Anthropic 经济指数报告：经济原语

一、为什么需要一套新量表

此前衡量 AI 经济影响的方式，大多停留在"哪些职业的哪些任务被覆盖了"。问题在于，同一个任务标签底下的实际工作量可能天差地别——同样叫"修改软件以纠正错误"，可以是一个小修补，也可以是一次全面重构。只看任务标签，等于把这两件事算成一件。

报告因此引入五类基础可量化指标，称为经济原语：

任务复杂度——人类在没有 AI 时完成任务所需的时间、有 AI 在场时的时间、以及用户是否在同时处理多个任务。人与 AI 的技能水平——理解用户提示词与理解 AI 回复各自需要多少年正规教育，以及用户能否独立完成该任务。使用场景——工作、课业还是个人用途。AI 自主程度——从主动协作到完全交接的委派程度，用 1 到 5 分量表衡量。任务成功率——AI 对自身是否成功完成任务的自我评估。

第四项与"自动化对增强"这个老口径的区别值得单独说明：它们不是一回事。报告举的例子是翻译任务表现为高自动化但低自主度——用户把整段文本交出去，却并没有把决策权交出去。

报告对这套量表的诚实态度同样值得记录：各项度量只是"方向性准确"，并不完美；它的价值在于组合信号，而不在于单项精度。验证过程中团队还发现了一个反直觉的现象——简单的分类器有时优于复杂版本，尤其在成功率这一项上，表现不佳的分类器被直接丢弃。

二、使用高度集中，编程仍居首位

在面向个人的 100 万条对话中，最常见的 10 类任务占全部对话的 24%；在企业 API 端，前 10 类任务占 32%。使用频率最高的单项任务是"修改软件以纠正错误"，独占全部使用量的 6%。

集中度本身在小幅上升——这说明经过几年扩散，AI 的高频用途并没有像很多人预期的那样发散到长尾，反而在少数几个价值明确的动作上进一步聚拢。这与后文"嵌入深度决定价值"的结论是同一件事的两面。

职业大类的分布则出现了迁移。计算机与数学类的占比从 2025 年 3 月的峰值有所回落，而教育指导类的占比明显上升，主要来自课业帮助与教学材料开发；艺术、设计与媒体类在 8 月到 11 月间跳升，逆转了此前的下降，驱动因素是写作类任务，特别是文字编辑与虚构作品润色。企业 API 端则相反，计算机与数学类占比继续上升，办公与行政支持类上升约 3 个百分点，指向企业在自动化邮件管理、文档处理、客户关系管理与排期这些工作流。

三、"增强"重新超过"自动化"

2025 年 11 月，面向个人的产品上增强式对话占比升至 52%，自动化降至 45%——这逆转了 8 月时向自动化移动的趋势。

要理解这个反转，先要看清报告怎么划分这两类。自动化侧包含两种模式：指令式（用户下达任务、极少来回）与反馈回路（用户自动化但提供纠偏反馈）。增强侧包含三种：学习（求解释、找信息）、任务迭代（协作式打磨）、验证（请 AI 对用户自己的作品给反馈）。反转的驱动力是广泛的，主要来自"任务迭代"而非"学习"——也就是说，人们不是更多地在向 AI 提问，而是更多地在与 AI 一起打磨具体产出。

报告对归因的措辞很克制，只说该期间的产品变化——文件创建能力、持久化记忆、用于工作流定制的技能——可能把使用模式推向了更协作、更有人参与其中的交互。

同一时点的企业 API 端则是另一幅图景：约四分之三是自动化。这个分化本身就是本报告最有价值的结构性发现——同一个模型，装在不同的接口后面，就变成了两种截然不同的经济行为。

四、地理：美国内部在收敛，全球没有

美国各州的使用率正在快速收敛。以基尼系数衡量，从 2025 年 8 月的 0.37 降至 11 月的 0.32。按此速度推算，各州人均使用率有望在两到五年内趋于均等——这一速度约是 20 世纪其他重大技术扩散速度的 10 倍，那些技术通常需要约 50 年完成地理扩散。

报告自己给这个推算加了很重的告诫：估计仅基于三个月的数据，存在高度不确定性，扩散在未来的月份和年份里最终可能进行得更慢。

全球层面则完全没有收敛的迹象。8 月到 11 月之间几乎无变化——没有证据显示低使用国家在追赶，也没有证据显示高使用国家在拉开。使用强度仍与人均 GDP 强相关：人均 GDP 每增加 1%，人均使用量约增加 0.7%。使用量排名前五的国家是美国、印度、日本、英国、韩国。

用途结构也随收入分层：工作用途占比最高的是巴尔干地区和巴西；课业用途占比最高的是印度尼西亚以及总体上的低收入国家；个人用途占比最高的是高收入国家。更高收入的国家更倾向于协作式使用而非完全委派。这一发现与微软的同期研究趋同。

五、"提问水平决定输出水平"

这是全报告最该被贴在墙上的一条发现。用户提示词的教育水平与 AI 回复的教育水平几乎完美相关（相关系数超过 0.92），这个关系在国家层面和美国州层面都成立。

你怎么提问，它就怎么回答。

这个结论的含义是双向的。对个人而言，它意味着 AI 不会把你抬到你够不着的高度——它的输出上限受你的输入水平约束。对国别与组织而言，它意味着教育水平较高的群体可能更有条件从 AI 中获益，因此 AI 可能加剧而非缩小人力资本的不平等。

