title: "Anthropic 經濟指數 2026 年 3 月報告：學習曲線——資深用戶成功率高出 10%" date: 2026-03-25 author: Anthropic source: https://www.anthropic.com/research/economic-index-march-2026-report category: articles tags:

Anthropic
Claude
經濟指數
勞動市場
學習曲線
AI 影響 created: 2026-03-25 updated: 2026-03-25

Anthropic 經濟指數 2026 年 3 月報告：學習曲線——資深用戶成功率高出 10%

報告簡介

Anthropic 經濟指數使用隱私保護數據分析系統，追蹤 Claude 在整體經濟中的使用情況。這是 Anthropic 致力於盡早了解 AI 經濟影響的一環，讓研究人員和政策制定者有充足的時間做好準備。

這份最新報告研究了 2026 年 2 月的 Claude 使用情況，建立在先前報告（使用 2025 年 11 月數據）所引入的經濟基元（economic primitives）框架之上。樣本涵蓋 2 月 5 日至 2 月 12 日，距離 Claude Opus 4.5 發布三個月，同時正值 Claude Opus 4.6 發布之際。

報告首先記錄了使用變化：增強（augmentation）的比率——即 AI 補充用戶能力的協作互動——在 Claude.ai 和 API 流量中均略有增加。Claude.ai 上的使用更加多元化，前 10 大任務所佔比例低於 2025 年 11 月。由於這種多元化，Claude.ai 上的平均對話對應的任務薪資略低於先前報告。

接著聚焦於 Claude 對勞動市場和更廣泛經濟影響的重要因素：Claude 採用中的學習曲線。報告提出證據表明，高資歷用戶已發展出習慣和策略，使他們能更好地運用 Claude 的能力。更有經驗的用戶不僅嘗試更高價值的任務，而且在對話中更有可能獲得成功的回應。

自上次報告以來的變化

Claude.ai 上的使用案例更加多元化

程式編寫任務持續從 Claude.ai 上的增強性使用遷移到第一方 API 流量中更加自動化的工作流程。Claude.ai 的使用集中度降低：前 10 大任務在 2 月份佔所有流量的 19%，低於 11 月的 24%。 不過，本次樣本中幾乎所有任務都至少出現在先前的某一次樣本中。大約 49% 的工作崗位已有至少四分之一的任務透過 Claude 來執行。

Claude 的採用擴展到較低薪資的任務

隨著使用案例的多元化，在 Claude 上完成的工作的平均經濟價值——以美國相關職業工人的薪資衡量——略有下降。這在機制上是由體育、產品比較和居家維護等個人查詢的增加所造成的。這一模式符合標準的「採用曲線」理論：早期採用者偏好特定的高價值用途（如程式編寫），後期採用者則承擔更廣泛的任務。

全球使用的不平等持續存在

使用仍然高度集中：前 20 個國家佔所有人均使用量的 48%，高於之前的 45%，凸顯全球採用方面的持續差距。然而，Claude 在美國國內的人均使用量持續趨於收斂：使用量最高的 10 個州所佔的比例從 40% 下降到 38%。

學習曲線

經濟指數的核心發現：Claude 的早期採用非常不均衡——在高收入國家使用更密集，在美國國內集中於知識工作者較多的地區，且針對相對少量的專業任務和職業。

一個重要問題是，採用的不平等如何決定 AI 的收益將流向何處、惠及何人。如果有效使用 AI 需要互補的技能和專業知識，而且這些技能可以透過使用和實驗來獲得，那麼早期採用帶來的收益可能會自我強化。

模型選擇與任務匹配

用戶會為勞動市場中通常獲得較高薪資的任務選擇最智能的模型系列 Opus。在 Claude.ai 的付費用戶中，Opus 在程式編寫任務上的使用率比平均高出 4 個百分點，在輔導相關任務上則比平均低 7 個百分點。 API 用戶的模型切換差異大約是前者的兩倍。

