對話產物

資料來源#

• Anthropic Economic Index report: Cadences
• Google AI & Economy ATLAS: AI in Science (September 2026)

摘要#

Anthropic Economic Index 的 2026 年 6 月 Cadences 報告第二章提出一項新基本單位——產物，也就是一段對話產生的主要成果（文件、解說、程式碼或學術論文）。過去的報告將任務或請求分類；這份報告則把使用者最後帶走的成果分成 30 多種類別。這讓 AI 的經濟產出變得清晰可見，也呈現兩項明確規律：運算量隨工作價值增加，而且 Claude 的回答程度高於使用者要求的程度。

證據說明。 empirical — 對 2026 年 4 月 10 日至 6 月 10 日抽樣的 chat 和 Cowork 對話，使用保護隱私的分類器；工資資料來自 BLS OEWS（2025 年 5 月）；token 數採用幾何平均數（分布右偏），未依模型調整。第一方資料；分類器推斷。請參閱 Anthropic Economic Index。

以產物作為分析單位#

**93% 的 Claude 對話會產生產物。**類型分布如下：

產物	占比	類別
解說	17%	對話型（總計約 ⅓）
文件與報告	15%	書面交付成果（總計約 ⅓）
指引	11%	對話型
程式碼／應用程式／指令碼	—	技術型（約 ⅙）

**光看輸出「是什麼」，無法知道它「用途為何」。**同一種產物可能是工作交付成果，也可能是個人專案，因此報告將產物類型與先前報告中的工作／個人／課業用途分類交叉分析：

• **幾乎總是個人用途（>80%）：**創意寫作、指引、食譜。
• **主要是工作用途（約 80%）：**行銷內容（80%）、部落格／文章（81%）、資料庫查詢（82%）。
• **約各占一半：**計畫與策略（44% 工作／49% 個人）、翻譯（42%／44%）。

反過來看每種用途會產生什麼成果：工作對話最常產出文件／報告（20%）；課業用途會產出文件（21%）和解說（20%）；個人用途很少產出文件（6%），而是以解說（25%）和建議（22%）為主。

運算量與工作價值同步增加#

報告中經濟意涵最重大的發現是：**一段對話消耗的 tokens，會隨其輸出預估價值提高。**將每段工作對話對應到通常負責該任務的職業後，對話的中位 token 數會隨職業的薪資中位數增加——行銷經理的薪資約為編輯的 2 倍，其對話使用的 tokens 約為 2.5 倍（資料雜訊大且有離群值——對應藥劑師的對話所用 tokens 遠少於薪資所預測的數量）。依產物類型看：**建立應用程式所用 tokens 超過典型對話中位數的 3 倍；典型解說則約為其 ⅕。**薪資與 tokens 的梯度中，約 44% 可由輸出組成解釋——高薪職業產出的產物會消耗較多運算資源。

薪資較高的對話成本為何較高，可分解如下（表 2.4，依職業薪資分成三等分，最低組 = 1×）：

指標	最低三分之一	中間組	最高三分之一
每段對話的 tokens	1×	1.80×	2.07×
每段對話的輪次	1×	1.58×	1.53×
Claude 每輪回覆長度	1×	1.25×	1.34×
按價格加權的運算成本	1×	1.98×	2.05×
啟用延伸思考	31%	33%	34%

報告將此解讀為增強勞動，而非取代勞動：在高價值工作中，Claude 產出更多，使用者也投入更多（對話輪次更多）——雙方的產出同步增加，因此「人類仍參與最高價值的任務」。運算密集度和委派程度也同步變動：不同產物類型的平均 AI autonomy 與中位 token 用量一同上升（r = 0.68）。

在另一家實驗室的遙測資料上，也於容易檢驗的方向得到重現（2026 年 9 月）。Google ATLAS 的科學報告 從其包含 1,500 萬次互動的 Gemini 語料中抽出約 36 萬次科學互動，並與相同介面上的平均工作對話比較：tokens 多 19%、輪次多 11%、多模態占比高 7%，ATLAS 領域專業度分數高 26%（§3.1，僅限對話介面）。產品不同、分類器不同、「價值」的衡量單位也不同——採用任務複雜度分數及職業過度代表程度，而非職業薪資——但運算量、輪次與工作表面難度仍呈現相同的共同變化。也應說明這項佐證的限制：ATLAS 未提供此樣本的薪資切分，tokens 是與工作用途基準相比，而非跨三等分比較；專業度分數則是分類器對提示的判斷。因此，這支持「運算量隨工作價值增加」的方向，但沒有重現薪資梯度本身。

