Anthropic Economic Index report: Learning curves
Anthropic Economic Index за февраль 2026 года изучает использование Claude в экономике через приватную систему анализа Clio. В Claude.ai задачи диверсифицировались: доля топ-10 задач упала с 24% до 19%, а средняя почасовая «зарплата» задачи снизилась с $49.3 до $47.9 из-за роста бытовых запросов и миграции кодинга в API. Пользователи осознанно выбирают Opus для сложных и высокооплачиваемых задач: 55% задач категории Computer and Mathematical на платных аккаунтах Claude.ai идут через Opus против 45% образовательных. Опытные пользователи (6+ месяцев) на 7 п.п. чаще применяют Claude для работы, на 10% реже — для личных целей, и имеют на 10% более высокий уровень успешности диалогов даже после контроля за задачами и странами. Авторы (Maxim Massenkoff, Eva Lyubich, Peter McCrory и др.) интерпретируют это как свидетельство learning-by-doing, что может усилить skill-biased technological change и неравенство на рынке труда. Сходимость использования между штатами США продолжается, но медленнее, тогда как между странами разрыв слегка увеличился (топ-20 стран — 48% против 45%).
Anthropic Economic Index report: Learning curves
Anthropic Economic Index report: Learning curves
The Anthropic Economic Index uses our privacy-preserving data analysis system to track how Claude is being used across the economy. It’s part of our effort to understand the economic impacts of AI as early as possible, so that researchers and policymakers have adequate time to prepare.
Anthropic Economic Index использует нашу систему приватного анализа данных, чтобы отслеживать, как Claude применяется в экономике. Это часть наших усилий понять экономические последствия AI как можно раньше, чтобы у исследователей и регуляторов было достаточно времени подготовиться.
This latest report studies Claude usage in February 2026, building on the economic primitives framework introduced in our previous report (which used data from November 2025). Our sample covers February 5 to February 12, three months following the release of Claude Opus 4.5 and coincident with the release of Claude Opus 4.6.
Этот свежий отчёт изучает использование Claude в феврале 2026 года и развивает фреймворк экономических примитивов, представленный в нашем предыдущем отчёте (где использовались данные за ноябрь 2025 года). Наша выборка охватывает период с 5 по 12 февраля — спустя три месяца после релиза Claude Opus 4.5 и одновременно с выходом Claude Opus 4.6.
We first document how usage has changed relative to our previous reports: the rate of augmentation, collaborative interaction where the AI complements the user’s abilities, increased slightly in both Claude.ai and API traffic. In Claude.ai, usage diversified, with the top 10 tasks accounting for a smaller share of usage last month than in November 2025. As a result of this diversification, the average conversation in Claude.ai had a slightly lower-wage task than in previous reports.
Сначала мы фиксируем, как изменилось использование по сравнению с предыдущими отчётами: доля augmentation — совместного взаимодействия, в котором AI дополняет способности пользователя, — слегка выросла как в Claude.ai, так и в трафике API. В Claude.ai использование стало более разнообразным: на топ-10 задач в прошлом месяце пришлась меньшая доля, чем в ноябре 2025 года. В результате этой диверсификации средний разговор в Claude.ai соответствовал задаче с чуть более низкой зарплатой по сравнению с предыдущими отчётами.
We then focus on an important determinant of Claude’s impact on the labor market and the broader economy: learning curves in Claude adoption. We present evidence that high-tenure users have developed habits and strategies that allow them to better harness Claude’s capabilities. Indeed, we document that more experienced users not only attempt higher-value tasks, but are also more likely to elicit successful responses in their conversations.
Затем мы сосредотачиваемся на важном факторе влияния Claude на рынок труда и экономику в целом — кривых обучения при освоении Claude. Мы приводим свидетельства того, что пользователи с большим стажем выработали привычки и стратегии, которые позволяют им лучше задействовать возможности Claude. Действительно, мы фиксируем, что более опытные пользователи не только берутся за задачи большей ценности, но и чаще получают успешные ответы в своих разговорах.
What has changed since our last report
Что изменилось со времени нашего прошлого отчёта
In the first chapter, we revisit findings from our previous Economic Index report, published in January 2026. We find that:
В первой главе мы пересматриваем выводы нашего предыдущего Economic Index report, опубликованного в январе 2026 года. Мы обнаруживаем, что:
Сценарии использования в Claude.ai стали более разнообразными. Задачи по программированию продолжают переходить из augmentative-использования в Claude.ai в более автоматизированные рабочие процессы нашего first-party API.1 В этом отчёте использование Claude.ai было менее концентрированным: топ-10 задач составили 19% всего трафика в феврале против 24% в ноябре. При этом почти все задачи в этой выборке встречались хотя бы в одной из наших предыдущих выборок. Около 49% профессий получили выполнение по меньшей мере четверти своих задач с помощью Claude.Освоение Claude расширилось на задачи с более низкой зарплатой. По мере диверсификации сценариев использования средняя экономическая ценность работы, выполняемой через Claude, — измеренная по американским зарплатам работников соответствующих профессий — слегка снизилась. Это вызвано, механически, ростом числа личных запросов про спорт, сравнение товаров и обслуживание дома. Эта закономерность согласуется со стандартным сюжетом «кривой освоения», в которой ранние пользователи предпочитают конкретные высокоценные применения вроде кодинга, а более поздние берутся за гораздо более широкий спектр задач.Неравенство в глобальном использовании сохраняется. Использование остаётся сильно сконцентрированным: на топ-20 стран приходится 48% всего использования на душу населения — против 45%, что подчёркивает устойчивый разрыв в глобальном освоении. Однако использование Claude на душу населения внутри США продолжило сходиться: доля 10 штатов с самым высоким использованием снизилась с 40% до 38% со времени нашего прошлого отчёта.