圖 2.1：模型選擇與職業領域

圖 2.2：模型選擇與職業薪資 圖 2.2：模型選擇與職業（更細粒度）

資歷越高，成功率越高

最資深的 Claude 用戶更常將其用於高等教育任務，較少用於個人使用案例。使用 Claude 超過 6 個月的用戶：

個人對話減少 10%
輸入內容反映的教育水準高出 6%
對話成功率高出 10%（無法用任務選擇、來源國家或其他因素解釋）

圖 2.3：資歷與教育水準及個人使用的關聯

圖 2.4：經驗與成功率的關聯

這可能反映了早期採用者的成熟度，但也可能是「做中學」（learning-by-doing）的證據——人們透過經驗來提升使用 Claude 的能力。

圖 2.3：資歷與教育程度和個人使用的關聯

圖 2.4：經驗與成功率的關聯（迴歸分析）

使用案例的多元化

程式編寫仍然是最常見的用途，與電腦和數學職業相關的任務佔 Claude.ai 上對話的 35%。但在 2025 年 11 月至 2026 年 2 月期間，集中度降低：前 10 個最常見的 O*NET 任務從佔對話的 24% 降至僅 19%。

集中度下降部分反映了程式編寫任務遷移到第一方 API，其中 Claude Code 已成長為抽樣流量的很大一部分。Claude Code 的代理式（agentic）架構將程式編寫工作拆分為較小的 API 呼叫，被標記為不同任務。

圖 1.1：各平台前 10 大任務使用比例隨時間變化（Claude.ai 和第一方 API）

課業作業：從 19% 下降到 12%
個人使用：從 35% 上升到 42%

課業作業下降部分可用學術行事曆（寒假）解釋。同時，2 月開始增加的註冊帶來了更多休閒 AI 用戶。

圖 1.2：Claude.ai 上工作、個人和課業使用比例（2025 年 11 月 vs 2026 年 2 月）

Claude.ai 上的增強略有增加，由驗證和學習模式的小幅提升驅動。

圖 1.3：Claude.ai 協作模式比例變化

API 平台持續獲得更高比例的電腦和數學任務。自 2025 年 8 月以來，該類別在 API 中增加了 14%，在 Claude.ai 中減少了 18%。 從 Claude.ai 到 API 的遷移可能預示著相關工作崗位更即將發生的工作轉型。

平均任務價值從 $49.3 略微下降到 $47.9，主要因簡單事實性問題增加及程式編寫轉移至 API。

圖 1.4：各版本和平台的平均任務價值變化

人類輸入所需的平均教育年數從 12.2 年下降到 11.9 年，用戶給予 AI 更多自主權，人類獨自完成任務所需時間減少約 2 分鐘。

新興自動化模式

兩個在 2 月份相較三個月前出現頻率翻倍的 API 工作流程：

商業銷售與外展自動化：銷售賦能內容生成、B2B 潛在客戶資格審查研究、客戶數據充實、陌生開發電子郵件撰寫
自動化交易與市場運營：監控市場或持倉、提出具體投資建議、通知交易員市場狀況及相關任務

地理趨同

從 2025 年 8 月到 2026 年 2 月，美國前五大州的人均使用比例從 30% 下降到 24%。按照這個速度，各州將在 5 至 9 年內達到大致相等的人均使用量。

在國家層面趨勢相反：使用略微更集中，前 20 個國家經人口調整後的使用量從 45% 上升到 48%。

圖 1.5：地理趨同——美國各州（左）和國家（右）的 Lorenz 曲線

核心數據摘要

Claude.ai 前 10 大任務佔比：24%（11 月）→ 19%（2 月）
49% 的工作崗位已有至少 1/4 任務透過 Claude 執行
平均任務價值：$49.3 → $47.9
平均教育年數：12.2 → 11.9 年
課業對話：19% → 12%；個人使用：35% → 42%
資深用戶（6 個月+）成功率高出 10%
全球前 20 國佔人均使用 48%（上升中）
美國州際使用趨於收斂（前 10 州：40% → 38%）
銷售自動化和交易自動化的 API 工作流翻倍增長