Anthropic publie le rapport AI Economic Index : comment l'IA remodèle le marché du travail

人工智能 (AI) 系统在未来几年将深刻地改变人们的工作模式。为了深入理解 AI 对劳动力市场和经济的长期影响，Anthropic 公司启动了 “Anthropic 经济指数” (Anthropique Economic Index) 研究项目。

该指数的首份报告，基于 Claude.ai 平台数百万次匿名对话数据，提供了前沿的数据洞察和分析。这份报告揭示了迄今为止关于 AI 如何融入现代经济任务的最清晰图景。观察人士指出，报告的数据量和分析深度堪称空前，Anthropic 似乎有意借此奠定其在 AI 经济影响研究领域的领先地位。

Anthropic 进一步公开了支撑此项分析的数据集，以便研究人员在此基础上拓展研究。评论界认为，此举展现了 Anthropic 的开放姿态，鼓励更广泛的学术力量参与到 AI 经济影响的研究中。面对即将到来的劳动力市场转型，以及转型对就业和生产力的潜在影响，需要多维度的政策协同应对。为此，Anthropic 诚邀经济学家、政策专家及其他领域的研究人员为该指数的后续研究提供真知灼见。

经济指数首份报告的主要发现包括：

• AI 应用的行业集中度： 目前，AI 的应用主要集中在软件开发和技术写作领域。超过三分之一的职业 (约 36%) 在其至少四分之一的相关任务中使用了 AI，而约 4% 的职业在其四分之三的任务中深度应用了 AI。评论员表示，这些数据初步证实了 AI 在特定知识型工作中的渗透率，同时也预示着 AI 应用的广阔前景尚待进一步挖掘。
• 增强型应用为主导： 与 AI 直接执行任务的自动化模式 (43%) 相比，AI 的应用更侧重于增强模式 (57%)，即 AI 与人类协同工作，在验证、学习和任务迭代等环节增强人类能力。分析师解读认为，这表明当前 AI 技术更擅长辅助人类，而非完全取代人类工作，人机协作很可能成为未来一段时间内的主流工作模式。
• AI 应用与薪资水平： AI 在与中高工资职业 (如计算机程序员和数据科学家) 相关的任务中应用更为普遍。然而，在工资水平最低和最高的职位中，AI 的使用率反而相对较低。专家推测，这可能反映了当前 AI 能力的局限性，以及不同行业采用 AI 技术的实际门槛。有专家进一步指出，AI 技术可能更适用于处理那些具备一定复杂度，但又不过分强调创造性或人际交往技巧的工作任务。

为了更深入地了解 Anthropic 的初步发现，接下来的部分将详细阐述 AI 在劳动力市场中的应用情况。

AI 在各个经济领域的使用情况和应用方式，数据来源于 Claude.ai 的真实用户数据。图中的数字代表在与 Claude 相关的对话中，与特定任务、职业和类别相关的对话占比。

洞察 AI 在劳动力市场中的应用图景

Anthropic 的最新研究论文，立足于对技术变革与劳动力市场关系的长期研究。从工业革命时代的珍妮纺纱机，到当今的汽车制造机器人，技术进步始终在重塑劳动力格局。Anthropic 着重关注 AI 正在产生的变革性影响。与传统的问卷调查或未来预测不同，Anthropic 掌握了关于 AI 实际应用方式的直接数据。评论家认为，这种研究方法避开了主观性偏差，直接从用户行为数据出发，使得研究结论更具客观性和说服力。

职业任务分析方法

Anthropic 的研究方法，源于经济学文献中的一个重要洞见：相较于关注职业本身，有时关注 “职业任务” 更具分析价值。不同的工作岗位通常包含某些共通的任务和技能。例如，视觉模式识别能力是设计师、摄影师、安检人员以及放射科医生等职业都需要执行的任务。有学者指出，这种以任务为中心的分析视角，能够更精细地捕捉到技术变革对劳动力市场的结构性影响。

不同类型的任务，其被新技术自动化或增强的潜力存在差异。因此，Anthropic 预期 AI 将有选择地应用于不同职业中的特定任务。通过分析任务 (而不仅仅是整体工作岗位)，Anthropic 能够更全面地理解 AI 如何逐步融入经济体系。

Clio 系统：连接 AI 应用与职业任务

这项研究受益于 Anthropic 开发的自动化分析工具 Clio (Claude Insight & Observation) 。Clio 能够在保护用户隐私的前提下，分析用户与 Claude 的对话数据。Anthropic 利用 Clio 系统，分析了约一百万次用户与 Claude 的对话 (具体而言，包括 Claude.ai 平台上的 Free 和 Pro 版本对话)。Clio 能够根据职业任务对这些对话进行有效组织和归类。评论员称赞，Clio 系统的应用是该研究的一大亮点，它能够在海量对话数据中提取出有价值的经济信息，同时兼顾了对用户隐私的严格保护。