Learning curves
Кривые обучения
A central finding in the Economic Index is that early adoption of Claude is very uneven: Claude is used more intensely in high-income countries, within the US in places with more knowledge workers, and for a relatively small set of specialized tasks and occupations.
Центральный вывод Economic Index — раннее освоение Claude очень неравномерно: Claude интенсивнее используется в странах с высоким доходом, внутри США — в местах с большей долей knowledge workers, а также для относительно небольшого набора специализированных задач и профессий.
An important question is how inequality of adoption might determine where and to whom the benefits of AI will accrue. If, for example, effective AI use requires complementary skills and expertise—which we argued in our previous report—and if such skills can be acquired through use and experimentation, then the benefits from early adoption may be self-reinforcing.
Важный вопрос — как неравенство в освоении может определять, где и кому достанутся выгоды от AI. Если, например, эффективное использование AI требует комплементарных навыков и опыта — а мы аргументировали это в нашем предыдущем отчёте — и если такие навыки можно приобрести через использование и эксперименты, тогда выгоды от раннего освоения могут оказаться самоусиливающимися.
In our second chapter we investigate how users appear to shape the value that they get out of Claude: how they match model capability to the task at hand, and how usage patterns and outcomes shift with experience on the platform.
Во второй главе мы изучаем, как пользователи, по всей видимости, формируют ценность, которую извлекают из Claude: как они сопоставляют возможности модели с конкретной задачей и как паттерны использования и результаты меняются с опытом работы на платформе.
Выбор модели соответствует задаче. Мы показываем, что пользователи выбирают наш самый интеллектуальный класс моделей — Opus — для задач, которые обычно получают более высокую зарплату на рынке труда. Например, среди платных пользователей Claude.ai Opus применяется на 4 процентных пункта чаще среднего для задач программирования и на 7 процентных пунктов реже среднего для задач, связанных с репетиторством. У пользователей API эта переключаемость моделей примерно вдвое выраженнее.Больше стажа — выше успех. В целом, самые опытные пользователи Claude чаще применяют его для задач, требующих высшего образования, и реже — для личных сценариев. Например, у людей, использующих Claude 6 месяцев или дольше, на 10% меньше личных разговоров и на 6% выше уровень образования, отражённый в их вводах. Самое поразительное — у этой группы с большим стажем уровень успешности разговоров на 10% выше, и эта связь не объясняется ни выбором задач, ни страной происхождения, ни другими факторами. Это может отражать сложившуюся подготовленность ранних пользователей, но также может быть свидетельством learning-by-doing, когда люди учатся пользоваться Claude через опыт.
What has changed since our last report
Что изменилось со времени нашего прошлого отчёта
Diversification of use cases in Claude.ai
Диверсификация сценариев использования в Claude.ai
We first look at the kinds of tasks that Claude is asked to perform. We use our privacy-preserving system, which allows us to describe behavior at an aggregated level without revealing the content of individual transcripts. We sample 1 million conversations from both Claude.ai, our consumer-facing web product, and our first-party API, the developer-facing interface for integrating Claude into products and workflows.2
Сначала мы смотрим на типы задач, которые поручают Claude. Мы используем нашу систему сохранения приватности, которая позволяет описывать поведение на агрегированном уровне, не раскрывая содержания отдельных стенограмм. Мы делаем выборку 1 миллиона разговоров как из Claude.ai — нашего веб-продукта для потребителей, — так и из нашего first-party API, интерфейса для разработчиков, который позволяет встраивать Claude в продукты и рабочие процессы.2
Coding remains the most common use on our platforms, with tasks associated with Computer and Mathematical occupations accounting for 35% of conversations on Claude.ai (see Appendix).3 However, between November 2025 and February 2026, use cases on Claude.ai became less concentrated: the top 10 most common O*NET tasks went from 24% of conversations to just 19% (Figure 1.1).
Кодинг остаётся самым распространённым применением на наших платформах: задачи, связанные с профессиями Computer and Mathematical, составляют 35% разговоров в Claude.ai (см. Appendix).3 Однако между ноябрём 2025 года и февралём 2026 года сценарии использования в Claude.ai стали менее концентрированными: топ-10 самых распространённых задач O*NET перешли с 24% разговоров до всего 19% (Figure 1.1).
This decline in concentration partly reflects coding tasks migrating from Claude.ai to our first-party API, where Claude Code has grown to represent a large share of sampled traffic. Claude Code’s agentic architecture splits coding work into smaller API calls, which are labeled as distinct tasks. So while coding’s overall share of API traffic has grown, it is spread across many task categories rather than concentrated in a few. As a result, task concentration in the API remained roughly flat despite the influx of coding activity.
Это снижение концентрации частично отражает миграцию задач программирования из Claude.ai в наш first-party API, где Claude Code вырос до значительной доли в нашей выборке трафика. Агентная архитектура Claude Code разбивает работу по кодингу на меньшие вызовы API, которые помечаются как отдельные задачи. Поэтому, хотя общая доля кодинга в трафике API выросла, она распределена по многим категориям задач, а не сконцентрирована в нескольких. В результате концентрация задач в API осталась примерно неизменной несмотря на приток активности по кодингу.
