Anthropic最新经济指数报告:AI正在改变工作的节奏,而不只是替代几个岗位

截至2026年9月，Anthropic经济研究页面列出的最新一期《Anthropic Economic Index》报告，是2026年6月26日发布的第六版《Cadences》。

这份报告的价值，不在于给出一个“AI将创造多少GDP”的宏大预测，而在于把问题拉回到真实使用：人们在什么时间使用AI，AI产出了什么，哪些工作被交给了AI，使用者又如何判断自己的未来。

报告覆盖Claude聊天、Cowork、Claude Code和Anthropic第一方API等场景，并结合约9700名受访者的调查。它观察到的不是整个经济，而是Claude用户中的一部分经济活动。因此，本文既提炼报告结论，也把它转化为个人和组织可以使用的判断框架。

一、AI经济首先表现为“节奏”变化

过去讨论AI，常常只看模型能力和岗位清单。Anthropic这次增加了更高频的采样，开始观察一天之内、一周之内的使用变化。

报告发现，Claude的使用节奏与现实生活高度同步：工作日更多是商务沟通、营销文案和演示文稿；周末个人使用占比从工作日约35%上升到接近50%。人们在早晨更常询问新闻，傍晚更常寻找菜谱，凌晨则更容易询问睡眠问题。

这说明AI不是一个只在办公室里打开的工具。它正在同时进入工作、学习、家庭安排、健康咨询和创业尝试。周末与创业、商业模式和副业相关的对话反而增加，AI因而也成为个人探索新机会的低成本实验室。

美国报税截止日前，税务相关对话明显激增：4月14日相关请求约为5月平均水平的8倍，截止日之后迅速回落。

这个细节很有启发。AI的价值不只在“平均效率”上，也在于它能否在需求集中爆发时及时提供服务。未来很多AI产品的竞争，可能不是谁能回答最难的问题，而是谁能在正确的时间，把正确的能力放到用户面前。

二、AI的产物比聊天记录更能说明经济价值

Anthropic新增了“产物”这一观察维度：一次对话最终产生了什么东西。

在被识别的Claude对话中，约93%产生了某种可识别产物。最常见的包括解释、文档与报告、指导意见，以及代码和技术成果。

不同场景的产物差异很大：

工作类对话最常见的产物是文档与报告，占20%；个人对话只有约6%产生文档，更多是解释和推荐。这意味着“AI生产力”不能只用聊天次数衡量，更要看它是否形成了可以被使用、修改、交付或继续运行的产物。

对个人而言，一个实用问题是：每次使用AI后，我留下了什么可以复用的东西？如果只有一段看过即忘的回答，价值有限；如果沉淀为模板、流程、数据库、代码、检查清单或决策记录，价值才会累积。

三、越复杂、越有价值的工作，往往消耗越多计算量

报告把对话中的任务映射到职业，并比较了计算量与职业工资之间的关系。结果显示，高工资职业对应的对话通常使用更多token，复杂产物也比简单问答消耗更多计算资源。

例如，构建应用的对话消耗量超过典型对话的3倍，而普通解释约为典型对话的五分之一。营销经理相关任务的工资约为编辑的两倍，但对应对话的token消耗约为2.5倍。

这并不是说计算量等于经济价值，也不是说高工资职业一定更重要。它揭示的是一个趋势：随着AI从回答问题走向完成复杂任务，算力、时间和工作价值之间可能形成更紧密的连接。

报告还有一个重要发现：在对应较高工资职业的对话中，Claude每轮产出更多，用户与AI互动的轮数也更多，启用扩展思考的比例也更高。AI产出增加，并没有自动意味着人的参与减少。

这改变了“自动化必然减少人”的简单叙事。至少在复杂工作中，更可能出现一种组合：AI承担更多信息处理和初步执行，人继续参与目标定义、取舍判断和最终验收。

四、真正的分水岭，是“交给AI”还是“和AI协作”

报告把人与AI的互动区分为几种模式：直接指令、反馈循环、任务迭代、学习和验证。

在聊天和Cowork中，一篇文章通常需要多轮往返；而在Claude Code中，类似的文章产物可能只需要一次人的指令。Claude Code的平均自主程度在31类产物中有26类高于聊天和Cowork，整体差距约为0.37分（5分制）。

