AI 正在加速世界的分化，塑造新的劳动力格局。Anthropic 首次公开的内部数据显示，人工智能的影响并非普适，而是正在悄然加剧某些不平等，同时也在某些领域带来前所未有的机遇。这份基于数百万次真实交互的报告，可能会颠覆我们对 AI 力量的固有认知。

正如报告所揭示，AI 正在创造一个深刻的鸿沟，这不仅仅是“会用 AI”和“不会用 AI”的简单分野。Anthropic 通过分析其产品 Claude 的100 万次对话数据和100 万条 API 调用记录，并利用 Claude 自身对这些匿名数据进行分析，抽离出衡量 AI 经济影响的五个关键“经济原语”：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。这些维度构成了我们理解 AI 经济影响的基石。

AI 的影响绝不是均匀分布的，它正在催生一个更为隐蔽且深刻的技能与生产力鸿沟。

AI使用的“马太效应”：集中化与技术精英

报告首先揭示了一个令人瞩目的现象：AI 的使用呈现出高度集中化。尽管 Claude 上可以识别出超过 3000 种不同的工作任务，但前 10 种任务就占据了24% 的总使用量。其中，修复软件错误位居榜首，单独占比高达6%。

计算机和数学相关的任务，在 Claude 的对话使用中占据了三分之一，而在企业 API 调用中更是接近一半。这清晰地表明，目前所谓的“AI 革命”主要集中在计算机编程和技术开发领域。

“当前，AI 的主要受益者和实践者仍是程序员和技术工作者。这表明，大多数人尚未真正开始利用 AI。”

从自动化到协作：AI 使用模式的演变

报告中一个特别有趣的发现是 AI使用模式的动态变化。在 2025 年 8 月，数据显示自动化使用首次超过了增强型使用。自动化模式指的是用户向 Claude 发出指令，并期望它直接完成任务，几乎没有进一步的交互。而增强型使用则强调协作性，用户在这一过程中进行学习、迭代并获得反馈。

早期的数据曾引发担忧，认为人们可能将 AI 降级为单纯的执行工具，而非学习伙伴。然而，到2025 年 11 月，情况发生了逆转，增强型使用重新占据主导地位，占比达到 52%。这一转变是普遍的，不限于特定任务类型。报告认为，Claude 新增的文件创建、持久记忆和工作流定制等功能，促进了这种更为自然和有价值的人机协作模式。

我认为这是一个积极的信号，它表明用户正在学习如何更好地与 AI合作，而不是简单地将任务“抛给”它。这种协作模式，正是 AI 真正释放其核心价值的关键。

全球数字化鸿沟：AI 使用的地理差异

从地理分布来看，Claude 的使用与人均 GDP存在显著关联。一个国家的人均 GDP 每增长 1%，Claude 的人均使用量就增加 0.7%。例如，丹麦的用户使用强度达到了其人口比例的两倍。

然而，这种相关性背后隐藏着令人不安的真相：低收入国家的用户主要利用 Claude完成作业，而高收入国家的用户则将其应用于工作和个人场景。这揭示了一条清晰的 AI 采用曲线，在发展中国家，早期采用者多为具有特定高价值应用的技术用户或学生；而在成熟市场，AI 的使用场景已普适化到休闲和个人生活。

在美国内部，华盛顿特区、弗吉尼亚州和华盛顿州的使用量最高，这些地区都拥有高比例的科技和数学专业从业者。计算机和数学领域从业者比例每增加 1%，该州的人均 AI 使用量便增加 0.36%，这一因素解释了美国各州 AI 使用差异的近三分之二。

值得欣慰的是，美国各州之间的使用差距在 2025 年 8 月至 11 月的三个月内正在缩小，其扩散速度比 20 世纪的其他重大技术快了大约10 倍。如果这一趋势持续，2 至 5 年内，美国的州际差距有望趋于平等。

“AI 的扩散速度惊人，但其带来的影响却呈现出显著的地域及经济分化。”

然而，在全球层面，这种趋同的迹象并未显现。全球使用差距既没有缩小，也没有扩大，而是保持着稳定且深刻的不平等。

任务复杂度与成功率的平衡：高技能者的利器

报告的核心发现聚焦于任务复杂性与 AI 成功率之间的权衡。Anthropic 测算了利用 AI 协助完成任务所需的“加速倍数”——即有无 AI 协助下完成任务时间的比值。结果显示，任务越复杂，加速倍数越高。例如，需要高中学历理解的任务可提速 9 倍，而需要大学学历的任务则可提速 12 倍。

这明确意味着，AI 为高技能工作者带来的生产力提升，远超低技能工作者，这与白领工人采用 AI 比例远高于蓝领的数据不谋而合。

然而，任务复杂度也带来了挑战：任务越复杂，Claude 的成功率越低。简单任务的成功率大约为 70%，而需要大学学历的复杂任务成功率则下降到 66%。

更重要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为 60%，而人工耗时 5 小时以上的任务，成功率则降至 45%。通过线性拟合，API 调用在人工耗时 3.5 小时的任务上，成功率会降至 50% 的阈值。