This migration of code out of Claude.ai is not the only factor driving decreased concentration. Part of the drop is due to changes in the mix of use cases between the two periods. Coursework fell from 19% to 12% of conversations, while personal use rose from 35% to 42% of conversations. Some of the drop in coursework can be explained by academic calendars in countries where students were on winter break during our sample period.4 At the same time, increasing signups beginning around February brought more casual AI users.
Эта миграция кодинга из Claude.ai — не единственный фактор снижения концентрации. Часть падения объясняется изменением состава сценариев использования между двумя периодами. Учебные задания сократились с 19% до 12% разговоров, а личное использование выросло с 35% до 42% разговоров. Часть падения учебных заданий можно объяснить академическими календарями в странах, где у студентов в наш период выборки были зимние каникулы.4 Одновременно растущее число регистраций примерно с февраля привело больше казуальных пользователей AI.
While the spread of Claude's work tasks became more diverse, almost all of these had been seen before in our data. In our previous report, we noted that 49% of jobs had seen at least a quarter of their tasks performed using Claude. In this data pull, that cumulative estimate barely changed (Appendix Figure A.2). Our data from this report showed many fewer novel O*NET tasks than in our previous report.
Хотя спектр рабочих задач Claude стал разнообразнее, почти все они уже встречались ранее в наших данных. В предыдущем отчёте мы отмечали, что 49% профессий получили выполнение по меньшей мере четверти своих задач с помощью Claude. В этой выгрузке данных эта совокупная оценка почти не изменилась (Appendix Figure A.2). Данные этого отчёта показали гораздо меньше новых задач O*NET, чем предыдущий отчёт.
Since our first report, we have classified conversations into one of five interaction types—directive, feedback loop, task iteration, validation, and learning—which we group into two broader categories: automation and augmentation.5 Figure 1.3 shows that augmentation in Claude.ai increased slightly. This was driven by small bumps in validation and learning patterns. In Appendix Figure A.3, we show that automation decreased sharply in the 1P API data.
С нашего первого отчёта мы классифицируем разговоры на один из пяти типов взаимодействия — directive, feedback loop, task iteration, validation и learning, — которые мы группируем в две более широкие категории: automation и augmentation.5 Figure 1.3 показывает, что augmentation в Claude.ai слегка выросла. Это было обусловлено небольшими сдвигами в паттернах validation и learning. В Appendix Figure A.3 мы показываем, что automation резко упала в данных 1P API.
Our API platform continued to gain a relatively higher share of Computer and Mathematical tasks (usage shares by job categories are shown in the Appendix). Since August 2025, the share of tasks in this category has increased by 14% in the API and decreased by 18% in Claude.ai. As we note in our report on labor market impacts, we expect that this migration from Claude.ai to the API may signal more imminent transformation of work for the associated jobs. The increase in tasks associated with Management occupations in Claude.ai, which went from 3 to 5% of its traffic, comes from a mix of both analytical tasks (e.g., preparing an investment memo) and responding to customer questions.
Наша платформа API продолжила набирать относительно более высокую долю задач Computer and Mathematical (доли использования по категориям профессий показаны в Appendix). С августа 2025 года доля задач этой категории выросла на 14% в API и снизилась на 18% в Claude.ai. Как мы отмечаем в нашем отчёте о labor market impacts, мы ожидаем, что эта миграция из Claude.ai в API может сигнализировать о более скорой трансформации работы для соответствующих профессий. Рост задач, связанных с профессиями Management, в Claude.ai с 3 до 5% трафика обусловлен сочетанием аналитических задач (например, подготовка инвестиционной записки) и ответов на вопросы клиентов.
Another way to measure the change in the mix of tasks done on Claude is to look at the change in the average value of tasks, which we define as the average hourly wage of US workers who perform that task (Figure 1.4).6 This estimate of the value of tasks in Claude.ai has dropped slightly from $49.3 to $47.9 mostly due to an increase in simple factual questions (e.g., sports outcomes, weather) and a decrease in coding as it shifts to the API. As mentioned in our previous report, the tasks we see on Claude tend to require higher education. The plot shows that these tasks also tend to earn higher wages than the US national average.
Другой способ измерить изменение состава задач, выполняемых на Claude, — посмотреть на изменение средней ценности задач, которую мы определяем как среднюю почасовую зарплату американских работников, выполняющих эту задачу (Figure 1.4).6 Эта оценка ценности задач в Claude.ai слегка снизилась — с $49.3 до $47.9, — в основном из-за роста простых фактологических вопросов (например, спортивные результаты, погода) и снижения кодинга по мере его перехода в API. Как упоминалось в нашем предыдущем отчёте, задачи, которые мы видим в Claude, как правило требуют более высокого образования. График показывает, что эти задачи также обычно оплачиваются выше национального среднего по США.
While slight, changes in several primitives between the previous and current report capture similar declines in task complexity on Claude.ai. The average years of education required for the human inputs declined from 12.2 to 11.9 years, users granted more autonomy to the AI, and the time required for the human to do the task alone fell by about 2 minutes. One change goes ostensibly in the opposite direction: the tasks performed by Claude were judged to be slightly less possible for a human without access to AI.