Anthropic 的研究团队，以美国劳工部制定的职业分类体系为基准，并参考了劳工部维护的职业信息网络 ONET (Occupational Information Network) 数据库。ONET 数据库收录了约 20,000 个与特定工作相关的任务条目。Clio 系统将每一次对话与最能代表 AI 在对话中所起作用的 ONET 任务条目进行匹配 (具体流程如下图所示)。随后，Anthropic 遵循 ONET 的分类框架，将任务进一步归纳为能够代表这些任务的职业，并将职业分组为更广泛的类别，例如 “教育和图书馆”、“商业和金融” 等。

Anthropic 的 Clio 系统将与 Claude 的对话 (数据严格保密；左上) 转化为职业任务 (上中)，并进一步转化为源自 O*NET 的职业/职业类别 (右上)。随后，这些数据被用于多种分析 (底行；下文将详细讨论)。

研究结果

按工作类型划分的 AI 应用分布。 在 Anthropic 的数据集分析中，AI 采用率最高的任务和职业集中在 “计算机和数学” 类别，这主要涵盖了软件工程相关的职位。在发送给 Claude 的用户查询中，有 37.2% 属于该类别，涉及软件修改、代码调试和网络故障排除等任务。评论指出，软件工程领域成为 AI 应用的先锋并不令人意外，毕竟 AI 技术本身就发轫于计算机科学领域。

第二大类别是 “艺术、设计、体育、娱乐和媒体” (占用户查询的 10.3%)，这主要反映了用户利用 Claude 进行各类写作和编辑工作。分析师认为，这表明 AI 在创意产业中也开始崭露头角，尤其是在内容创作领域。正如预期的那样，那些涉及大量体力劳动的职业，例如 “农业、渔业和林业” 类别 (仅占用户查询的 0.1%)，在 AI 应用方面占比最低。

Anthropic 还对比分析了自身数据集中各类职业的 AI 应用比例，与这些职业在整体劳动力市场中的占比情况。对比结果如下图所示。

针对每种工作类型，橙色条形代表与 Claude 相关的对话占比，灰色条形代表美国经济中从事该类型工作的劳动者占比 (数据来源于美国劳工部 O*NET 职业分类)。

职业内部 AI 应用的深度。 Anthropic 的分析揭示，只有极少数职业在其相关的大多数任务中深度使用了 AI。数据显示，仅有约 4% 的工作在其至少 75% 的任务中应用了 AI。然而，较为适度的 AI 应用则更为普遍：大约 36% 的工作在其至少 25% 的任务中已开始使用 AI。评论员认为，这表明 AI 的应用尚处于早期阶段，深度应用尚待普及，但浅层应用已开始渗透到各行各业。

正如 Anthropic 预期的那样，数据集并未显示工作岗位被 AI 完全自动化的迹象。相反，AI 正逐步渗透到经济活动的诸多任务环节中，只是对某些任务组的影响程度要高于其他任务组。分析师指出，这进一步印证了当前 AI 技术更倾向于任务层面的增强，而非岗位层面的替代。

AI 应用与薪资水平的关系。 O*NET 数据库提供了每个职业在美国的年薪中位数数据。Anthropic 将此信息融入到分析框架中，从而能够对比各行业的中位数工资水平与 AI 在其相关任务中的应用程度。

一个有趣的发现是，低收入和极高收入工作的 AI 使用率都相对较低 (这些职业通常需要高度的手工技能，例如理发师和产科医生)。而那些中等偏高收入水平的特定职业，如计算机程序员和文案撰稿人，在 Anthropic 的数据中却表现出对 AI 的高度依赖。观察家评论道，这一现象颇具启发意义，暗示 AI 或许更容易在中等技能、中等收入的知识型工作中找到应用场景，而对于那些需要高度手工技能或极端专业知识的工作，AI 的可替代性相对较低。

图中展示了职业年薪中位数 (x 轴) 与涉及该职业的 Claude 对话占比 (y 轴) 之间的关系，并突出显示了一些具有代表性的职业。

自动化与增强的细分。 Anthropic 还深入考察了任务的 “执行方式” —— 具体而言，哪些任务倾向于 “自动化” (AI 直接执行任务，例如文档格式化)，哪些任务属于 “增强” (AI 与用户协作完成任务)。

总体来看，研究结果略微倾向于 “增强” 模式。在所有分析的任务中，57% 属于增强型应用，43% 属于自动化应用。这意味着，在略高于一半的应用场景中，AI 的作用并非取代人类执行任务，而是与人类 “协同”，参与验证 (例如，复核用户的工作成果)、学习 (例如，辅助用户获取新知识和技能) 以及任务迭代 (例如，协助用户进行头脑风暴或执行重复性的生成任务) 等环节。专家分析，增强型应用略高于自动化应用，表明 Claude 这类 AI 工具目前更侧重于提升人类的工作效率和创造力，而非直接替代人类劳动力。

