對話產物

資料來源#

• Anthropic Economic Index report: Cadences

摘要#

Anthropic Economic Index 2026 年 6 月 Cadences 報告第二章的核心貢獻：提出一個新的基本單位——產物，也就是一段對話產生的主要輸出（文件、解釋、程式碼、學術論文）。先前的報告將 task 或 request 分類，而這份報告分類的是使用者最後帶走的東西，分為 30 多種。這讓 AI 的經濟產出變得可理解，也揭示兩項鮮明的規律：計算量會隨工作的價值擴大，而且 Claude 的回答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 日抽樣的聊天與 Cowork 對話使用保護隱私的分類器；工資來自 BLS OEWS（2025 年 5 月）；token 數使用幾何平均數（右偏），且未依模型調整。第一方資料；由分類器推論。參見 Anthropic Economic Index。

作為分析單位的產物#

93% 的 Claude 對話會產生一項產物。 組成如下：

產物	占比	家族
解釋	17%	對話式（總量約 ⅓）
文件與報告	15%	書面交付物（總量約 ⅓）
指導	11%	對話式
程式碼／應用程式／腳本	—	技術型（總量約 ⅙）

輸出「是什麼」不會告訴你它「用來做什麼」。 同一項產物可能是工作交付物，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／課業區分交叉分析：

• 幾乎總是個人用途（>80%）： 創意寫作、指導、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%）。
• 約各半： 計畫與策略（44% 工作／49% 個人）、翻譯（42%／44%）。

反過來問——每種用途會產生什麼：工作對話最常產生文件／報告（20%）；課業會產生文件（21%）與解釋（20%）；個人用途很少產生文件（6%），反而偏向解釋（25%）與推薦（22%）。

計算量追蹤工作的價值#

報告中經濟意涵最重大的發現是：一段對話消耗的 tokens 會隨其輸出估計價值上升。 將每段工作對話對應到通常執行該任務的職業後，token 中位數會隨職業的工資中位數上升——行銷經理的收入約為編輯的 2 倍，而其對話使用的 tokens 約為 2.5 倍（資料雜訊大且有離群值——對應藥師的對話使用的 tokens 遠少於工資所預測的數量）。按產物來看：建立應用程式使用的 tokens 超過一般對話中位數的 3 倍；典型解釋約使用 ⅕。 工資與 token 梯度約有 44% 可由輸出組成解釋——高薪職業會產生更多計算密集型產物。

拆解高薪對話成本較高的原因（表 2.4，職業工資三分位數，底部 = 1×）：

衡量項目	底部三分之一	中間	頂部三分之一
每段對話的 Tokens	1×	1.80×	2.07×
每段對話的回合數	1×	1.58×	1.53×
Claude 每回合的回答	1×	1.25×	1.34×
按價格加權的計算成本	1×	1.98×	2.05×
啟用 Extended thinking	31%	33%	34%

報告的解讀是勞動增強，而非勞動取代：在高價值工作中，Claude 產出更多，使用者也投入更多（回合數增加）——雙方的生產活動同步增加，因此「人類仍參與最高價值的任務」。計算密度與委派程度也共同變動：在不同產物之間，平均 AI autonomy 與 token 使用中位數同步上升（r = 0.68）。

Claude 的回答高於使用者要求的程度#

閱讀程度分類器會估計理解提示所需的教育年數，並分別估計理解 Claude 回答所需的教育年數。在幾乎每個類別中，Claude 的輸出程度都約比提示高 1 個教育年。 使用者描述要建立的東西時，差距最大——圖像與圖形（+2.6 年）、遊戲（+1.9）、應用程式與網站（+1.7）；而面向受眾的寫作則接近零（部落格 −0.1、學術論文 +0.0、電子郵件 +0.3），因為提示本身已經用目標語域起草語言。學術論文產出需要 16 年以上的教育程度（大學學士以上）；其中 15% 達到博士程度（20 年以上）。

為何重要#

產物視角是 時間面向的 cadences 在輸出端的互補：報告新增兩種解析度，讓 AI 的經濟足跡變得可理解。計算量追蹤價值這項規律尤其值得關注——它表示，AI 產出物的價格開始編碼其經濟價值，一種類似市場的訊號正在使用紀錄中浮現。

相關連結#

• Anthropic Economic Index — 研究計畫；這是其第二章的貢獻（產物分類器）
• AI Usage Cadences — 姊妹篇第一章的進展：更細緻地解析何時，本篇則更細緻地解析什麼
• Conversation-to-Delegation Shift — 自主性／委派視角；計算量與委派程度共同變動（r = 0.68），而報告中按介面分析自主性的發現也收錄於此
• Returns to Expertise in Agentic Coding — 「人類持續參與高價值工作」是同一個「專業能放大代理」故事的增強式解讀
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 產物是「AI 能執行一項任務」的輸出面；補充職業暴露程度的衡量
• The Automation–Optimism Link — 觀感的伴隨分析；大量委派者會產生更多計算密集型產物，也感到更樂觀
• AI as Primary Author — 產物代表作者身份轉移給模型；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 — 可理解的產物是人類必須審查的對象；分類輸出是將這項檢查工具化的一步

開放問題#

• Tokens 同時是計算成本與輸出價值的代理指標，但冗長模型會提高每單位意圖的 tokens（同一項批評也出現在 Conversation-to-Delegation Shift）；「計算量追蹤價值」有多少是真實價值，又有多少只是模型輸出更多？
• 閱讀程度的「+1 年」差距可能來自語域（簡潔的提示、潤飾過的回覆），而非內容本身；能否將它與內容真正提升的部分區分開來？
• 產物分類由第一方資料、單一模型評分；30 多種類別以及工作／個人／課業區分能否經得起獨立重現？

資料來源#

• Anthropic Economic Index report: Cadences — Anthropic Economic Index report: 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