Пусть и небольшие, изменения нескольких примитивов между предыдущим и текущим отчётом фиксируют схожие снижения сложности задач в Claude.ai. Среднее количество лет образования, требуемых для человеческих вводов, снизилось с 12.2 до 11.9 лет, пользователи передавали AI больше автономии, а время, требующееся человеку на выполнение задачи в одиночку, сократилось примерно на 2 минуты. Одно изменение, на первый взгляд, идёт в обратном направлении: задачи, выполняемые Claude, были оценены как чуть менее выполнимые человеком без доступа к AI.
Emergent automation patterns
Появляющиеся паттерны автоматизации
As tasks migrate to the API, they may become more exposed to automation. API workflows are far more likely to be directive, with less need for a human in the loop. In a previous report, we highlighted that customer service tasks, including, for example, automated support for payment and billing issues, are prevalent in the API data. These contributed to a higher observed exposure for Customer Service Representatives—Claude was recorded doing a high share of their tasks in automated workflows, so these jobs may be more likely to change as AI diffuses.
По мере того как задачи мигрируют в API, они могут становиться более подверженными автоматизации. Рабочие процессы API гораздо чаще directive, с меньшей необходимостью держать человека в петле. В предыдущем отчёте мы подчёркивали, что задачи customer service — например, автоматизированная поддержка по вопросам оплаты и биллинга — распространены в данных API. Они привели к более высокой наблюдаемой подверженности Customer Service Representatives: Claude фиксировался за выполнением значительной доли их задач в автоматизированных рабочих процессах, так что эти профессии могут с большей вероятностью измениться по мере диффузии AI.
We highlight two API workflows that appeared more frequently in February as compared to three months prior, with their shares at least doubling in our latest sample:7
Мы выделяем два рабочих процесса API, которые в феврале встречались чаще, чем тремя месяцами ранее, — их доли в нашей последней выборке как минимум удвоились:7
Автоматизация продаж и аутрича для бизнеса: генерация sales enablement, B2B lead qualification research, обогащение клиентских данных, составление cold-email.Автоматизированный трейдинг и рыночные операции: мониторинг рынков или позиций, предложения конкретных инвестиций, информирование трейдеров о рыночной конъюнктуре и связанные задачи.
Revisiting geographic convergence
Возвращаясь к географической конвергенции
In our previous report, we noted that the Anthropic AI Usage Index (AUI), which adjusts usage by a geography’s working-age population, was converging rapidly across US states: states with initially lower usage per capita showed faster adoption.
В предыдущем отчёте мы отмечали, что Anthropic AI Usage Index (AUI), который корректирует использование по работоспособному населению географии, быстро сходился между штатами США: штаты с изначально более низким использованием на душу населения показывали более быстрый темп освоения.
The left panel of Figure 1.6 shows that this convergence continued in our most recent data, but at a slower pace. From August 2025 to February 2026, the share of per-person usage going to the top five states has decreased from 30 to 24%. The Gini coefficient has fallen since August 2025, though the pace of convergence has slowed. When we update our estimates from the previous report, we find that at this rate states would arrive at roughly equal usage per capita in 5–9 years, rather than 2–5.8
Левая панель Figure 1.6 показывает, что эта конвергенция продолжилась в наших самых свежих данных, но более медленным темпом. С августа 2025 года по февраль 2026 года доля использования на человека, приходящаяся на пять верхних штатов, снизилась с 30 до 24%. Коэффициент Gini падал с августа 2025 года, хотя темп конвергенции замедлился. Когда мы обновляем наши оценки из предыдущего отчёта, мы обнаруживаем, что при таких темпах штаты пришли бы к примерно равному использованию на душу населения через 5–9 лет, а не через 2–5.8
Across countries (right panel), the pattern is reversed: usage has become slightly more concentrated, with the Gini rising over the same period. The countries using Claude the most (per capita) now account for a larger share of overall usage, with the top 20 countries going from 45 to 48% of usage adjusted for population.
Между странами (правая панель) картина обратная: использование стало чуть более концентрированным, а Gini вырос за тот же период. Страны, чаще всего использующие Claude (на душу населения), теперь занимают большую долю общего использования: топ-20 стран перешёл с 45 до 48% использования, скорректированного на население.
Learning to use AI
Учимся пользоваться AI
In this chapter, we focus on two features of usage that reflect how people deploy and learn to work with AI: model selection and the habits of longtime users.
В этой главе мы фокусируемся на двух особенностях использования, отражающих, как люди разворачивают AI и учатся работать с ним: выборе модели и привычках долгосрочных пользователей.
First, we shed light on the demand for intelligence by studying when people choose Opus, our most performant model class. Little is known about how AI users choose between different models, navigating tradeoffs around speed, performance, and cost. If users are calibrating to the task at hand, we should see Opus concentrated on harder, higher-value work.
Сначала мы проливаем свет на спрос на интеллект, изучая, когда люди выбирают Opus — наш самый производительный класс моделей. Мало что известно о том, как пользователи AI выбирают между разными моделями, лавируя между скоростью, производительностью и стоимостью. Если пользователи калибруются под конкретную задачу, мы должны видеть, что Opus сконцентрирован на более сложной, высокоценной работе.
Next, we study how usage differs according to tenure, finding differences across users who signed up at different times. This sheds light on learning curves: do experienced users get better over time? How does their usage differ? We find evidence consistent with learning-by-doing. Not only do higher-tenure users have greater success in their conversations, they also collaborate with Claude more, bring more challenging tasks to Claude, and are more likely to use Claude for work purposes and for a wider range of tasks.