Claude 的回答程度高於使用者要求#

閱讀程度分類器會分別估算理解提示和 Claude 回覆所需的受教育年數。幾乎所有類別中，Claude 的輸出程度都比提示高約 1 個教育年。差距在使用者描述想打造的事物時最大——影像與圖像（+2.6 年）、遊戲（+1.9 年）、應用程式與網站（+1.7 年）；面向讀者的寫作則幾乎沒有差距（部落格 −0.1 年、學術論文 +0.0 年、電子郵件 +0.3 年），因為提示本身已使用目標文體撰寫。學術論文類輸出需要 16 年以上教育程度（學士以上）；其中 15% 達到博士程度（20 年以上）。

為何重要#

產物視角是時間側的使用節奏的輸出側補充：報告以這兩種解析方式，讓 AI 的經濟足跡清晰可見。值得關注的是運算量隨價值增加這項規律——它表示 AI 產出的價格開始承載其經濟價值，使用紀錄中正浮現類似市場的訊號。

延伸閱讀#

• 家庭生產邊界 — 多數產物實際產生的場域：對話式 AI 使用中有 86.5% 屬於非工作用途，它產出的膳食計畫、預算和填妥表格，正是國民帳不會記錄的價值

• Anthropic Economic Index — 這項研究計畫；本文是第二章的貢獻（產物分類器）

• AI Usage Cadences — 同一系列第一章的進展：更細緻地呈現「何時」使用，而本文則更細緻地呈現「什麼」

• AI Adoption in Scientific Work — 對本文核心規律的跨實驗室檢驗：在 Google 的遙測資料中，科學互動的 tokens 多 19%、輪次多 11%，高於平均工作對話

• Conversation-to-Delegation Shift — 自主性／委派視角；運算量與委派程度同步變動（r = 0.68），報告中依介面分析自主性的發現也收錄於此

• Returns to Expertise in Agentic Coding —「人類仍參與高價值工作」是同一個「專業能力放大代理程式效果」論點中的增強式解讀

• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 產物是「AI 能執行某項任務」在輸出側的呈現，並補充職業暴露程度的衡量方式

• The Automation–Optimism Link — 對應的觀感研究；大量委派的人會產出運算密集度更高的產物，也更樂觀

• AI as Primary Author — 產物呈現作者身分轉移至模型的情況；閱讀程度提升（+1 年）是衡量轉移幅度的一種方式

• Verification as the New Bottleneck — 可清楚辨識的產物正是人類必須審查的對象；分類輸出是建立審查衡量機制的一步

待解決的問題#

• tokens 同時是運算成本和輸出價值的代理指標，但冗長的模型會讓每單位意圖所需的 tokens 增加（Conversation-to-Delegation Shift 也提出同樣的批評）；「運算量隨價值增加」有多少反映真實價值，有多少只是模型輸出更多？
• 閱讀程度「高 1 年」的差距可能來自文體（提示簡短、回覆經過潤飾），而非內容本身；能否將這種差異與內容真正提升區分開來？
• 產物分類由第一方執行，且只由單一模型評分；30 多種類別和工作／個人／課業用途分類，能否經得起獨立重現？

資料來源#

• Anthropic Economic Index report: Cadences — Anthropic Economic Index 報告：Cadences（2026 年 6 月 26 日），第二章「Artifacts」：§What is each artifact used for、§Cost tracks the value of the work（表 2.4）、§Claude answers above the level it was asked
• Google AI & Economy ATLAS: AI in Science (September 2026) — AI in Science: Early Insights（Google、Google DeepMind、MIT FutureTech，2026 年 9 月，42 頁；empirical，有供應商利益衝突）。本文僅引用 §3.1：科學互動相較平均工作對話的 token、輪次、多模態及領域專業度差異。完整分析請見 AI Adoption in Scientific Work