这说明工具形态本身会改变人的工作方式。同一个任务，如果只是问答，人会持续参与；如果进入代理式工具，AI可能直接规划、执行并交付。

个人使用AI时，可以把任务分为三类：

不能把“能自动完成”误认为“应该自动完成”。速度适合交付，判断适合协作，责任不能被一个看似流畅的答案转移。

五、劳动者看到的未来，比职业清单更复杂

Anthropic对约9700名用户进行了调查，并将调查回答与其使用模式进行隐私保护下的连接。

接近六成受访者认为，未来12个月AI能独立完成的任务比例会提高；超过三分之一的人预计，AI届时可以完成自己大部分或几乎全部工作任务。

但“感到工作会被改变”与“马上失去工作”不是一回事。超过三分之一的人认为，自己、同事或上下级的职责很可能发生显著变化；约10%的人认为自己未来一年失去工作的可能性较高或很高。在担心失业的人中，38%把这种判断归因于AI。

报告同时发现，使用AI更自动化的人，反而对未来的收入、工作安全感、求职能力、工作意义、自主性和人际互动更乐观。一个可能的解释是：真正把任务交给AI的人，更早获得了效率收益，也更早形成了新的工作方法。

但这里必须谨慎。相关关系不等于因果关系，也可能是本来就更乐观、更熟悉技术的人，更愿意把任务交给AI。报告本身也没有把这种结果解释成“自动化一定有利”。

六、经验、判断和关系，仍然是重要资产

有15年以上工作经验的人，认为AI当前能够完成的工作比例，比入行第一年的人低约10个百分点。

这不一定代表经验丰富的人更保守。报告给出的一个解释是，经验往往包含大量隐性知识、具体情境和关系网络，而这些内容难以从一份公开文本中完整提取。

受访者认为AI短期内难以替代的能力，集中在判断力、上下文理解、现场推理、建立信任和管理他人等方面。

由此可以得到一个更有用的结论：未来最有价值的，不是单纯“会使用AI”的人，而是能够把领域经验转化为规则、标准、案例和反馈的人。

经验如果只存在于个人记忆中，很难被放大；经验如果被整理为可复用的判断框架，就能与AI结合，形成更高的杠杆。

七、报告没有告诉我们的事，同样重要

这份报告不能直接代表全球经济，也不能直接推断中国就业市场。它主要观察Claude用户，调查样本并非一般人口的代表性样本。

计算机与数学职业约占调查受访者的30%，而在美国就业人口中的占比约为4%；管理类受访者约占23%，高于其就业人口占比。交通、餐饮、建筑等需要大量现场工作的职业明显代表不足。

因此，报告更适合回答三个问题：

1. AI在已经被使用的地方，具体承担了哪些任务？

2. 哪些工作正在从“对话”变成“产物”和“执行”？

3. 使用者如何理解效率、能力和职业未来的变化？

它不适合单独回答：所有岗位会减少多少、GDP会增加多少、某个国家会领先还是落后。

八、对个人和组织的四个策略启发

第一，把岗位拆成任务。不要讨论“这个职业会不会消失”，先列出一项工作中哪些环节是信息整理、哪些是规则执行、哪些需要判断、哪些需要关系和责任。

第二，建立产物而不是堆积对话。每次使用AI都尽量留下模板、数据表、流程、代码、检查清单或可复用的研究记录。

第三，先自动化低风险环节，再把人力转向高价值判断。自动生成初稿、分类资料、提取字段、运行测试，往往比直接让AI替代最终决策更稳妥。

第四，用结果衡量AI，而不是用使用次数衡量AI。真正应该追踪的是交付时间、错误率、复用率、客户反馈、学习效果和决策质量。

结语：宏观变化，最后都会落到工作流

Anthropic这份报告最值得重视的地方，是它把宏大的AI经济问题还原成了一组可观察的日常事实：工作日和周末的节奏不同，产物类型决定了价值，复杂任务需要更多计算与互动，自动化程度影响人的预期，而经验和关系仍然构成重要边界。

这意味着AI带来的变化不会只表现为某一天突然消失一批岗位。更可能的路径是：同一个岗位先被拆成更多任务，其中一部分交给AI，一部分由人和AI共同完成，剩下的部分则因为判断、信任和责任而继续由人承担。

真正需要提前准备的，不是预测一个确定的终点，而是建立一套能持续调整的工作系统。

资料来源：Anthropic，《Anthropic Economic Index report: Cadences》，2026年6月26日。

https://www.anthropic.com/research/economic-index-june-2026-report

本文基于Anthropic官方英文报告整理。报告数据主要来自Claude使用样本和相关调查，不代表全部AI用户或整体经济，文中推论仅用于理解趋势，不构成就业、投资或经营决策建议。