Anthropic 經濟指數

資料來源#

• Agentic coding and persistent returns to expertise
• Anthropic Economic Index report: Cadences
• Helping People Choose Careers in the Age of AI
• How Organizations Use AI: Evidence from ChatGPT

計畫內容#

Anthropic Economic Index (AEI) 是 Anthropic 持續進行的經濟研究計畫，研究 AI 如何擴散至經濟生活，主要依據保護隱私的使用遙測資料——取樣部分真實 Claude 對話，由另一個 Claude 執行分類；人類不會閱讀原始逐字稿，低計數的儲存格也會為保護隱私而篩除（Clio 方法）。多數 AI 與勞動研究以職業任務清單或模型「可能」做到什麼的調查為基礎；AEI 的獨特之處，在於大規模衡量人們實際使用產品做什麼，涵蓋 Claude Code、Cowork、Claude.ai，以及第一方 API。

固定撰稿人包括 Zoe Hitzig、Maxim Massenkoff、Eva Lyubich、Ryan Heller 和 Peter McCrory（Cadences 報告另加入 Szymon Sacher 和 Shaoyi Zhang）。

方法演進#

這項計畫的測量工具持續擴充：

• 七天樣本 → 持續每小時遙測。 早期報告取樣每週時間區段；Cadences 報告（2026 年 6 月）開始連續每日／每小時取樣，因此得以看見使用的時間節奏。
• 任務／請求 → 成果分類。 Cadences 新增對每段對話輸出的分類器，而非只分類請求——也就是成果這個基本單位。
• 遙測 → 連結式調查。 Anthropic Economic Index Survey（2026 年 4 月推出）直接詢問使用者的體驗，並透過保護隱私的方法將回答與其使用情形連結（Cadences 中約有 9,700 位完成連結的受訪者）。這讓計畫從只觀察行為擴展為同時涵蓋行為與感受，是結合兩種訊號，而非二選一的典型案例。
• 相關測量工具： Anthropic Interviewer（2025 年 12 月進行 81,000 次使用者訪談）和 Anthropic Public Record（具全國代表性的 50,000 多名美國人調查），提供使用者群體以外的佐證。

計畫提出的常用基本概念#

• 自動化與增強——一段對話是委派整項任務，還是以反覆迭代的方式協作；透過協作模式分類器（指令、回饋迴圈、任務迭代、學習、驗證）加以操作化。請參閱自動化與樂觀的連結。
• 觀察到的暴露與理論暴露——後來再加入調查中回報和預期的暴露程度。請參閱暴露分類：觀察到、理論、回報、預期。
• 專業知識的報酬——領域理解力，而非程式設計技巧，能放大代理程式的效能。請參閱代理式程式設計中的專業知識報酬。

本知識庫收錄的報告#

• Cadences（2026 年 6 月 26 日）— 使用節奏、對話成果，以及 Economic Index Survey 的首批發現。→ AI Usage Cadences、Conversation Artifacts、Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated、The Automation–Optimism Link
• Agentic coding and persistent returns to expertise（2026 年 6 月）— 以 40 萬次工作階段為基礎的專業知識報酬研究。→ Returns to Expertise in Agentic Coding、Agentic Coding Work-Composition Shift

資料發布成為第三方基礎設施#

AEI 發布任務層級資料；到了 2026 年年中，外部經濟學家已開始以此為基礎建立獨立測量工具。Steele & Cruz（American University / CU Boulder，2026 年 7 月） 使用2025 年 9 月發布的資料（Appel 等人——2025 年 8 月 4 日至 11 日間的 1,909,132 筆全球 Claude 查詢，其中 50.5% 來自 Free/Pro、49.5% 來自 API；每筆查詢皆對應至 17,659 項 O*NET 任務之一，以及五種協作模式之一），並結合 OpenAI 的 GWA 層級使用資料，建構新的職業 AI 暴露衡量指標。他們接著將其與其他六種測量工具並列比較，其中包括 AEI 自身的 Massenkoff & McCrory 指標；研究發現，兩種衍生自 Anthropic 使用資料的指標彼此相關係數為 ρ = 0.89，但與所有根據任務評分、專利或評量標準建構的指標相關性都很低。正面比較請見暴露分類：觀察到、理論、回報、預期。

這對計畫有兩項意義。發布格式——依協作模式拆分的任務層級計數——正發揮共享基礎設施的實際作用，也是目前對「單一提供者」批評最有力的回應（以市場價格衡量 AI 暴露（AI 溢價）將 AEI 單一實驗室的範圍與自身涵蓋 400 多個模型的資料組對照）：單一實驗室的資料仍能支援由實驗室以外的人建立的測量工具。ρ=0.89 的相關結果也最清楚地顯示，AEI 衍生的暴露指標構成一個家族——外部團隊採用不同假設、不同可行性模型，並使用第二家實驗室的資料，得出的結果仍接近 AEI 自身的指標，因為排序是從使用資料中繼承而來。

競爭者的測量工具：Google ATLAS（2026 年 7 月）#

Google AI & Economy ATLAS v1.0（2026 年 7 月 23 日）是 AEI 直接的方法學對照——兩者屬於相同的測量工具類型（以保護隱私的 LLM 將實驗室自身的對話紀錄分類，並對應官方統計分類），研究同一問題，但採用不同產品，且使用者群體大得多（Gemini App + AI Mode + Gemini API，共 1,465 萬次互動、涵蓋 150 個國家）。ATLAS 明確以 AEI 為比較對象，並列出兩者差異：合併聊天應用程式、AI「搜尋」介面和開發者 API 的資料；在同一條流程中遞迴遍歷巢狀 SOC/O*NET 分類；以隨機化分類器選項避免位置偏誤；使用合成資料驗證；將非工作用途對應至 ATUS；以及為跨國比較進行滲透率調整。

