如果有人說「AI 對每個人的影響都一樣」，這份報告至少提供了一組很值得拿來反駁的數據。

Anthropic 在 2026 年 3 月底發布了第三份經濟指數報告（Economic Index），用的是隱私保護的數據分析系統，追蹤 Claude 在整個經濟體中的使用方式。這次分析的是 2026 年 2 月 5 日到 12 日的數據 —— 剛好是 Opus 4.5 發布三個月後、Opus 4.6 發布的同一時間。

報告的核心問題可以用一句話概括：越早開始用 Claude 的人，看起來越能用好它。 Anthropic 認為這些結果符合 learning-by-doing 的解釋，但也明確保留另一種可能：差異部分來自早期採用者本來就更技術導向，或留下來的本來就是用得比較順手的人。

Claude 的用途正在分散化

先看大趨勢。Coding 依然是 Claude 最常被用來做的事，在 Claude.ai 上佔了 35% 的對話。但有趣的是，使用案例正在變得更分散 —— 前 10 大任務從 2025 年 11 月的 24% 降到了 2026 年 2 月的 19%。

Clawd Clawd 忍不住說：

從 24% 降到 19% 聽起來好像不多？換個方式想：原本每 4 個對話就有 1 個是在做那前十大任務，現在每 5 個才有 1 個。用三個月的時間來看，這個分散速度其實蠻快的 (◕‿◕)

這背後有幾個原因。首先，coding 任務正在大規模搬家 —— 從 Claude.ai 遷移到 API，尤其是 Claude Code 這種 agentic 架構把大段的 coding 工作拆成一堆小的 API call。所以表面上看 Claude.ai 上的 coding 變少了，實際上只是換了個地方做。

另一個因素是用戶結構的變化。課業相關用途從 19% 降到 12%（部分因為取樣期間很多國家的學生在放寒假），個人用途則從 35% 飆到 42%。2 月份一波新的註冊帶來了更多「休閒型」AI 使用者 —— 查運動比分、比較產品、問居家維修的人變多了。

低薪任務的占比正在上升

隨著用途分散，Claude 上面做的工作的平均經濟價值也跟著降了一點。報告用美國勞工薪資來衡量任務價值：Claude.ai 上的平均任務價值從每小時 $49.3 降到 $47.9。

這個數字下降不是壞事。報告指出，這完全符合經典的「採用曲線」（adoption curve）故事：早期用戶集中在高價值的專業用途（像 coding），後來的用戶則帶進了各式各樣的需求。

Clawd Clawd 畫重點：

想像一下第一批買智慧型手機的人 —— 大多是工程師和商務人士，用來收 email 和寫 code。等到手機價格降下來、人手一支之後，最大的使用場景變成了滑社群和看貓咪影片。AI 現在走的是同一條路，只是速度快了十倍 (⌐■_■)

其他幾個指標也呼應了這個趨勢：使用者輸入所需的教育年數從 12.2 年降到 11.9 年，用戶給 AI 更多自主權，而完成任務所需的時間也縮短了約 2 分鐘。有一個反向的信號：Claude 被交付的任務被評估為「人類不靠 AI 更難獨立完成」的程度微幅上升。

值得注意的是，雖然任務變多元了，幾乎所有出現在 2 月數據裡的任務在之前的樣本中都出現過。報告上次估計 49% 的工作崗位至少有四分之一的任務曾用 Claude 執行過，這個比例在這次幾乎沒變。Claude 做的事情種類沒有大幅增加，但比例在重新分配。

API 上浮現的自動化模式

如果 Claude.ai 代表「人類跟 AI 對話」，那 API 就更接近把任務嵌進工作流裡。報告指出 API workflow 更常是 directive，human-in-the-loop 更少；但同時也要注意，報告在附錄裡指出 1P API 的 automation 整體占比其實是明顯下降的。也就是說，2 月份浮現的是某些特定自動化 workflow 變多，而不是所有 API 使用都朝更強自動化單向前進。

2 月份有兩類 API 工作流的占比至少翻倍：

商業銷售與外展自動化：包括銷售素材生成、B2B 潛在客戶資格篩選研究、客戶數據充實、cold-email 草擬。

自動交易與市場操作：監控市場或持倉、提出具體投資建議、向交易員回報市況。

Clawd Clawd 認真說：

Cold-email 自動化和交易建議自動化 —— 這兩個聽起來就像是「讓 AI 做人類最不想做的事」和「讓 AI 做人類最想做但做不好的事」的完美組合。不過報告只說占比翻倍，沒有給絕對數字。翻倍聽起來嚇人，但如果原本從 0.5% 變成 1%，那就還好 ┐(￣ヘ￣)┌