Далее мы изучаем, как использование различается в зависимости от стажа, находя различия между пользователями, зарегистрировавшимися в разное время. Это проливает свет на кривые обучения: становятся ли опытные пользователи лучше со временем? Чем отличается их использование? Мы находим свидетельства, согласующиеся с learning-by-doing. У пользователей с большим стажем не только выше успешность разговоров — они также больше сотрудничают с Claude, приносят Claude более сложные задачи и чаще используют его для рабочих целей и для более широкого спектра задач.
Model selection
Выбор модели
The different Claude model classes (Haiku, Sonnet, and Opus) offer tradeoffs in terms of cost, speed, and performance. The Opus class of models uses the most tokens and excels at complex tasks, but at a higher per-token price on our API. If users are aware of this and mindful of costs and usage limits, they should bring their most complicated and valuable tasks to Opus, while selecting other models for simpler tasks. This is broadly what we observe in the data.
Разные классы моделей Claude (Haiku, Sonnet и Opus) предлагают компромиссы по стоимости, скорости и производительности. Класс моделей Opus использует больше всего токенов и превосходит остальные на сложных задачах, но по более высокой цене за токен в нашем API. Если пользователи знают об этом и помнят о стоимости и лимитах использования, они должны приносить свои самые сложные и ценные задачи Opus, а для более простых задач выбирать другие модели. В целом это то, что мы наблюдаем в данных.
Figure 2.1 below shows that, for paid Claude.ai accounts, which have access to all model classes, 55% of Computer and Mathematical tasks (like coding software) use Opus, compared to 45% of Educational tasks. Technical users may notice performance gains and actively switch away from Sonnet, the default. Or efficiency-minded users may learn to use Sonnet for simpler tasks to avoid hitting usage limits. Relatedly, the differences here could reflect that most educational tasks are already fairly easy for Sonnet, or that students are more likely to be mindful of usage limits.
Figure 2.1 ниже показывает, что у платных аккаунтов Claude.ai, имеющих доступ ко всем классам моделей, 55% задач Computer and Mathematical (вроде программирования) выполняются на Opus против 45% задач Educational. Технические пользователи могут замечать выигрыш в производительности и активно переключаться с Sonnet — модели по умолчанию. Или же пользователи, заботящиеся об эффективности, могут учиться применять Sonnet для более простых задач, чтобы не упереться в лимиты. Связанно с этим, различия здесь могут отражать то, что большинство образовательных задач уже довольно просты для Sonnet, или то, что студенты с большей вероятностью помнят о лимитах использования.
Figure 2.2 below shows this in a more granular way. When users perform tasks associated with higher-paid jobs, they use Opus more often. For example, on Claude.ai, 34% of Software Developer tasks involve Opus compared to just 12% of Tutor tasks. Overall, for every additional $10 of hourly wage for a task, the share of conversations using Opus increases by 1.5 percentage points for Claude.ai users. The 1P API traffic shows much more response to the complexity of the task. Its slope is about twice as large, with the Opus share increasing 2.8 percentage points for every $10 in task value. Users deploying programmatic workflows may have more reason to switch between models compared to web users.
Figure 2.2 ниже показывает это более детально. Когда пользователи выполняют задачи, связанные с более высокооплачиваемыми профессиями, они чаще используют Opus. Например, в Claude.ai 34% задач Software Developer задействуют Opus против всего 12% задач Tutor. В целом, на каждые дополнительные $10 почасовой зарплаты задачи доля разговоров с Opus у пользователей Claude.ai возрастает на 1.5 процентных пункта. Трафик 1P API гораздо сильнее реагирует на сложность задачи. Его наклон примерно вдвое больше: доля Opus растёт на 2.8 процентных пункта на каждые $10 ценности задачи. У пользователей, разворачивающих программные рабочие процессы, может быть больше причин переключаться между моделями по сравнению с веб-пользователями.
Learning curves
Кривые обучения
The first Claude model was released in March 2023. Since then, the userbase on both Claude.ai and the API has grown rapidly. Our latest sample contains a mix of users, some of whom signed up for the very first Claude release, and some of whom signed up just the day before we measured their usage. How does one’s tenure with Claude shape their experience with it?9
Первая модель Claude вышла в марте 2023 года. С тех пор пользовательская база как в Claude.ai, так и в API быстро росла. Наша последняя выборка содержит разных пользователей — кто-то зарегистрировался ещё на первом релизе Claude, а кто-то — буквально за день до того, как мы измерили его использование. Как стаж работы с Claude формирует опыт пользователя?9
Table 2.1 shows differences between low tenure and high tenure users, where the latter group is defined as having signed up for Claude at least 6 months ago and the low tenure users are everyone else.10 High tenure users are more likely to use Claude to iterate on their work, and much less likely to delegate greater responsibility through directive use patterns. They are 7 percentage points more likely to be using Claude for work, and use Claude for tasks that tend to require higher levels of education. Finally, their usage is less concentrated in certain tasks. The top 10 O*NET tasks account for a slightly lower (20.7% compared to 22.2%) share of usage for the high tenure group.
Table 2.1 показывает различия между пользователями с малым и большим стажем, где последние определяются как зарегистрировавшиеся в Claude не менее 6 месяцев назад, а пользователи с малым стажем — все остальные.10 Пользователи с большим стажем чаще применяют Claude для итерирования над своей работой и гораздо реже делегируют большую ответственность через directive-паттерны. Они на 7 процентных пунктов чаще используют Claude для работы и обращаются к Claude с задачами, которые, как правило, требуют более высоких уровней образования. Наконец, их использование менее сконцентрировано в определённых задачах. Топ-10 задач O*NET составляет чуть меньшую долю использования (20.7% против 22.2%) у группы с большим стажем.