兩項計畫對數值看法不同，但方向一致。 ATLAS 觀察到約 20% 的 O*NET 任務有 AI 使用，相較之下 AEI 的數字為 36%（Handa et al. 2025）和合計 49%（Appel et al. 2026）——ATLAS 將差異歸因於自身較嚴格的隱私門檻。更重要的是，ATLAS 將非例行認知對話中意圖端到端自動化的比例歸為 <10%，而 AEI 的自動化占比為 43–45%。這項差異主要出自定義不同（二元的增強／自動化分類，對比五類意圖分類器；只要未達端到端，就歸入協作），而 ATLAS 也指出 AEI 的自動化占比隨時間持續上升，進一步凸顯這項差異。在 GDP 彈性方面，兩者幾乎一致：Gemini 為 0.9，Claude 為 0.7。

目前最重要的不對稱之處是：ATLAS 已公布分類器的驗證數據，AEI 尚未公布。 Clio 流程在任務和職業層級對照實際情況的準確度並未公開，因此 AEI 的主要數值帶有尚未量化的誤差範圍，而 ATLAS 的數值則有經測量的誤差範圍。請參閱使用遙測分類器驗證。

相關項目#

• Anthropic — 母實驗室；AEI 是其經濟研究成果
• Google AI & Economy ATLAS — Google 的競爭計畫；同屬一種測量工具，在任務涵蓋範圍和自動化占比上的數值不同，也是此類計畫中第一個公布分類器驗證結果的案例
• Usage-Telemetry Classifier Validation — 兩項計畫都仰賴的測量層；ATLAS 已量化，AEI 尚未
• Returns to Expertise in Agentic Coding — 這項計畫最具代表性的程式設計研究發現
• AI Usage Cadences · Conversation Artifacts · Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated · The Automation–Optimism Link — 從 Cadences 報告整理出的四個概念
• Agentic Coding Work-Composition Shift — 配套的工作組成分析
• Telemetry vs. Survey Measurement — AEI 是透過將使用遙測資料與調查回答連結，解決兩者二分問題的案例
• The Enterprise AI Adoption Gradient — 本知識庫中最接近的同類測量研究，但兩者樣本幾乎毫無重疊。 OpenAI 於 2026 年 8 月進行的 ChatGPT Enterprise 研究屬於相同的測量工具類型——由前沿實驗室以第一方產品遙測資料，透過分類器進行分析——但探討的是本計畫無法觸及的問題：哪些企業採用 AI；其依據是將付費管理工作區紀錄與 Compustat 財務資料連結。兩者的分析單位從根本上就不同。AEI 取樣消費者、Cowork、Claude Code 和 API 介面的對話，並將其對應至 O*NET 任務；OpenAI 研究則計算付費企業工作區中的組織週數，並將其對應至 NAICS 產業、職稱類別和專有的 60 類分類架構。AEI 能說明一個經濟體使用 AI 從事哪類工作，卻無法將任何資料連結至特定企業；OpenAI 研究能將使用情形連結至資產負債表，但只涵蓋單一產品的企業客戶。兩者的數字應並列解讀，絕不可合併。一項差異對 AEI 有利，另一項則對它不利：OpenAI 未公布其兩個分類器的準確度數字，與本計畫未公開驗證結果的缺口相同；但 OpenAI 有公布樣本數、連結程序，以及出於揭露考量而採用、會污染對照組的隨機抽樣步驟，在方法細節上比 AEI 隨報告發布的資料更完整
• Conversation-to-Delegation Shift — OpenAI 的 Codex 使用研究是跨實驗室的對照案例；該研究明確引用 AEI 的專業知識報酬研究
• Claude Code · Cowork — 本指數衡量其使用情形的產品
• 增強／自動化的區分是否決定工作中的技能？ — 以實際情況檢驗這項計畫的自動化占比軸線：該軸線將「指令」與「回饋迴圈」合併，並排除協作模式分類器自身的學習類別，因此無法區分隨機學習實驗顯示有所不同的兩種使用模式；而 ATLAS 點出的比例上升趨勢（43–45%）指向空洞的一端，測量的是委派而非技能。這項分析所要求的資料拆分，可以透過重新彙整計畫現有資料完成

資料來源#

• Anthropic Economic Index report: Cadences — Anthropic Economic Index report: Cadences（2026 年 6 月 26 日）
• Agentic coding and persistent returns to expertise — Anthropic Economic Research（2026 年 6 月）
• Helping People Choose Careers in the Age of AI — Steele & Cruz，arXiv 2607.15506（2026-07-16，empirical）；§2（貢獻）、§4（根據 2025 年 9 月發布資料建構查詢指標）、§4.4（對應關係）。此來源的解析警告和內部矛盾，記錄於暴露分類：觀察到、理論、回報、預期。
• How Organizations Use AI: Evidence from ChatGPT — Chatterji、Holtz、Rakholia、Tambe 和 Weeratunga（OpenAI + Columbia + Wharton），How Organizations Use AI: Evidence from ChatGPT，arXiv 2608.12236（2026-08-12，empirical）。本文僅引用該研究比較測量工具時提供的資料——樣本、分析單位和分類器驗證情況。完整說明請見The Enterprise AI Adoption Gradient