然而，Claude多轮对话的优势在此得到了体现。Claude 的成功率随任务时长的下降更为缓慢。外推计算显示，Claude 在人工耗时 19 小时的任务中，成功率才会降至 50%。

这种显著差异的原因在于 Claude 支持多轮对话。用户可以持续澄清、纠正和迭代。每一次对话都是一次反馈循环，让用户能够及时修正方向。这表明，人机协作的方式本身，能够显著扩展 AI 的有效能力边界。

“人机协作是AI效能的关键。它将AI的有效任务边界，从数小时的任务推向了近20小时的复杂挑战。”

职业影响：“去技能化”与“上技能化”的双重效应

报告还深入分析了 AI 对职业层面的影响，引入了“有效 AI 覆盖率”的概念——即一个工人每天有多少工作时间可以被 Claude 成功完成。计算方法是将每个任务的成功率乘以其在工作时间中所占的比例。

结果出人意料：对于数据录入员而言，虽然其任务覆盖率不高（9个任务中仅覆盖2个），但其有效 AI 覆盖率却很高，因为 Claude 精准地覆盖了他们最核心、最耗时的工作——从源文件读取和录入数据。

类似情况也发生在医学转录员和放射科医生身上，AI 成功覆盖了他们最耗时、最高频的解读诊断图像和准备报告等核心知识工作。尽管 AI 无法替代他们的动手操作和行政工作，但它有效地覆盖了其核心专业任务。相比之下，微生物学家的有效覆盖率低于任务覆盖率，因为 Claude 无法处理他们涉及专业实验设备的动手研究。

通过对任务描述文本嵌入的分析，报告预计 Claude 所覆盖的任务平均需要14.4 年的教育背景，这远高于整体经济任务平均所需的 13.2 年。这与之前“AI 使用集中在白领职业”的发现不谋而合。

这意味着，如果我们剔除 AI 能够完成的任务，工人剩余工作的平均技能要求会降低，从而带来“去技能化效应。例如，技术写作人员，AI 会接管“分析发展以确定修订需求”（18.7 年教育）和“审查材料并建议修订”（16.4 年教育）等任务，留下“绘制草图说明材料”（13.6 年教育）等相对简单的任务。

旅行代理人也面临类似情况，AI 承担了规划、销售行程和计算费用等复杂任务，而打印机票、收款等简单工作则留给人类。部分教师职业也可能面临去技能化，AI 能够协助评分、指导学生和撰写申请，但无法取代面对面授课和课堂管理。

然而，也有“上技能化”的例外。房产经理便是一例，AI 接管了维护销售记录、审核租金等常规行政任务，使他们能够专注于需要更高专业判断和人际互动的工作，如获取贷款、与建筑公司谈判和董事会会议等。

根据 Autor 和 Thompson 的理论框架，技术写作人员和旅行代理人的工资可能下降而就业增加，而房产经理则会专注于复杂谈判和利益相关者管理，可能导致就业减少但工资上涨。

生产力增长：机遇与瓶颈

此前研究估计，AI 的广泛采用可能在未来十年内每年为劳动生产率带来1.8% 的增长。本次报告利用更大的样本量，再次验证了这一结果。然而，若将工人验证 AI 输出所需的时间成本考虑在内，生产力增长预测会从 1.8% 降至1.0% 到 1.2%。

尽管有所折扣，但每年持续 1% 的生产率增长，仍旧是经济上的显著影响，足以使美国的生产率增长回到 1990 年代末和 2000 年代初的水平。

但这里有一个深层的问题：任务之间的互补性。如果某些任务是不可或缺且难以替代的，那么整体生产力效应将受制于这些瓶颈任务。例如，教师可以使用 AI 更高效地准备教案，但这并不会减少他们在课堂上与学生互动的时间。

报告模拟了不同任务替代弹性下的情况。如果弹性小于 1，任务之间是互补的，未被 AI 加速的任务将成为瓶颈，生产力效应将降至每年 0.6% 至 0.8%。如果弹性大于 1，工人可以倾向于生产力提升最大的任务，效应则可上升到每年 2.2% 至 2.6%。真实的弹性程度仍是未知，但这一分析强调了 AI 的生产力影响将取决于那些目前尚无法被自动化取代的瓶颈任务。

关键启示：重塑人机关系与未来趋势

这份报告为我们提供了四大关键启示：

“人机关系的未来在于协作而非取代。AI应成为我们思考的助推器，而非思考的终结者。”

个人思考：我们应追求怎样的人机关系？

这份报告引发了我对人机关系的深入思考。数据显示，完全自动化的使用模式——即向 AI 发出指令并期待它直接完成——不仅成功率较低，还会使用户脱离任务的核心智识内容。相反，协作式使用——通过学习、迭代和获取反馈——不仅能显著提高成功率，还能让用户保持对任务的深度参与。

或许，AI 最好的用途并非替代我们思考，而是帮助我们更好地思考。它应该成为我们认知能力的延伸，激发更多创新，拓展人类的智慧边界。与其把 AI 视为执行工具，不如将其视为一个强大的思想伙伴，共同探索未知，解决复杂难题。