Below, we dig more into two of the primitives discussed above: the human years of schooling associated with each conversation, and the share of transcripts devoted to personal use.
Ниже мы подробнее разбираем два из упомянутых выше примитивов: количество лет обучения, ассоциированных с каждым разговором, и долю стенограмм, посвящённых личному использованию.
In the panel on the left, we show that the years of schooling needed to understand the human prompt increases by almost 1 year for every additional year of Claude usage. In the panel on the right, we show that at the same time, personal use decreases: people who signed up a year ago devote 38% of their conversations to personal use cases, compared to 44% for the newest users.
На панели слева мы показываем, что количество лет обучения, нужных для понимания человеческого промпта, возрастает почти на 1 год на каждый дополнительный год использования Claude. На панели справа мы показываем, что одновременно личное использование снижается: люди, зарегистрировавшиеся год назад, отводят 38% своих разговоров под личные сценарии против 44% у самых новых пользователей.
Several factors could account for these patterns in the user base of a rapidly advancing all-purpose technology. The high-tenure users are self-selected and the differences here could reflect stable characteristics. They may be computer programmers, for example, who were more likely to be early adopters. Further, there’s an inherent survivorship bias: people who signed up a year before our data pull may be seeing positive results from their usage. We do not observe people who signed up a year ago but are no longer using Claude.
Эти паттерны в пользовательской базе быстро развивающейся универсальной технологии могут объясняться несколькими факторами. Пользователи с большим стажем — самоотбор, и различия здесь могут отражать устойчивые характеристики. Они могут быть, например, программистами, которые с большей вероятностью оказались ранними пользователями. Кроме того, есть неустранимое смещение выживших: люди, зарегистрировавшиеся за год до нашей выгрузки данных, могут видеть положительные результаты от своего использования. Мы не наблюдаем тех, кто зарегистрировался год назад, но больше не пользуется Claude.
The findings mirror what we saw in our Economic Primitives report: lower-income, less educated countries paradoxically showing more complex use in some cases. The earliest adopters often have high-value, technical use cases. In poorer countries with much lower adoption, these early adopters still dominate the user base.
Выводы отражают то, что мы видели в нашем отчёте Economic Primitives: страны с более низким доходом и менее образованным населением парадоксально показывают более сложное использование в ряде случаев. Самые ранние пользователи часто имеют высокоценные технические сценарии. В более бедных странах с гораздо более низким уровнем освоения эти ранние пользователи всё ещё доминируют в пользовательской базе.
More casual usage emerges when AI has diffused to a broader share of the population. Indeed, among request clusters, tasks with highest mean tenure included: AI research, git operations, revising manuscripts, and startup fundraising. The tasks with the lowest average tenure have more simple workflows like writing haikus, checking sports scores, and suggesting food for a party.11
Более казуальное использование появляется тогда, когда AI распространился среди более широкой части населения. Действительно, среди кластеров запросов задачами с самым высоким средним стажем оказались: AI research, операции git, доработка рукописей и привлечение средств для стартапов. Задачами с самым низким средним стажем оказались более простые рабочие процессы вроде написания хайку, проверки спортивных результатов и предложений еды для вечеринки.11
Experience effects
Эффекты опыта
We explore these relationships more in Figure 2.4 below, using the log-level data to control granularly for features of the conversation. In the top panel, specification (1) shows a simple bivariate regression with task success as the outcome and the long-tenure indicator as the predictor. Success is Claude’s assessment of whether the conversation was successful, described in our previous report. The plot shows that long-tenure users are about 5 percentage points more likely to have a successful conversation.
Мы детальнее исследуем эти связи в Figure 2.4 ниже, используя данные log-уровня, чтобы детально контролировать характеристики разговора. На верхней панели спецификация (1) показывает простую бивариатную регрессию с успешностью задачи в качестве исхода и индикатором большого стажа в качестве предиктора. Успешность — это оценка Claude того, был ли разговор успешным, описанная в нашем предыдущем отчёте. График показывает, что у пользователей с большим стажем примерно на 5 процентных пунктов выше вероятность успешного разговора.
This could reflect that higher-tenure users are better at prompting. But what if it reflects that they bring different tasks to Claude—ones more likely to be successful?
Это может отражать то, что пользователи с большим стажем лучше составляют промпты. Но что если это отражает, что они приносят Claude другие задачи — те, у которых выше шанс быть успешными?
In Specification (2), we include fixed effects for specific O*NET tasks and request clusters. This amounts to comparing high- and low-tenure users within the same narrowly defined task, rather than across tasks. For instance, we have a request cluster called “Perform corporate financial analysis, valuation, and modeling for specific companies.” The fixed effects compare high- and low-tenure users within that cluster, and likewise within every other cluster. We would only observe a positive coefficient if, on average, long-tenure users are more successful in these within-task comparisons. This control moderates the effect somewhat, bringing it closer to 3 percentage points.
