Anthropic разширява Economic Index с набор от нови измерители („икономически примитиви“), които описват не само колко често се използва Claude, но и как точно се използва. Анализът обхваща анонимизирани разговори в Claude.ai и първични (1P) API транскрипти и търси връзки между видове задачи, автономност, успеваемост и географски различия.
Резултатите показват, че употребата остава концентрирана в малък брой задачи (най-вече свързани с код), а по света разпространението е силно неравномерно и се обяснява добре с БВП на човек. В рамките на САЩ се наблюдават признаци на по-бързо изравняване между щатите.
Какво се променя в употребата на Claude
В данните се вижда, че малък набор от най-често срещани задачи формира голяма част от активността. В Claude.ai топ 10 задачи представляват 24% от наблюдаваните разговори, а при 1P API клиентите концентрацията е още по-висока – 32% от трафика е в топ 10.
Доминират компютърни и математически задачи. В Claude.ai те са около една трета от разговорите, а при 1P API – почти половината. Най-често срещаната задача и в двата канала е „модифициране на софтуер за коригиране на грешки“.
Паралелно с това има признаци на разширяване към други области: в Claude.ai расте делът на „Educational Instruction and Library“ (помощ за курсови работи, преговор, подготовка на обучителни материали), както и на творчески и редакторски задачи в „Arts, Design, Entertainment, Sports, and Media“.
Автоматизация срещу съвместна работа (augmentation)
Anthropic различава „automation“ (делегиране на задачата с минимален диалог) и „augmentation“ (човекът работи в цикъл с модела – уточнява, итеративно подобрява, иска обратна връзка). В Claude.ai се наблюдава връщане към по-честа „augmentation“: делът на разговорите, класифицирани като съвместна работа, достига 52%, а автоматизираните спадат до 45%.
При 1P API картината е различна: поради програмния характер, взаимодействията са по-директивни и автоматизацията доминира. Това подсказва, че компаниите все по-често вграждат Claude в рутинни бекофис процеси – управление на имейли, обработка на документи, CRM и планиране.
Една от ключовите разлики между Claude.ai и 1P API е, че чатът позволява многостъпков диалог и корекции, докато API анализът често е на единични вход-изход двойки. Това влияе върху успеваемостта и върху вида задачи, които потребителите избират да възложат.Новите „икономически примитиви“: какво измерват
Докладът въвежда пет нови измерения за анализ на употребата, извлечени чрез задаване на конкретни въпроси към Claude върху анонимизирани транскрипти:
- Сложност на задачата – оценка за човешко време без AI, време при работа с AI, както и дали в една сесия се комбинират множество задачи.
- Умения на човека и на AI – дали потребителят би могъл да се справи без Claude, и приблизителни „години образование“, нужни за разбиране на входа и изхода.
- Контекст на употреба – работа, учебни задачи (coursework) или лични цели.
- Автономност на AI – до каква степен потребителят делегира вземане на решения, различно от простата „automation/augmentation“ рамка.
- Успеваемост – дали Claude оценява, че задачата е завършена успешно.
Anthropic подчертава, че тези измерители са насочени към „посочна“ (directional) точност, а не към прецизни абсолютни стойности. Идеята е комбинацията от няколко прости сигнала да дава по-полезна картина за икономическите ефекти.
География, доходи и образование: къде се използва Claude и за какво
За сравнения между региони се използва Anthropic AI Usage Index (AUI) – дял на употребата спрямо дела на населението в работоспособна възраст. AUI над 1 означава по-интензивна употреба от очакваното по население (пример: Дания с AUI 2.1).
Глобално неравномерното разпространение остава стабилно и е силно свързано с БВП на човек. Водещи по обща употреба в Claude.ai са САЩ, Индия, Япония, Обединеното кралство и Южна Корея.
Вътре в САЩ ключов фактор е структурата на работната сила: щатите с по-голям дял заети в компютърни и математически професии (например Washington D.C., Virginia и Washington) имат по-висока употреба на човек. Въпреки това има признаци за ускорено „сближаване“ между щатите – ако тенденцията се запази, изравняването на употребата на човек може да се случи в рамките на 2–5 години, но оценката е с висока несигурност.
По отношение на целите на употреба: Claude се използва най-често за работа, но профилът се променя с доходите и зрелостта на пазара. В по-бедни държави относително по-висок е делът на употреба за coursework, докато в по-богати – личната употреба е по-изразена. Общо за Claude.ai разпределението е 46% работа, 19% coursework и 35% лични задачи.
Докладът отчита и много силна корелация между „образованието“ на потребителския вход и „образованието“ на отговора (r > 0.92), което подсказва, че начинът на формулиране на заявката силно влияе върху качеството и стила на изхода.
Производителност, успеваемост и ефект върху професиите
Оценките показват компромис: по-сложните задачи носят по-големи ускорения (speedup), но успеваемостта пада с увеличаване на сложността и очакваното човешко време. При 1P API успеваемостта се понижава от около 60% за задачи под час до приблизително 45% за задачи над 5 часа; прагът от 50% успеваемост се пресича около 3.5 часа. За Claude.ai спадът е по-плавен, а екстраполация сочи около 19 часа до 50% успеваемост, което се обяснява с многостъпковата итерация в чата.
При анализ на „покритие“ по професии се прави разлика между просто наличие на задачи в данните и „ефективно AI покритие“ – каква част от работния ден може да бъде изпълнена успешно, ако се отчетат важността/честотата на задачата и успеваемостта. Така някои професии се оказват по-силно засегнати от очакваното само по „брой покрити задачи“ – например data entry keyers и database architects, където Claude показва висока пригодност за големи части от работата.
Докладът разглежда и ефекти върху съдържанието на работата: наблюдаваните задачи в Claude често са с по-високи образователни изисквания спрямо средното в икономиката. В упражнение по „премахване на задачите“, които Claude може да изпълнява, се появява тенденция към deskilling в много професии. Примерите включват travel agents (остават по-рутинни дейности като издаване на билети и плащания) и technical writers. Обратният ефект (upskilling) се посочва при property managers, където рутинното счетоводство се измества, а остават преговори и управление на заинтересовани страни.
За агрегатната производителност се прави преоценка на предишни оценки: първоначално се възпроизвежда ефект от около 1.8 процентни пункта годишен ръст на производителността на труда за следващото десетилетие, но при включване на „успеваемостта“ като корекция ефектът спада – до 1.2 п.п. за Claude.ai и около 1.0 п.п. за API трафика. Допълнително се разглежда ролята на комплементарността между задачите (CES подход): при силни „бутилки“ (bottlenecks) потенциалният ефект може да се ограничи значително.
Какво означава това
- По-добро измерване на реалната икономическа употреба: „примитивите“ добавят контекст – не само кои задачи се правят, а колко сложни са, доколко се делегират и дали завършват успешно.
- Неравномерно разпространение и риск от разминавания между държави: глобално употребата е стабилно свързана с БВП на човек и не показва ясно догонване от страните с ниска употреба.
- В САЩ се виждат признаци на по-бърза дифузия: щатите с по-ниска употреба наваксват, но прогнозите са несигурни, защото стъпват на кратък период.
- Успеваемостта е ключова за автоматизацията: корекциите за надеждност намаляват очакваните ползи за производителността спрямо „чистите“ ускорения.
- Промяна в профила на работата: ако AI поема по-сложните компоненти в дадени професии, останалата работа може да стане по-рутинна (deskilling) или обратното – по-стратегическа (upskilling), според ролята.
