比高达 40.4%。
6 结论
本文基于 Claude.ai 的 249 834 条真实对话，使用 Anthropic Insights 系统开展大规模研究，理解现实中人与 AI 协同工作的真实面貌。本文梳理三大维度：用户交给 AI 什么工作；人类如何协同，如何获得技能成长；摩擦如何产生、如何被处理。
总结核心结论：用户会把大量后果重大的工作交给 AI，而不只是简单琐碎任务；人类主导协作为主流，由用户自主决定人和 AI 之间的分工；AI 开展教学非常普遍，但各国用户从中获益并不均衡；摩擦大量出现，多数用户会主动尝试修复。
下面分别讨论本研究对三类群体的启示：
面向 AI 开发者与研究者
研究启示我们，要把后果重大、高风险工作作为核心设计目标。搭建框架、交互界面，支持任务拆解、上下文构建、反思式参与，追求长期可持续人机交互，而不只是完成单次任务。重点关注下面方向：
- 面向协作进行设计
AI 助手除了遵从指令给出回答，同样重要的是让用户可以理解、批判性审视 AI 输出，避免过度依赖。任务关键性分析表明，虽然风险越高用户越倾向改写输出；但最高风险层级，改写、批判占比回落，理解行为占比上升。恰恰在最重要的场景下，这有可能造成人类监督弱化。随着 AI 能力变强，人们会委托越来越关键、难度更高的任务，带来技能退化风险；必须保证用户依然看得懂输出，能够在此基础上迭代。单向 AI 生成、人类接收的模式虽然便捷，但会助长过度依赖，无法实现深度人机协同；而深度协同会变得愈发关键。 - 支持错误修复与透明监督
AI 助手往往无法一轮就给出正确结果。摩擦普遍存在，部分摩擦可以产出建设性结果。出现摩擦时，一方面可以提升用户素养，教会用户更好修复协作问题；另一方面，也需要模型本身具备更强的错误修复能力。技术层面需要稳健长上下文处理，不受前面错误内容干扰；同时兼顾任务完成和沟通质量。界面层面应当展示 AI 推理、中间步骤，帮助用户尽早发现错误，实现真正有效的监督。 - 构建用户画像与个性化能力
本研究反复印证：人类行为是决定协作过程与最终结果的重要因素。人的自主决策权不只是任务自带属性，更是个体选择。用户会使用不同修复策略，得到截然不同结果；不同用户学习方式不一样，需要不同教学手段。这种巨大异质性，要求更好的用户模型与个性化 AI，不只是记住风格、记忆对话，更要捕捉用户如何学习、容易在哪遇到困难，什么样的辅助能够增强人的自主决策权与能力。基于这样的用户模型，AI 可以知道什么时候向用户提出挑战，什么时候提供脚手架，什么时候后退，保证交互带来长期收益，而不只是一时便利。
面向 AI 使用者
主动参与 —— 改写、批判、审视 AI 输出，而不是直接照搬，是值得刻意培养的技能。在后果重大的工作中，这种行为和更好结果、更好学习收益高度相关。多项研究表明，AI 素养、使用行为深刻影响人机协作产出结果（马等人，2026；邵等人，2026b）。随着 AI 表达越来越流畅自信，即便原始准确率提升，过度信任风险也会上升，批判性参与会变得更加重要。我们预测：高效、负责任使用 AI，将成为未来职场核心能力，地位相当于过去的计算机素养。
面向经济学家与政策制定者
高风险任务委托集中在咨询、专业领域，加上技能提升收益会随国家 AI 就绪度分化，说明 AI 对劳动力市场影响集中在知识型工作，还可能扩大人力资本积累的不平等。就绪度高的环境中，从业者越来越多地把 AI 当作技能提升、职业进阶工具；就绪度较低环境的从业者，更容易把 AI 当作替代自身判断的工具，缺少机会锻炼反思、批判性参与能力，而这些恰恰是获得正向收益的关键。
该现象提出一系列问题，已经超出企业、行业范畴，关乎教育体系、劳动政策、国际发展策略。仅仅普及 AI 访问权限是不够的，还需要配套技能、制度支持，才能把可访问性转化为真实的技能提升。政策应当直接关注就绪度鸿沟，而不是指望 AI 广泛部署自动抹平差距。
研究局限
-
数据经过 Anthropic Insights 聚合为聚类，无法直接针对原始 Claude 对话校验标注，无法开展会话级定性分析。虽然我们在 WildChat 子集上验证特征设计，但聚类层面与真实单条对话之间仍存在一定偏差。详见塔姆金等人（2024）关于 Anthropic Insights 系统适用性与局限。 -
样本仅限于 Claude.ai 普通聊天流量，不包含 Claude Code、Claude Cowork 这类智能代理产品；本研究结论不一定可以推广到越来越普及的智能代理工作流。 -
数据来自单一 AI 服务商的用户群体，会受其用户人群、界面设计、模型行为影响；不一定可以直接迁移到其他 AI 平台。
即便存在局限，这套数据集提供了独有的群体规模人机协作观测视角，补充了过往主要依赖问卷、实验室、窄任务基准的文献，提供更加贴合现实场景的理解。
作者贡献
邵艺佳主导整个项目，包含方法设计、数据分析、文稿撰写；和 Anthropic 团队迭代、校验特征维度。赵朵拉主导特征设计，撰写第 5 章节。维沙克・帕德马库马尔参与特征设计，撰写 3.2 与 4.2 章节。王珍妮参与特征设计与文稿写作。杨迪伊确定项目范围，发起与 Anthropic 的合作，全程提供项目指导，撰写第 3 章节，深度参与全文写作。
致谢
感谢 Handa Kunal、Miranda Zhang、Deep Ganguli 提供反馈；感谢 Anthropic 提供聚合版 Anthropic Insights 数据。本研究得到斯坦福 HAI 种子基金资助。
参考文献、附录 A‑B（特征完整定义、标注示例）略，原文可查阅 PDF 文档。