В спецификации (2) мы включаем фиксированные эффекты для конкретных задач O*NET и кластеров запросов. Это сводится к сравнению пользователей с большим и малым стажем внутри одной и той же узко определённой задачи, а не между задачами. Например, у нас есть кластер запросов под названием «Perform corporate financial analysis, valuation, and modeling for specific companies.» Фиксированные эффекты сравнивают пользователей с большим и малым стажем внутри этого кластера и аналогично внутри каждого другого кластера. Мы наблюдали бы положительный коэффициент только в том случае, если в среднем пользователи с большим стажем оказываются более успешными в этих внутризадачных сравнениях. Этот контроль несколько умеряет эффект, доводя его примерно до 3 процентных пунктов.
Finally, we ask whether this relationship is affected by higher-tenure users selecting different models, communicating in different languages, having different use cases, or signing on in different countries. This regression yields a slightly higher impact of high tenure, suggesting a 4-percentage-point higher success rate accounting for the full controls.
Наконец, мы спрашиваем, влияет ли на эту связь то, что пользователи с большим стажем выбирают другие модели, общаются на других языках, имеют другие сценарии использования или регистрируются в других странах. Эта регрессия даёт несколько более высокий эффект большого стажа, указывая на 4-процентный пункт более высокого уровня успеха с учётом полного набора контролей.
These results suggest that high-tenure users have more success in their Claude conversations, and that this is not due to simple factors like language or the task being performed. One intriguing potential explanation is that these users have better learned to extract what they want from AI. Facility with these platforms may be a key determinant of success that appears to scale with experience.
Эти результаты говорят о том, что пользователи с большим стажем добиваются большего успеха в своих разговорах с Claude и что это не объясняется простыми факторами вроде языка или выполняемой задачи. Одно интригующее возможное объяснение — что эти пользователи лучше научились извлекать из AI то, что им нужно. Уверенное владение этими платформами может быть ключевым фактором успеха, который, по всей видимости, растёт с опытом.
Discussion
Обсуждение
This report revisited the core measures we use to track Claude usage, and analyzed model selection and success for the first time. Since August 2025, 1P API usage has become more concentrated, with the top 10 O*NET tasks now accounting for 33% of traffic, up from 28%. Claude.ai tasks, on the other hand, have diversified since our November 2025 data. Faster adoption among low-usage states continued in the US, though at a slower pace than in the previous report. Low-adoption countries fell slightly further behind.
Этот отчёт пересмотрел базовые метрики, которыми мы отслеживаем использование Claude, и впервые проанализировал выбор модели и успешность. С августа 2025 года использование 1P API стало более концентрированным: топ-10 задач O*NET теперь составляют 33% трафика — против 28%. Задачи Claude.ai, напротив, диверсифицировались по сравнению с нашими данными за ноябрь 2025 года. Более быстрое освоение среди штатов с низким использованием в США продолжилось, хотя и более медленным темпом, чем в предыдущем отчёте. Страны с низким освоением слегка отстали ещё больше.
With this report, we can begin to trace out how various economic primitives have changed. Coursework fell as a share of usage while personal conversations increased. We also note a slight decrease in the aggregate complexity of prompts in Claude.ai, with conversations in Claude.ai exhibiting less sophisticated inputs and shorter estimated completion times.
С этим отчётом мы можем начать прослеживать, как изменялись различные экономические примитивы. Доля учебных заданий в использовании упала, а личных разговоров — выросла. Мы также отмечаем небольшое снижение совокупной сложности промптов в Claude.ai: разговоры в Claude.ai демонстрируют менее сложные вводы и более короткое расчётное время выполнения.
Overall, Claude is used for high-value, complex work that is not broadly representative of the US economy. But as the user base has grown, less remunerated tasks have become a slightly larger share of traffic. The average value of tasks, measured as the estimated wage paid to workers in occupations associated with those tasks, has declined on Claude.ai since our first report, while rising among API users. On both surfaces, users bring their most complex tasks to our more powerful model class, Opus. This inflection is stronger for API customers.
В целом Claude используется для высокоценной сложной работы, которая не широко репрезентативна для экономики США. Но по мере роста пользовательской базы менее оплачиваемые задачи заняли чуть бо́льшую долю трафика. Средняя ценность задач, измеренная как расчётная зарплата работников в профессиях, связанных с этими задачами, снизилась в Claude.ai с нашего первого отчёта и выросла среди пользователей API. На обеих поверхностях пользователи приносят свои самые сложные задачи к нашему более мощному классу моделей — Opus. Этот перегиб сильнее у клиентов API.
More experienced users tend to use Claude more collaboratively, for more work-related reasons, in more complex tasks, and with more success. This pushes back against a hypothesis we made last year that automated use may be more typical of more experienced, sophisticated users; instead, we find that the most advanced users are more likely to iterate with Claude. It’s also consistent with learning-by-doing: the more time one spends using AI, the more effective one becomes at harnessing it.
Более опытные пользователи, как правило, используют Claude более совместно, по более рабочим причинам, в более сложных задачах и с большей успешностью. Это опровергает гипотезу, которую мы выдвинули в прошлом году, — что автоматизированное использование может быть более типичным для более опытных и подкованных пользователей; вместо этого мы обнаруживаем, что самые продвинутые пользователи скорее итерируют с Claude. Это также согласуется с learning-by-doing: чем больше времени человек проводит, используя AI, тем эффективнее он становится в его задействовании.
An alternative interpretation, of course, is that these results are driven by cohort effects or survivorship bias. Early adopters could be more technical. Those who continue using Claude could be those with tasks that it is distinctly well-equipped to do. But carefully controlled regressions rule out simple versions of this confounding, like that long-tenured users bring different kinds of tasks. Over time, we will be able to more cleanly isolate cohort and survivorship bias from learning-by-doing.
