AI_正在让谁变强，让谁变弱？Anthropic_首次公开的内部数据揭示了什么

AI 正在让谁变强，让谁变弱？Anthropic 首次公开的内部数据揭示了什么

每天有数百万人在使用 Claude，但他们到底在用它做什么？更重要的是，AI 真的在提升生产力吗？它会让你的工作消失，还是让你变得更值钱？

Anthropic 刚刚发布了一份报告，首次公开了他们的内部使用数据。这不是问卷调查，不是专家预测，而是来自 200 万次真实对话的硬数据。今天我要告诉你的，可能会颠覆你对 AI 的认知。

嗨，我是王利杰。

先说结论：AI 并不是在均匀地改变所有人。它正在创造一个新的分水岭——不是简单的"会用 AI"和"不会用 AI"的区别，而是一个更隐蔽、更深刻的鸿沟。这份报告揭示了这个鸿沟的具体形态。

Anthropic 分析了 100 万次 Claude 的对话和 100 万条 API 调用记录。他们用 Claude 自己来分析这些匿名数据，提取出五个关键维度：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。这些被称为"经济原语"，是理解 AI 经济影响的基础变量。

第一个令人震惊的发现：AI 的使用高度集中。在 Claude 上，我们能看到超过 3000 种不同的工作任务。但前 10 种任务就占了 24% 的使用量。排名第一的是什么？修复软件错误。仅这一项就占了 6% 的使用量。计算机和数学相关的任务占了 Claude 对话的三分之一，在企业 API 调用中更是接近一半。

这说明什么？大多数人还没有真正开始使用 AI。我们谈论的"AI 革命"，目前主要发生在程序员和技术人员的世界里。

但这里有一个有趣的变化。在 2025 年 8 月的报告中，自动化使用首次超过了增强使用。所谓自动化，就是用户给 Claude 一个指令，它直接完成，几乎没有来回交流。而增强使用是协作式的——用户学习、迭代、获取反馈。当时的数据让人担忧：是不是人们越来越把 AI 当成一个执行工具，而不是学习伙伴？

但到了 2025 年 11 月，情况逆转了。增强使用重新超过了自动化，占比达到 52%。这个转变是广泛的，不限于某一类任务。报告认为，这可能与 Claude 新增的文件创建功能、持久记忆和工作流定制有关。这些功能让人机协作变得更自然、更有价值。

我认为这是一个好信号。它意味着人们正在学会更好地与 AI 合作，而不是简单地把任务甩给它。这种协作模式，才是 AI 真正释放价值的方式。

现在来看地理分布。全球来看，Claude 的使用与人均 GDP 高度相关。一个国家的人均 GDP 每增加 1%，Claude 的人均使用量就增加 0.7%。丹麦的用户使用 Claude 的强度是其人口比例的两倍。

但这里藏着一个令人不安的发现：低收入国家用 Claude 主要做什么？做作业。高收入国家呢？工作和个人使用。这不是偶然的相关性——它指向一个清晰的采用曲线。在发展中国家，早期采用者往往是有特定高价值应用的技术用户，或者是学生。而在成熟市场，使用场景已经多元化，延伸到休闲和个人领域。

美国内部的情况更值得关注。华盛顿特区、弗吉尼亚州、华盛顿州的使用量最高。这些地方有什么共同点？科技和数学领域的从业者比例高。计算机和数学领域的工人比例每增加 1%，该州的人均 AI 使用量就增加 0.36%。仅这一个因素就解释了美国各州之间 AI 使用差异的近三分之二。

但这里有一线希望。报告发现，在 2025 年 8 月到 11 月的三个月里，美国各州的使用差距正在缩小。如果这个速度持续，2 到 5 年内，各州的人均使用量就会趋于平等。这个扩散速度比 20 世纪重大技术的扩散快了大约 10 倍。

不过，全球层面并没有这种趋同的迹象。使用差距既没有在缩小，也没有在扩大。它很稳定——稳定地不平等。

现在进入报告最核心的发现：任务复杂度与成功率的权衡。

Anthropic 让 Claude 估算：如果没有 AI，一个人完成这个任务需要多长时间？有了 AI 协助呢？两者的比值就是"加速倍数"。结果显示，任务越复杂，加速倍数越高。需要高中学历理解的任务，加速 9 倍。需要大学学历的任务？加速 12 倍。

这意味着什么？AI 给高技能工作者带来的生产力提升，远大于低技能工作者。这与我们看到的另一个数据吻合：白领工人采用 AI 的比例远高于蓝领。

但这里有一个权衡。任务越复杂，Claude 的成功率越低。简单任务的成功率约 70%，而需要大学学历的复杂任务降到 66%。

更关键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 60%，而人工需要 5 小时以上的任务，成功率降到 45%。根据线性拟合，API 调用在人工耗时 3.5 小时的任务上达到 50% 成功率的阈值。

但在 Claude 上，情况完全不同。成功率随任务时长的下降要缓慢得多。外推计算，Claude 要到人工耗时 19 小时的任务才会降到 50% 成功率。

为什么差距这么大？因为 Claude 是多轮对话。用户可以澄清、纠正、迭代。每一轮对话都是一个反馈循环，让用户可以及时修正方向。这说明，人机协作的方式本身，就能显著扩展 AI 的有效能力边界。

这里我要强调一个概念："有效任务地平线"。METR 的基准测试通过让 AI 独立完成任务来测量它的能力边界。但现实中的有效边界是人与 AI 协作的结果，而且不限于编程任务。两种方法都发现，AI 可以有效处理需要人工数小时的任务。

