这份报告通过引入五个“经济原语”指标，深入分析了AI助手Claude的使用情况及其经济影响。研究发现，Claude的使用高度集中于编程等少数任务，其在全球的普及程度与各地区的GDP和教育水平密切相关。在美国，各州之间的使用差异正在迅速缩小。一个核心权衡是，AI处理越复杂的任务，节省的时间越多，但成功率也随之下降。此外，AI主要被用于替代高技能任务，这可能导致部分职业出现“去技能化”现象。在考虑了任务成功率后，报告预测AI能为劳动生产率带来约1.0个百分点的年增长。
新的经济原语：更深入的洞察
为了更精确地衡量AI的经济影响，报告引入了五个“经济原语”，即衡量Claude使用方式的基础指标。这些指标旨在揭示AI使用的深层模式，而不仅仅是使用频率。
- 任务复杂度： 衡量任务的难度，包括预估人类完成所需的时间。
- 人与AI的技能： 评估理解用户指令和AI回应所需的教育水平。
- 使用场景： 区分使用目的是工作、学业还是个人用途。
- AI自主性： 衡量用户在多大程度上将决策权委托给AI。
- 任务成功率： 评估AI在多大程度上成功完成了指定任务。
这些原语共同提供了一个关于AI如何被使用的重要信号，即使单个指标可能不完全精确，它们的组合也能揭示出关键的经济趋势。
使用模式的变化：集中与趋同
自上一份报告以来，Claude的使用模式呈现出一些显著变化，但核心趋势依然存在。
- 使用高度集中： Claude的使用仍然集中在少数任务上。在Claude.ai上，排名前10的任务占了24%的对话量，其中修改软件以纠正错误是最常见的任务，占比达6%。
- 增强模式回归主流： 与之前自动化模式占优的情况不同，最新数据显示“增强模式”（即用户与AI协作、迭代完成任务）重新成为主流，占比达到52%。这可能与新功能鼓励更多人机协作有关。
- 美国各州使用差异缩小： 尽管美国各州的使用率仍受技术岗位数量影响，但低使用率州正在快速追赶。报告预测，如果该趋势持续，美国各州的人均使用率将在2-5年内达到均衡，其扩散速度远超历史上其他重要技术。
- 全球使用差异固化： 在全球范围内，使用率差距依然巨大，且与人均GDP强相关。高使用率国家和低使用率国家之间的差距没有明显缩小或扩大的迹象。
全球使用差异：收入与教育是关键
地域差异不仅体现在使用频率上，也体现在使用方式上。
- 使用场景与收入相关： 在高收入国家，Claude更多地被用于工作和个人事务。而在低收入国家，学业用途则更为普遍。这表明，在AI普及的早期阶段，用户更倾向于将其用于教育等特定高价值领域；而在成熟市场，使用场景则会扩展到更多元的个人生活领域。
- 提示水平决定回应水平： 一个关键发现是，理解用户提示所需的教育水平与理解AI回应所需的教育水平高度相关（相关系数 > 0.92）。这意味着用户的提问方式直接决定了AI的输出质量和复杂性。
- 高收入地区更倾向于协作： 在人均收入和使用率更高的国家，用户更倾向于将Claude用作协作者（增强模式），而不是完全将任务委托给它（自动化模式）。这表明，有效利用AI的技能本身可能也存在分布不均。
各国能否从AI中受益，不仅仅取决于AI的普及率，还独立地取决于其国民的教育水平。
任务、效率与生产力：权衡与影响
报告深入分析了AI在不同任务上的表现及其对生产力的潜在影响，揭示了一些重要的权衡关系。
复杂性与成功率的权衡：
- 任务越复杂，节省的时间越多。 例如，需要大学教育水平才能理解的任务，其带来的“加速”效应（12倍）高于仅需高中教育水平的任务（9倍）。
- 但与此同时，任务越复杂，成功率越低。 在API数据中，预计需要人类5小时以上完成的任务，其成功率降至45%左右。
“有效AI覆盖率”重塑职业影响： 仅看AI能处理哪些任务是不够的。通过引入“有效AI覆盖率”（即综合考虑任务重要性和成功率），可以更准确地评估AI对特定职业的影响。例如，对于数据录入员，虽然AI仅覆盖少数几项任务，但由于在最核心、最耗时的任务上成功率很高，其岗位的有效AI覆盖率非常高。
AI应用的“去技能化”效应： 报告发现，Claude目前处理的任务通常比经济体中的一般任务需要更高的教育水平。如果这些高技能任务被AI替代，那么留给人类的可能是技能要求相对较低的工作。
例如，对于旅行代理，当AI处理了复杂的行程规划后，他们剩下的工作可能主要是出票和收款等常规操作，导致职业“去技能化”。相反，对于物业经理，当AI处理了记账等任务后，他们可以专注于合同谈判和利益相关者管理等更高级的工作，实现“技能提升”。
对生产力增长的修正预测： 之前的研究估计AI能带来1.8个百分点的年劳动生产率增长。但当把任务成功率这一因素考虑进去后，这个预测被向下修正。调整后的数据显示，AI有望带来约1.0个百分点的年劳动生产率增长。这个数字虽然有所降低，但仍然非常可观，相当于将美国生产率增长带回上世纪90年代末的水平。
结论
AI对经济的影响远非整齐划一。它的作用方式和效果受到任务复杂性、用户技能水平以及地区经济结构的深刻影响。报告揭示，AI倾向于处理高技能任务，这可能导致部分职业出现“去技能化”，同时也凸显了用户自身能力的重要性。全球范围内，收入和教育水平决定了AI的普及和使用模式，这引发了关于AI是会缩小还是扩大全球经济差距的疑问。为了让AI的益处惠及全球，仅仅扩大技术接入是远远不够的。
发展能够有效利用AI的人力资本，尤其是在低收入经济体中，是实现AI普惠的关键所在。