Page 1: 第1页 各位同学，大家好。今天我们探讨的主题是人工智能（AI）在经济活动中的早期采纳模式。正如物理学家通过观测粒子轨迹来推断基本力的性质，我们通过分析AI助手“Claude”的使用数据，来揭示其如何开始重塑我们的工作与经济。本次报告是Anthropic经济指数的第三期，我们将从四个维度展开分析：首先是地理维度，比较美国各州之间以及不同国家之间的使用差异；其次是时间维度，追踪使用模式随时间的演变；最后，我们将首次区分并剖析商业用户与普通消费者的使用行为。这项研究的目的，是为理解AI这一新兴通用技术所带来的经济影响，提供一个实证基础。 Page 2: 第2页 首先，让我们审视原始数据。这张图表展示了Claude在全球范围内的使用份额分布。美国以21.6%的份额遥遥领先，其后是印度、巴西、日本和韩国。然而，我们必须认识到，这种原始的统计数据就像是未经校准的望远镜，它展示了一个画面，但可能存在系统性偏差。一个国家的使用份额高，可能仅仅是因为其人口基数庞大，而非其国民对AI的接纳程度更高。因此，为了获得更精确的洞见，我们需要引入一个标准化的度量衡。 Page 3: 第3页 为了消除人口规模的干扰，我们构建了“Anthropic AI使用指数”，即AUI。这个指数的逻辑类似于计算人均GDP，我们将一个国家在全球Claude使用中的份额，除以其在全球劳动年龄人口中的份额。如果结果大于1，则意味着该国的人均使用强度超过了全球平均水平。经过标准化处理后，我们看到一幅截然不同的图景：以色列和新加坡等规模较小但技术先进的经济体跃居前列。这表明，在AI采纳的深度上，它们才是真正的领先者。AUI就像一个显微镜，帮助我们从宏观的份额数据中，观察到更精细的、与经济结构和技术水平相关的采纳强度。 Page 4: 第4页 那么，是什么因素驱动了AUI指数的差异呢？研究发现，国民收入水平是一个关键变量。数据表明，人均GDP每高出1%，对应的AUI指数便会高出0.7%。这其中的逻辑不难理解：富裕国家通常拥有更完善的数字基础设施和以知识工作为主的经济结构，这为AI技术的应用提供了肥沃的土壤。这就好比播种，种子（AI技术）能否茁壮成长，很大程度上取决于土壤（经济与技术环境）的质量。然而，这一发现也带来了一个严肃的警示：如果AI带来的效益主要集中在富裕国家，它可能会加剧全球经济的“大分流”，进一步拉大贫富差距，正如历史上的电力革命和内燃机革命一样。 Page 5: 第5页 现在，我们将镜头从全球转向美国内部，进行州际层面的分析。有趣的是，收入与AI使用之间的正相关关系在美国各州之间表现得更为显著。然而，这种关系也伴随着更大的波动性，这意味着仅用收入水平来解释各州的使用差异是不够的。这就像在研究植物生长时，我们发现阳光是重要因素，但在同一片阳光下的不同地块，植物长势各异，这便提示我们必须考虑土壤成分、水分等其他变量。在美国这个案例中，我们推断，这个“土壤成分”就是各州独特的经济结构。 Page 6: 第6页 这一推论在具体案例中得到了证实。我们可以观察到一种“经济风土”现象——就像不同地区的土壤和气候决定了葡萄酒的风味，一个州的主导产业也决定了其AI使用的“风味”。例如，在政治中心华盛顿特区，AI最突出的用途是编辑文档和信息检索，这与当地大量的知识工作相匹配。在科技中心加利福尼亚，编码任务的使用频率远超其他地区。在金融中心纽约，金融相关任务则尤为普遍。甚至在夏威夷，旅游相关任务的请求率是全美平均水平的两倍。这些例子清晰地表明，AI正作为一种工具，深度融入并服务于各地区独特的经济生态。 Page 7: 第7页 接下来，我们进入时间维度。从2024年12月至今的数据揭示了一个动态演变的图景。尽管计算机与数学相关的任务始终占据主导地位，但各类任务的相对份额正在发生深刻变化。我们观察到，知识密集型领域的应用显著增长，例如教育指导和科学研究。与此同时，传统商业任务，如管理和金融运营，其相对份额有所下降。这并不意味着这些领域的绝对使用量在减少，恰恰相反，所有领域的绝对使用量都在增长。这种相对份额的变化，反映了AI应用的一种成熟过程：从最初集中于最直接、最易实现自动化的编码等任务，逐步渗透到更广泛、更复杂的知识创造和传播领域。 Page 8: 第8页 将地理和任务类型两个维度结合分析，我们发现了一个有趣的模式。在AI采纳度较低的国家，其使用场景高度集中于计算机和数学领域。然而，随着一个国家AI采纳度（即AUI指数）的提高，其任务组合呈现出多样化的趋势。编码任务的相对份额开始下降，而教育、艺术设计、科学研究以及行政支持等其他活动的份额则相应上升。这可以理解为AI应用的“扩散效应”。在早期阶段，AI主要被核心技术人群用于其最擅长的领域。