报告接下来分析了职业层面的影响。之前的研究发现，36% 的职业有至少四分之一的任务被 AI 覆盖。但这只是看任务是否出现在使用数据中，没有考虑成功率和时间权重。

这份报告引入了"有效 AI 覆盖率"的概念：一个工人一天中有多大比例的工作时间可以被 Claude 成功完成？计算方法是把每个任务的成功率乘以它在工作时间中的占比。

结果很有意思。数据录入员的任务覆盖率不高，因为他们 9 个任务中只有 2 个被覆盖。但他们的有效 AI 覆盖率却很高。为什么？因为他们最主要的工作——从源文件读取和录入数据——正是 Claude 做得最好的。AI 精准地击中了他们花时间最多的工作。

医学转录员和放射科医生也是这样。他们被覆盖的任务恰好是他们最耗时、最高频的核心工作——解读诊断图像、准备解读报告。这些职业的任务覆盖率低，因为 AI 做不了他们的动手操作和行政工作，但它成功地覆盖了他们的核心知识工作。

相反，微生物学家的有效覆盖率低于任务覆盖率。因为虽然 Claude 覆盖了他们一半的任务，但没有覆盖最耗时的那些——需要专业实验设备的动手研究。

现在来看一个更深层的问题：AI 正在移除的是高技能任务还是低技能任务？

报告用任务描述的文本嵌入来预测每个任务需要的教育年限。结果发现，Claude 覆盖的任务平均需要 14.4 年教育——比整体经济中所有任务的平均值 13.2 年高出一年多。这与之前的发现一致：AI 使用集中在白领职业。

这意味着什么？如果我们从工人的任务中移除 AI 能做的那些，剩下的工作平均技能要求会降低。净效应是"去技能化"。

举个例子：技术写作人员。AI 会接管"分析特定领域的发展以确定修订需求"这种需要 18.7 年教育的任务，和"审查已发布材料并建议修订"这种需要 16.4 年教育的任务。留下的是什么？"绘制草图来说明指定材料"这种只需 13.6 年教育的任务。

旅行代理人也是如此。AI 覆盖了规划和销售行程套餐、计算旅行费用这些相对复杂的任务，留下的是打印机票、收取付款这些简单工作。

很多教师职业也经历去技能化。AI 能帮助评分、指导学生、撰写资助申请、进行研究，但做不了面对面授课和课堂管理。

但也有例外。房产经理经历的是"上技能化"。AI 接管了维护销售记录、审核租金等常规行政任务，留下的是需要更高专业判断和人际互动的工作——获取贷款、与建筑公司谈判、与董事会会面。

根据 Autor 和 Thompson 的框架，如果我们把教育水平类比为专业技能，那么技术写作人员和旅行代理人的工资可能会下降，就业可能会增加。而房产经理会专注于复杂谈判和利益相关者管理，就业减少但工资上涨。

最后来看整体生产力影响。在之前的研究中，Anthropic 估计 AI 的广泛采用可能在未来十年内每年增加 1.8 个百分点的劳动生产率增长。这次报告用更大的样本复现了这个结果——无论是基于 Claude 还是 API 数据。

但如果把任务成功率考虑进去呢？如果工人必须验证 AI 的输出，生产力收益会小于原始加速倍数的预测。调整后，隐含的生产力增长从 1.8 降到 1.0 到 1.2 个百分点。

即使打了折扣，这仍然是经济上非常显著的影响。每年持续增加 1 个百分点，意味着美国的生产率增长将回到 1990 年代末和 2000 年代初的水平。

但还有一个更深层的问题：任务之间的互补性。如果某些任务是必不可少的，不能轻易被替代，那么整体生产力效应就会受到瓶颈任务的制约。教师可以用 AI 更高效地准备教案，但这不会减少他们在课堂上与学生相处的时间。

报告用不同的任务替代弹性来模拟这种情况。如果弹性小于 1，任务之间是互补的，没有被 AI 加速的任务就成为瓶颈。在弹性为 0.5 的情况下，隐含的生产力效应降到每年 0.6 到 0.8 个百分点。如果弹性大于 1，工人可以向生产力提升最大的任务倾斜，效应则上升到 2.2 到 2.6 个百分点。

真实的弹性是多少？我们不知道。但这个分析告诉我们，AI 的生产力影响将取决于那些目前还抵抗自动化的瓶颈任务。

让我总结这份报告的关键启示。

第一，AI 的影响不是均匀的。它给高技能任务带来更大的加速，但也在这些任务上更容易失败。它正在覆盖职业中较高教育要求的部分，可能导致净效应是去技能化。

第二，使用方式比使用本身更重要。多轮协作可以把 AI 的有效能力边界从 3.5 小时的任务扩展到 19 小时。如何与 AI 协作，决定了你能从中获得多少价值。

第三，人力资本的重要性可能在上升，而不是下降。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 本身需要技能。高收入国家不仅使用 AI 更多，还以更协作的方式使用。

第四，全球差距可能会扩大。AI 的影响将被现有的制度结构所中介。仅仅扩大 AI 的获取是不够的，还需要发展使有效使用成为可能的人力资本，特别是在低收入经济体。

最后一点个人思考。这份报告让我想到一个问题：我们应该追求什么样的人机关系？

数据显示，完全自动化的使用模式——给 AI 一个指令让它直接完成——成功率较低，而且让用户与任务的智识内容脱节。相反，协作式使用——学习、迭代、获取反馈——不仅成功率更高，还让用户保持对任务的深度参与。

也许 AI 最好的用途不是替代我们思考，而是帮助我们思考得更好。

我是王利杰，我们下期见！