图中展示了与 Claude 的对话中，增强型应用与自动化应用的占比，以及每个类别中任务子类型的细分构成。子类型的具体定义在 Anthropic 的研究论文中有所阐释。“指令”：以最少的人工交互完成任务委托；“反馈循环”：在环境反馈的指导下完成任务；“任务迭代”：通过协作优化任务执行过程；“学习”：知识获取和理解；“验证”：工作成果的核验与改进。

研究的局限性

Anthropic 的这项研究为理解 AI 如何重塑劳动力市场提供了独特的视角。然而，如同所有研究一样，该研究也存在一些重要的局限性。主要包括：

• 工作场景的界定： Anthropic 目前尚无法精确判断用户使用 Claude 执行任务的场景是否属于工作范畴。用户向 Claude 寻求写作或编辑建议，可能的确是在处理工作任务，但也可能仅仅是为了完成个人兴趣爱好 (例如撰写小说)。评论员指出，这是一个方法论上的固有挑战，任何基于用户对话数据的研究都难以完全区分工作场景与非工作场景。
• 用户行为的解读： 与上述问题相关联的是，Anthropic 并不了解用户如何实际使用 Claude 的回复结果。例如，用户是否会直接复制粘贴代码片段？他们是否会对回复内容进行事实核查，还是会不加批判地全盘接受？在 Anthropic 的数据中，某些看似属于 “自动化” 的应用场景，实际可能仍然是 “增强” 模式。例如，用户可能会要求 Claude 代写一份完整的备忘录 (这表面上是自动化)，但随后会自行进行编辑和完善 (这便属于增强)。分析师认为，这种 “自动化外壳，人工内核” 的现象可能会导致对自动化程度的过高评估。
• 数据来源的局限性： Anthropic 目前仅分析了来自 Claude.ai Free 和 Pro 计划的用户数据，而未涵盖 API、Team 或 Enterprise 用户的数据。尽管 Claude.ai 的数据中可能混杂着一些非工作场景的对话，但 Anthropic 已采用语言模型对数据进行过滤，力求仅保留与职业任务相关的对话，这在一定程度上缓解了数据偏差问题。专家表示，虽然数据过滤尝试在一定程度上减轻了偏差，但仅依赖 Claude.ai 的免费和 Pro 版本用户数据，可能难以全面反映企业级 AI 应用的真实图景。
• 任务分类的误差： 由于任务类型的绝对数量庞大，Clio 系统可能在分类过程中错误地标记了部分对话 (关于 Anthropic 如何验证分析结果的详细信息，请参阅完整论文，特别是附录 B)。
• 模型能力的限制： Claude 目前尚不具备图像生成能力 (除非通过代码间接生成)，因此研究数据中未涉及某些与图像相关的创意应用。
• 编码用例的过分强调： 鉴于 Claude 一直被宣传为最先进的编码模型之一，Anthropic 预计编码相关的用例可能会在数据中被过度呈现。因此，Anthropic 并不认为当前数据集中的应用分布情况能够完全代表 AI 总体应用格局。评论员强调，研究团队也坦诚承认了数据集的局限性，特别是考虑到 Claude 作为编程助手的市场定位，可能导致数据结果偏向于软件开发等领域。

结论与未来研究方向

AI 技术的应用正在快速拓展，AI 模型的能力也在持续增强。在不久的将来，劳动力市场的面貌可能会发生显著变化。因此，Anthropic 计划在未来一段时间内重复上述多项分析，以持续追踪可能发生的社会和经济变革。Anthropic 将定期发布研究结果和相关数据集，作为 Anthropic 经济指数的组成部分。Anthropic 似乎有意将这项研究项目长期化、常态化，以持续追踪和分析 AI 对经济社会产生的深远影响。

这些类型的纵向分析，将有助于 Anthropic 更深入地洞察 AI 与就业市场之间的复杂关系。例如，Anthropic 将能够动态监测职业内部 AI 应用深度的变化趋势。如果 AI 在未来仍然主要应用于特定任务，且仅有少数工作在绝大多数任务中深度应用 AI，那么未来的劳动力市场可能更倾向于现有职业的迭代演进，而非大规模消亡。Anthropic 还可以持续监测自动化与增强型应用的比例变化，从而及时捕捉到自动化应用日益普及的领域信号。分析师认为，长期跟踪这些关键指标的变化，将有助于更准确地判断 AI 对劳动力市场的影响究竟是 “颠覆式冲击” 还是 “渐进式演变”。

Anthropic 的研究提供了关于 AI 实际应用情况的宝贵数据，但并未直接给出政策建议。如何为 AI 对劳动力市场带来的影响做好充分准备，这个问题的答案不可能仅仅来源于孤立的研究结果。相反，它需要综合考量多方证据、社会价值观以及来自不同领域的实践经验。Anthropic 期待利用其全新的研究方法，为更清晰地阐释这些关键问题贡献力量。Anthropic 的最终目标，或许并非仅仅停留在学术研究层面，更在于通过数据洞察，为未来的政策制定和社会应对策略提供有价值的参考依据。

若要了解 Anthropic 分析和研究结果的更多详细信息，请阅读 完整论文.