随着技术的普及和成熟，它开始溢出到社会的各个角落，成为各行各业通用的生产力工具，从而导致应用场景的全面开花。 Page 9: 第9页 为了更深入地理解AI如何影响工作，我们不仅要看人们用AI做什么，还要看他们“如何”用。我们将人机交互模式分为两大类：自动化与增强。可以将“自动化”比作委托一位专家独立完成一项任务，你只需下达指令并验收成果。它又分为“指令式”（Directive），即给予最少的人类干预；和“反馈循环式”（Feedback Loop），即人类将现实世界的结果反馈给模型。而“增强”则更像是与这位专家并肩工作，共同协作。它包括“学习”（Learning），即向AI请教知识；“任务迭代”（Task Iteration），即与AI合作打磨工作；以及“验证”（Validation），即请AI对你的工作提出反馈。这个分类法为我们度量AI在工作流程中的角色提供了理论框架。 Page 10: 第10页 在追踪这些交互模式随时间的变化时，我们观察到了一个决定性的转变。自去年12月以来，“指令式自动化”的比例从27%急剧上升至39%。这一增长使得自动化模式的总体占比首次超过了增强模式。这标志着人机关系的一个重要转折点：用户正从将AI视为一个“协作者”转变为将其视为一个可以信赖的“执行者”。这种转变的背后，一方面是模型能力的显著提升，使其能够更好地预测用户意图并生成高质量的输出；另一方面，也反映了用户对AI的信任度正在快速建立，他们越来越愿意将复杂的、完整的任务直接委托给AI。 Page 11: 第11页 然而，当我们把交互模式与地理维度结合时，一个看似矛盾的现象出现了。直觉上，我们可能认为AI采纳度越高的国家，自动化程度也越高。但数据显示的恰恰相反：AI人均使用率越高的国家，用户反而更倾向于“增强”式的协作；而在使用率较低的国家，用户更偏爱“自动化”。数据分析表明，在控制了任务类型后，人均使用率每增加1%，自动化任务的比例反而会下降约3%。对于这个反常现象，我们目前尚无定论。一种可能的解释是，每个国家的“早期采na者”可能更倾向于直接的自动化，而随着用户群的扩大，更复杂的协作式应用开始普及。这无疑是一个值得未来持续关注和研究的课题。 Page 12: 第12页 现在，我们来剖析一个至关重要的群体：商业用户。通过分析API接口的使用数据，我们得以一窥企业和开发者是如何将AI整合到其生产流程中的。与普通消费者相比，商业用户的行为模式表现出显著差异。首先，他们的任务类型更为集中，44%的API流量用于编码和数学任务，远高于消费者端的36%。相反，教育和娱乐等任务的占比较低。这表明，企业在使用AI时，目的性更强，更聚焦于能够直接产生商业价值的核心业务，如软件开发和行政管理。研究API用户，就像是观察AI从实验室走向工厂的生产线，它揭示了AI在真实经济活动中的应用形态。 Page 13: 第13页 在交互模式上，商业用户与普通消费者的差异更为惊人。在消费者端，增强与自动化的比例几乎持平。但在API用户中，自动化任务的占比高达77%，其中绝大部分是指令式自动化，而增强任务仅占12%。这种压倒性的选择揭示了一个核心事实：在商业环境中，AI主要被用作一个自主的“执行者”，而非“协作者”。当以效率和利润为导向的企业集体选择自动化时，这便是一个强烈的经济信号。它预示着，由AI驱动的生产力革命和经济结构转型可能即将到来，其影响可能堪比历史上的工业革命。 Page 14: 第14页 API的按量付费模式为我们提供了一个独特的视角，来观察企业的经济决策。我们发现了一个反直觉但符合经济学逻辑的现象：任务的“价格”（即token消耗量）与其使用频率之间存在正相关关系。换言之，企业更频繁地“购买”那些更昂贵的任务。这说明，企业在决策时，首要考虑的并非任务的边际成本，而是其能够创造的经济价值。对于企业而言，AI模型的核心能力以及它所能带来的投资回报，远比执行任务本身的成本更重要。这是一种典型的基于价值的决策行为，企业购买的不是“tokens”，而是“解决方案”。 Page 15: 第15页 最后，我们对本次研究进行总结。贯穿整个报告的核心主题是：人工智能的采纳呈现出显著的“不均衡性”。这种不均衡性体现在我们分析的每一个维度上。从地理上看，高收入国家和具有特定产业结构的地区在AI采纳上处于领先地位，并形成了独特的使用模式。从用户类型上看，企业果断地选择了自动化，而普通消费者和高采纳度国家的用户则展现出更多协作性。从时间上看，指令式自动化的迅速崛起，标志着社会对AI的信任和责任委托正在发生深刻变化。我们正处在一个集体定义人机关系的时代，而目前的轨迹表明，我们正日益放心地将工作委托给AI。这些发现为政策制定者和经济学家们提供了宝贵的实证参考，以更好地应对AI带来的机遇与挑战。