还有一个反直觉的配套发现：在国家层面，任务成功率与人类教育水平呈负相关。报告的推测是，受教育程度更高的人群会去尝试更难的任务，因而成功率反而更低。这提醒我们，成功率这个指标不能孤立解读——低成功率有时恰恰是野心的证据。

六、加速与成功率的权衡

速度提升的定义是人类独立完成时间除以人机协作时间。需要 12 年教育（高中水平）的任务约有 9 倍加速；需要 16 年教育（大学水平）的任务约有 12 倍加速。企业 API 用户在所有复杂度区间的加速倍数都更高。

但成功率是反向的：低于高中水平的任务成功率约 70%，大学水平任务约 66%。更复杂的任务，加速更多，成功率更低。报告明确指出教育梯度在调整成功概率后依然存在——也就是说，即使把失败重试的成本算进去，复杂任务的收益仍然更大。

任务时长上还有一个结构性观察：在企业 API 场景中，成功率随任务时长下降得较快；而在多轮对话场景中，成功率随任务长度下降得慢得多。机制在于多轮对话允许中途纠偏。但报告同时点出这里存在双向的选择效应——用户只会挑他们预期 AI 能搞定的任务来做，而 API 场景代表的是预先筛选过、适合自动化的任务。这个限定条件不能省略，否则两个场景的数字会被完全误读。

七、"有效 AI 覆盖率"：一个比任务覆盖率更实在的指标

报告提出的这个新指标，是全篇对企业最有操作价值的方法论贡献。它衡量的是一个劳动者的一天中，能被 AI 成功完成的时间百分比——计算方式是任务成功率的加权和，每个任务的权重是它占该劳动者时间的份额，并按任务发生频率调整。

它与传统"任务覆盖率"的差别，用几个职业一对比就清楚了。数据录入员的任务覆盖率很低——九个任务里只有两个被覆盖——但有效覆盖率最高，因为被覆盖的那个核心任务"从源文档读取并录入数据"恰好占据了绝大部分时间且成功率高。放射科医师同样是任务覆盖率低但有效覆盖强，因为最耗时的任务是解读诊断影像和撰写报告。医疗转录员的排名大幅上移，原因也一样。

反例是微生物学家：AI 覆盖了其一半的任务，但错过了大部分最耗时的工作——动手的实验设备操作仍未被覆盖。

这个方法论对企业的直接含义是：评估某个岗位的 AI 影响，不能数任务，要称时间。一个岗位有 80% 的任务能被 AI 做，可能只对应 20% 的工时；反过来也成立。

八、去技能化：一个必须正面谈的净效应

AI 被使用的任务，平均需要 14.4 年教育年限；而整体经济中的任务平均为 13.2 年。差值约 1.2 年——AI 的使用集中在比经济体平均水平教育要求更高的任务上。

净效应因此是去技能化：因为 AI 移走的是教育要求相对更高的任务，留下来的任务教育要求更低。报告给的例子很具体——技术写作者失去的是高教育要求的任务，保留的是较低的；旅行代理人若 AI 承担了复杂行程规划与定价，剩余工作退化为出票与收款；教职人员的评分、咨询建议、基金申请写作被承担，保留下来的是面授讲课和课堂管理。

但报告也给了唯一一个升技能化的反例：房地产经理失去的是维护记录、租金审核这类行政任务，保留下来的是争取贷款、谈判、董事会会议——剩余任务需要更多专业判断和面对面互动。

决定方向的不是 AI 有多强，而是这个岗位上"最耗时的部分"恰好落在教育要求的哪一端。

九、生产率：从 1.8 降到 1.0 到 1.2

初始分析估计 AI 可使美国劳动生产率每年增长 1.8 个百分点——这个结果在两个样本上都能复现。但考虑任务成功率后，该估计下降至每年约 1.0 个百分点（企业 API）或 1.2 个百分点（个人产品）。

报告特别强调了这个数字背后的关键假设：假设一次性的全要素生产率提升在十年内兑现，包含资本深化效应，并且对于没有观测到加速的任务，假定生产率变化为零。引用这个数字时，这些假设不应被省略。

即便如此，每年 1 个百分点的生产率增长也很可观——报告自己给的校准是：持续十年，将使美国生产率增速回到 1990 年代末与 2000 年代初的水平。

汉兴评述：三条可以直接落到管理动作上的结论

第一，"增强还是自动化"应该成为一个被主动设计的选择，而不是一个事后统计的结果。报告最有信息量的对照是：同一个模型，装在对话界面后面是 52% 增强，装在 API 后面是约 75% 自动化。这说明这个比例主要由接口和流程设计决定，而不是由技术决定。企业在设计每一个 AI 环节时，实际上都在替员工做这个选择——只是大多数时候没意识到自己在选。

第二，"有效 AI 覆盖率"这个方法论，可以直接搬进岗位分析。不要问"这个岗位有多少任务能被 AI 做"，要问"这个岗位最耗时的三件事里，AI 能可靠完成几件"。数据录入员与微生物学家的对照说明，这两个问题的答案可以完全相反。用错问题，整个人力规划就会建立在错误的前提上。

第三，去技能化不是一个道德判断，是一个必须被管理的人才结构问题。当 AI 系统性地拿走教育要求较高的那部分任务，一个岗位剩下的工作会变得更简单——短期看是效率提升，长期看是这个岗位不再培养人。房地产经理那个反例指出了破局方向：主动重新分配剩余任务，让人留在需要判断、谈判和面对面互动的那一端，而不是留在流程的末端。这件事不会自动发生，它需要被设计。

延伸阅读：Anthropic Economic Index Report, January 2026（Anthropic 官方原文）