Anthropic 2025 年经济指数揭示的 AI 采用与工作变化

AI 正在迅速普及，Anthropic 的一份新报告研究人们如何在不同职业、国家和美国各州使用它。我想逐一解读这些结果及其影响。本视频由 CodeRabbit 赞助。

报告引述的估计显示，40% 的美国雇员在工作中使用 AI，高于 2023 年的 20%，并将采用速度与早期技术比较。电力用了几十年才覆盖农村家庭，个人电脑也用了约 20 年才进入大多数美国家庭。这些比较涉及不同人群和定义，而且电力还需要建设实体的最后一英里基础设施。

在 Anthropic 连续几次 Claude.ai 样本中，涉及新代码的任务占比从 4.1% 升至 8.6%，调试和纠错从 16.1% 降至 13.3%。报告提出可靠性提高可能是原因之一，但占比变化并不能证明原因，也不能说明调试的绝对数量下降。

计算机和数学任务仍占样本使用量的约 36%。教育和图书馆任务的占比从约 9% 升至 12%，生命科学、自然科学和社会科学任务从约 6% 升至 7%；商业与金融运营以及管理任务的占比则下降。这些是样本构成的占比，并非各职业劳动者人数的直接统计。

一种解释是，知识综合与讲解类用途正在迅速扩展：上传 PDF、就文档提问或生成草稿都容易上手。图表展示的是相对趋势，所以某个类别即便总使用量增长，占比也可能下降。建筑与工程、管理类别的占比下降，教育类别则上升。

Anthropic 区分自动化和增强：前者的互动以完成任务为中心，后者由人与 AI 协作、学习、迭代或验证。让 Claude 写一篇文章属于指令式互动；让它改进我写的文章则更具协作性。在报告比较的期间，Claude.ai 对话样本向自动化方向变化；这一分类本身并不能说明流程其他环节有多少人工监督。

赞助披露：本视频由 CodeRabbit 赞助。Berman 将它介绍为一款 AI 代码审查工具，提供审查评论、修改建议和自定义规则；他说它能与编辑器集成，对开源项目免费。这些是 2025 年赞助环节中的产品说法。

自动化增加是否意味着大量失业？我乐观地认为许多工作会转型，学习 AI 工具能帮助人们适应。Anthropic 认为，能适应 AI 工作流程的劳动者可能面临更强的需求和更高工资，但收益可能分配不均；这是一种可能性，并不保证每个使用者都会涨薪。

报告还引用证据称，自 2022 年底以来，在受 AI 高度影响的职业中，职业生涯早期劳动者的就业结果较弱。AI 替代是一种可能的解释，但相关性不能证明因果关系。我预计组织仍需要人来编写提示、验证和审查输出，不过这是我的预测，并非报告已经证实的发现。

Anthropic 用使用指数比较国家：将各国在 Claude.ai 对话中的占比除以其劳动年龄人口占比。以色列得分为 7，其后是新加坡、澳大利亚、新西兰和韩国。这是相对于人口计算的 Claude 样本使用指数，并非独立用户数量或所有 AI 采用情况的指标。

按 Claude.ai 对话样本总占比计算，美国以 21.6% 居首，其次是印度的 7.2% 和巴西的 3.7%。人口规模会影响这些数字。地域分析使用了 2025 年 8 月 4 日至 11 日抽样的 100 万条 Free 和 Pro 对话；它反映的是 Claude 使用情况，而非整个 AI 市场。[Anthropic 的报告](https://www.anthropic.com/research/anthropic-economic-index-september-2025-report)解释了方法和抽样限制。

报告发现各国呈现一种有波动的模式：采用率较低的市场往往更集中于编程，而采用率较高的市场使用类型更加多样。各国占比偏高的请求图表比较的是各国与全球构成的差异，而非绝对数量最多的请求。美国的例子包括膳食规划和求职申请；印度和越南出现应用开发，巴西则出现翻译和语言学习。

Claude 采用率较高的经济体也倾向于更协作地使用它，而采用率较低的经济体更常委派任务。我认为这对人在流程中的作用是个令人鼓舞的信号，但市场之间的这种关联无法证明 AI 使用经验会导致某一种使用方式。

报告中另一项美国人口普查局企业调查显示，当时总体采用率升至近 10%，信息行业约为 25%。调查询问企业是否在此前两周使用 AI 生产商品或提供服务。这与雇员表示自己在工作中使用 AI 是不同的衡量方式，因此不应把这些数字视为相互矛盾。

我认为，懂 AI 的人有机会作为员工或顾问帮助组织实施这项技术。如果你一直身处 AI 社区，可能觉得每个人都熟悉这些工具，但许多企业还没有把它们整合进生产流程。

Anthropic 2025 年 8 月的第一方 API 转录样本中，77% 呈现自动化模式，12% 呈现增强模式；Claude.ai 对话则接近各占一半。如果按任务类别而非转录统计，API 的 97% 任务类别以自动化为主，Claude.ai 的比例为 47%。这些分母不同，不能据此说 97% 的工作已自动化。

报告发现，在原始数据中成本更高的 API 任务往往也更常见，我将其理解为企业优先追求有用的结果。但这不能证明成本无关紧要：对任务特征进行控制的初步分析发现成本与使用量负相关。这些观察既不是价格变化的因果测试，也不能证明杰文斯悖论。

另一个瓶颈是上下文：有效部署可能需要企业整理分散的非结构化信息，并将其提供给模型。Anthropic 认为，数据现代化和组织投入可能构成昂贵的障碍。我认为，这也是重心从编写提示转向组装正确上下文的原因之一。

报告警告，如果采用率高的经济体获得更大的生产率收益，这些好处可能集中在本已富裕的地区，加剧国际不平等。这是一项风险，并非已经观察到 AI 导致差距扩大的结论；未来影响取决于实际生产率收益和政策选择。

Anthropic 还认为，拥有组织内部隐性知识的资深劳动者可能获得更强需求和更高工资，而入门级劳动者的前景可能转弱。我认为这提出了一个实际问题：如果人们难以获得第一份工作，又该如何获取这些知识？我猜测 AI 技能可以帮助他们入职后再学习组织知识，但这仍是假设。

经济结果除了取决于技术能力，也取决于政策。报告提供了互动看板：我选择加利福尼亚州，查看它的使用指数、排名、职业类别和常见请求；其他州和国家也提供类似的细分数据。