報告之前就指出，客服類工作（例如自動處理帳單和付款問題）在 API 上很常見，讓 Customer Service Representative 成為較可能受 AI 自動化影響的職位之一。從 Claude.ai 遷移到 API 的趨勢，可能代表某些工作的變化會更早發生，但這還不能直接寫成 AI 正在「接管」這些工作。

地理差距：美國在收斂，全球在擴大

報告追蹤了一個叫 AUI（Anthropic AI Usage Index）的指標，根據各地區勞動年齡人口來調整使用量。

美國國內：好消息是，各州之間的使用差距繼續縮小。前五大州的人均使用占比從 2025 年 8 月的 30% 降到 24%，Gini 係數持續下降。但收斂速度在放慢 —— 按目前的速度，各州要達到大致相等的人均使用量需要 5-9 年，之前估計是 2-5 年。

全球：壞消息是，國家之間的差距反而在擴大。前 20 個國家的人均使用占比從 45% 上升到 48%，Gini 係數在上升。用 Claude 最多的國家正在用得更多，而用得少的國家相對落後更多了。

Clawd Clawd 碎碎念：

美國內部在收斂、全球在發散 —— 這就像一個班級裡面差距在縮小，但班級之間的差距在拉大。如果有效使用 AI 需要經驗累積（這份報告的核心論點），那全球層面的數位落差可能會比人們想的更難彌補。先跑的人不只跑得快，還會越跑越快。

模型選擇：用戶知道什麼時候該上 Opus

報告的第二章切入了一個很少有人研究過的問題：用戶怎麼在不同的 model class（Haiku、Sonnet、Opus）之間選擇？

如果用戶真的有在根據任務難度調整模型選擇，那 Opus（最強但最貴的 model class）應該集中在最複雜、最高價值的任務上。數據顯示確實如此。

在付費 Claude.ai 帳號中，55% 的 Computer and Mathematical 任務用了 Opus，但只有 45% 的 Educational 任務用了 Opus。更細的數據更明顯：Software Developer 任務有 34% 用 Opus，Tutor 任務只有 12%。

報告算了一個漂亮的回歸：任務關聯的時薪每增加 $10，Opus 的使用占比在 Claude.ai 上增加 1.5 個百分點，在 API 上增加 2.8 個百分點。 API 用戶對任務複雜度的反應是 Claude.ai 用戶的將近兩倍。

Clawd Clawd 內心戲：

這其實蠻合理的。API 用戶通常是開發者或企業，他們寫了程式來自動切模型，成本敏感度高。Claude.ai 的用戶更多是「反正 Opus 比較厲害就用 Opus」或「Sonnet 是預設就用 Sonnet」的心態。技術用戶可能試過之後發現效果差異，主動切掉 default。學生可能更在意用量上限所以選便宜的。不管哪種解釋，結論是一樣的：人們確實會根據任務調整模型。

老用戶 vs 新用戶：經驗帶來的不是量變，是質變

這是整份報告最核心的發現，也是標題「Learning Curves」的由來。

報告把用戶分成兩組：「高資歷」（註冊超過 6 個月）和其他人。差異非常明顯：

  • 高資歷用戶更傾向用 Claude 來反覆迭代工作（task iteration），而不是單純下指令
  • 工作用途多了 7 個百分點
  • 輸入的教育程度（理解 prompt 所需的教育年數）更高
  • 個人用途少了 10%
  • 使用場景更分散（前 10 大任務占比 20.7% vs 新用戶的 22.2%）

用一個數字來感受：每多一年的 Claude 使用經驗，prompt 所需的教育年數大約增加 1 年。 不是因為人變聰明了，而是老用戶學會了把更複雜的事情交給 AI 做。

高資歷用戶中，平均 tenure 最高的任務包括：AI 研究、git 操作、修改手稿、新創募資。平均 tenure 最低的任務則是：寫俳句、查體育比分、派對食物建議。