Альтернативная интерпретация, разумеется, состоит в том, что эти результаты обусловлены когортными эффектами или смещением выживших. Ранние пользователи могут быть более техническими. Те, кто продолжает пользоваться Claude, могут быть теми, у кого задачи, для которых он особенно хорошо приспособлен. Но аккуратно контролируемые регрессии исключают простые варианты этого смешения — например, что пользователи с большим стажем приносят другие виды задач. Со временем мы сможем чище отделять когортный эффект и смещение выживших от learning-by-doing.
These observed differences in success rates could deepen inequalities in the labor market. Economists have long noted the potential for skill-biased technological change: innovations that raise wages for high-skill workers while depressing them for others. Our analysis in this report identifies a channel through which such skill-biased transformation may already be unfolding: early adopters with high-skill tasks have more successful interactions with Claude than later, less technical adopters. These early-adopting users may simultaneously be the most exposed to AI-driven disruption and most aided by AI in these initial, augmentative waves of adoption.
Эти наблюдаемые различия в уровнях успешности могут углубить неравенство на рынке труда. Экономисты давно отмечают потенциал skill-biased technological change: инноваций, которые повышают зарплаты высококвалифицированных работников и снижают их у остальных. Наш анализ в этом отчёте выделяет канал, через который такая skill-biased трансформация уже может разворачиваться: ранние пользователи с высококвалифицированными задачами получают более успешные взаимодействия с Claude, чем более поздние и менее технические пользователи. Эти ранние пользователи могут одновременно быть как самыми подверженными AI-driven disruption, так и наиболее выигрывающими от AI в этих начальных, augmentative волнах освоения.
Appendix
Приложение
Data availability
Доступность данных
Authors and acknowledgements
Авторы и благодарности
First author block*:
Первый авторский блок*:
Maxim Massenkoff, Eva Lyubich, Peter McCrory
Maxim Massenkoff, Eva Lyubich, Peter McCrory
*Lead authors of the report
*Ведущие авторы отчёта
Second author block:
Второй авторский блок:
Ruth Appel, Ryan Heller
Ruth Appel, Ryan Heller
Acknowledgements
Благодарности
Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark
Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark
Citation
Цитирование
@online{anthropic2026aeiv5, author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller}, title = {Anthropic Economic Index report: Learning curves}, date = {2026-03-24}, year = {2026}, url = {https://www.anthropic.com/research/economic-index-march-2026-report}, }
@online{anthropic2026aeiv5, author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller}, title = {Anthropic Economic Index report: Learning curves}, date = {2026-03-24}, year = {2026}, url = {https://www.anthropic.com/research/economic-index-march-2026-report}, }
Footnotes
Сноски
«First-party API», или 1P API, обозначает трафик разработчиков, идущий напрямую через собственный программный интерфейс Anthropic, что отличается как от потребительского приложения Anthropic Claude.ai, так и от сторонних платформ вроде Amazon Bedrock или Google Cloud Vertex.Сюда входят данные из Claude Code.Это число использует коды O*NET-SOC версии 2019 года, тогда как предыдущие отчёты использовали версию 2010 года.Падение разговоров про учебные задания составило 5 процентных пунктов в странах, где школьный семестр был активен, и 12 процентных пунктов в странах, где большинство студентов было на каникулах.Определения типов взаимодействия см. в Appendix.Например, задачу «Compute moisture or salt content, percentages of ingredients, formulas, or other product factors, using mathematical and chemical procedures.» выполняют только Food Science Technicians со средней зарплатой $26.15, так что это и есть ценность этой задачи. Источник данных для этого упражнения — May 2024 BLS Occupational Employment and Wage Statistics (OEWS) Tables. Когда несколько работников выполняют одну и ту же задачу, мы усредняем их зарплаты, взвешивая по занятости и доле времени, потраченного на задачу.Чтобы найти появляющиеся паттерны, мы отфильтровали задачи O*NET, которые (i) встречались не менее 300 раз в текущих данных и (ii) показали рост не менее чем в 2 раза по сравнению с предыдущим отчётом.Диапазон приведён, чтобы отразить разные оценки от запуска модели в нашем предыдущем отчёте с весами (5 лет) и без них (9 лет).В этом анализе мы используем данные log-уровня для оценки моделей с теми же порогами приватности. Подробнее о методологии см. в Appendix.Эти результаты схожи независимо от того, как мы определяем большой стаж.Наш период выборки совпал с релизом наших рекламных роликов на Super Bowl, которые привели множество впервые зарегистрировавшихся пользователей.
Related content
Связанные материалы
2028: Two scenarios for global AI leadership
2028: Два сценария глобального лидерства в AI
Our views on the AI competition between the US and China.
Наши взгляды на конкуренцию в AI между США и Китаем.
Teaching Claude why
Объясняя Claude «почему»
New research on how we've reduced agentic misalignment.
Новое исследование о том, как мы снизили агентное misalignment.
Natural Language Autoencoders: Turning Claude’s thoughts into text
Natural Language Autoencoders: превращение мыслей Claude в текст
AI models like Claude talk in words but think in numbers. In this study we train Claude to translate its thoughts into human-readable text.
AI-модели вроде Claude говорят словами, но думают числами. В этом исследовании мы обучаем Claude переводить свои мысли в читаемый человеком текст.