Clawd Clawd OS：

所以這個故事大概是：第一批用 Claude 的人拿它來寫 code 和做研究，用了一年之後越用越深入。後來加入的人先拿它來問「今天誰贏了」「晚餐吃什麼」，然後慢慢升級。這個 pattern 跟每一次科技普及都一樣 —— 第一批用 internet 的人在寫 HTML，後來的人在看 YouTube。差別在於，AI 的學習曲線效應可能比以前的科技更陡 (๑•̀ㅂ•́)و✧

成功率的差距：4 個百分點，而且不是因為任務不同

最讓人停下來想的數據是這個：高資歷用戶的對話成功率比低資歷用戶高了大約 5 個百分點。

但馬上有人會問：「不就是因為老用戶帶去的任務本來就比較容易成功嗎？」

報告用了非常嚴謹的回歸分析來排除這個可能性。加入了 O*NET 任務和 request cluster 的 fixed effects 之後 —— 也就是說，在同一個任務內部比較高資歷和低資歷用戶 —— 差距縮小到 3 個百分點，但依然顯著。

再加上模型選擇、語言、使用場景、所在國家等全部控制變數後，差距反而微升到 4 個百分點。

Clawd Clawd 碎碎念：

「加了控制變數反而變大」這個結果很有趣。一種可能的解釋是：高資歷用戶在模型選擇和語言上做了一些「對成功率有負面效果」的事（比如選更難的語言或更挑剔的模型設定），但他們的經驗足以克服這些。就像一個老司機故意走小路但到得比走高速的新手還快。不過報告自己也承認，這可能有 survivorship bias —— 用了一年還在用的人，本來就是用得好的那群人。停用的人不在數據裡。

報告用了一個很精確的說法：「Facility with these platforms may be a key determinant of success that appears to scale with experience.」翻成白話就是 —— 會不會用 AI 這件事本身，可能是決定成功的關鍵因素，而且經驗越多越會用。

這對勞動市場意味著什麼

報告最後把所有發現串在一起，得出了一個值得警惕的方向。

經濟學家早就提過 skill-biased technological change（技能偏向型技術變革）這個概念：某些創新會讓高技能工人的薪資上升，同時壓低其他人的薪資。這份報告指出了一個具體的機制 —— 早期採用者帶著高技能任務使用 Claude，有更高的成功率，可能同時是最容易被 AI 顛覆的群體，也是最能從 AI 獲益的群體。

有意思的是，報告也修正了 Anthropic 去年自己提出的一個假設：他們原本以為經驗豐富的用戶會更傾向自動化（directive）使用模式，結果這次資料顯示，更資深的用戶反而更常跟 Claude 來回迭代。 這意味著「高手」用 AI 的方式不是「交出去讓它做」，而是「跟它一起做」。

報告也誠實地指出了分析的局限性：這些差異可能來自 cohort effects（早期用戶本來就比較技術導向）或 survivorship bias（還在用的人當然是覺得好用的人）。但嚴格控制後的回歸結果至少排除了一些簡單的替代解釋。隨著時間推移，Anthropic 計劃更乾淨地把 cohort effect 和真正的 learning-by-doing 分離開來。

結語

這份報告最尖銳的地方，不在任何一個單獨的數字，而在它拼出的可能機制：如果 AI 的使用成效真的會隨經驗累積而提高，那早期採用的優勢就可能形成滾雪球效果。Anthropic 沒有把這件事寫成定論，但它的確指出了一條值得警惕的路徑：生產力提升未必會平均落在每個人身上。

原文最後一段寫得很到位：「These early-adopting users may simultaneously be the most exposed to AI-driven disruption and most aided by AI in these initial, augmentative waves of adoption.」—— 最早被 AI 影響的人，可能也是最能駕馭 AI 的人。這不是矛盾，這是同一件事的兩面。

現在回頭看那個「越用越會用」的 learning curve，問題不再是「AI 能不能提升生產力」，而是 —— 這個生產力提升，會落在誰身上？

Clawd Clawd 溫馨提示：

如果這份報告讓人學到一件事，那就是：不要等到「AI 工具夠成熟」再開始用。成熟的不是工具，是使用者。高資歷用戶 4% 的成功率優勢聽起來不多，但如果這種差距持續存在，累積效果仍可能很大。最好的投資不是等下一個更強的 model，是現在就開始學怎麼用好手邊這個 ╰(°▽°)⁠╯