Anthropic Economic Index report: Economic primitives

Anthropic Economic Index report: Economic primitives

Отчёт Anthropic Economic Index: экономические примитивы

Introduction

Введение

How is AI reshaping the economy?

Как ИИ перестраивает экономику?

This report introduces new metrics of AI usage to provide a rich portrait of interactions with Claude in November 2025, just prior to the release of Opus 4.5. These “primitives”—simple, foundational measures of how Claude is used, which we generate by asking Claude specific questions about anonymized Claude.ai and first-party (1P) API transcripts—cover five dimensions relevant to AI’s economic impact: user and AI skills, how complex tasks are, the degree of autonomy afforded to Claude, how successful Claude is, and whether Claude is used for personal, educational, or work purposes.

В этом отчёте представлены новые метрики использования ИИ, дающие развёрнутую картину взаимодействий с Claude в ноябре 2025 года, непосредственно перед выпуском Opus 4.5. Эти «примитивы» — простые, базовые показатели того, как используется Claude, которые мы генерируем, задавая Claude конкретные вопросы об анонимизированных диалогах Claude.ai и собственного (1P) API — охватывают пять измерений, значимых для экономического воздействия ИИ: навыки пользователя и ИИ, сложность задач, степень автономии, предоставляемой Claude, успешность Claude, а также то, используется ли Claude в личных, образовательных или рабочих целях.

The results reveal striking geographic variation, real-world estimates of AI task horizons, and a basis for revised assessments of Claude's macroeconomic impact.

Результаты выявляют поразительные географические различия, реальные оценки горизонтов задач ИИ и основу для пересмотренных оценок макроэкономического влияния Claude.

The data we release alongside this report are the most comprehensive to date, covering five new dimensions of AI use, consumer and firm use, and country and region breakdowns for Claude.ai.

Данные, публикуемые вместе с этим отчётом, являются наиболее исчерпывающими на сегодняшний день: они охватывают пять новых измерений использования ИИ, потребительское и корпоративное использование, а также разбивку по странам и регионам для Claude.ai.

What has changed since our last report

Что изменилось с момента нашего прошлого отчёта

In the first chapter, we revisit findings from our previous Economic Index report published in September 2025. We find:

В первой главе мы возвращаемся к выводам нашего предыдущего отчёта Economic Index, опубликованного в сентябре 2025 года. Мы обнаружили следующее:

Использование Claude по-прежнему сконцентрировано на определённых задачах, большинство из которых связано с программированием Хотя мы наблюдаем более 3 000 уникальных рабочих задач на Claude.ai, 10 самых распространённых задач составляют 24% выборки диалогов — незначительный рост по сравнению с прошлым отчётом. Паттерны аугментации (диалоги, в которых пользователь учится, итеративно работает над задачей или получает обратную связь от Claude) немного превысили половину диалогов на Claude.ai. Напротив, автоматизированное использование по-прежнему доминирует в трафике 1P API, что отражает его программный характер.Глобальное использование остаётся устойчиво неравномерным, тогда как штаты США сближаютсяСША, Индия, Япония, Великобритания и Южная Корея лидируют по общему объёму использования Claude.ai. В мировом масштабе неравномерность внедрения по-прежнему хорошо объясняется ВВП на душу населения. Внутри США ключевую роль в формировании неравномерного внедрения играет состав рабочей силы: штаты с большей долей специалистов в области компьютерных и математических наук демонстрируют систематически более высокое использование Claude.

While substantial concentration remains, since our last report Claude usage has become noticeably more evenly distributed across US states. If sustained, usage per capita would be equalized across the country in 2-5 years.

Несмотря на сохраняющуюся значительную концентрацию, с момента нашего прошлого отчёта использование Claude стало заметно более равномерно распределённым между штатами США. Если эта тенденция сохранится, использование на душу населения выровняется по стране за 2–5 лет.

Introducing and analyzing our new economic primitives

Представление и анализ наших новых экономических примитивов

In the second chapter we discuss the motivation for and introduce our new economic primitives, including how they were selected and operationalized, and their limitations. We additionally present evidence that our primitives capture directionally accurate aspects of underlying usage patterns as compared to external benchmarks. In chapters three and four we use these primitives to further investigate implications for adoption and productivity. We find:

Во второй главе мы обсуждаем мотивацию и представляем наши новые экономические примитивы, включая то, как они были отобраны и операционализированы, а также их ограничения. Мы также приводим данные о том, что наши примитивы направленно точно отражают аспекты реальных паттернов использования по сравнению с внешними бенчмарками. В третьей и четвёртой главах мы используем эти примитивы для дальнейшего исследования последствий для внедрения и производительности. Мы обнаружили следующее:

Использование Claude диверсифицируется с ростом внедрения и доходов Хотя наиболее распространённое использование Claude — для работы, использование для учебных заданий наиболее высоко в странах с самым низким ВВП на душу населения, тогда как богатые страны демонстрируют самые высокие показатели личного использования. Это согласуется с простой историей кривой внедрения: ранние пользователи в менее развитых странах, как правило, являются техническими специалистами с конкретными высокоценными приложениями или используют Claude для обучения, тогда как зрелые рынки демонстрируют диверсификацию использования в сторону повседневных и личных целей.Claude успешно справляется с большинством задач, но хуже — с наиболее сложными Мы обнаружили, что Claude в целом успешно выполняет поставленные задачи, и что образовательный уровень его ответов, как правило, соответствует уровню ввода пользователя. Claude испытывает трудности с более сложными задачами: по мере увеличения времени, которое потребовалось бы человеку для выполнения задачи, процент успешности Claude снижается — подобно известным бенчмаркам, измеряющим самые длительные задачи, которые ИИ может надёжно выполнять.Подверженность профессий влиянию ИИ выглядит иначе с учётом процента успешности Мы также используем примитив процента успешности для лучшего понимания подверженности профессий влиянию ИИ, рассчитывая долю каждой профессии, которую Claude может выполнять, взвешивая охват задач как по проценту успешности, так и по важности каждой задачи в рамках профессии. Для некоторых профессий, таких как операторы ввода данных и архитекторы баз данных, Claude демонстрирует компетентность в значительной части работы.Claude используется для задач более высокой квалификации, чем в экономике в целом Задачи, которые мы наблюдаем при использовании Claude, как правило, требуют более высокого уровня образования, чем задачи в экономике в целом. Если предположить, что задачи с поддержкой ИИ сокращаются как доля обязанностей работника, их удаление оставит менее квалифицированную работу. Однако такое простое вытеснение задач не затронет «белых воротничков» одинаково — для одних профессий оно убирает наиболее квалифицированные задачи, для других — наименее квалифицированные. Без задач, которые, как мы наблюдаем, выполняет Claude, турагенты испытали бы деквалификацию, поскольку сложная работа по планированию уступает место рутинной покупке билетов и сбору платежей. Управляющие недвижимостью, напротив, испытали бы повышение квалификации, поскольку бухгалтерские задачи уступают место переговорам по контрактам и управлению заинтересованными сторонами.

A new window for understanding AI’s impact on the economy

Новое окно для понимания влияния ИИ на экономику

These results provide a new window into how AI is currently impacting the economy. Knowing the success rate of tasks gives a more accurate picture of which tasks might be automated, how impacted certain jobs might be, and how labor productivity will change. Measuring differential performance by user education sheds light on inequality effects.

Эти результаты открывают новое окно в то, как ИИ в настоящее время влияет на экономику. Знание процента успешности задач даёт более точную картину того, какие задачи могут быть автоматизированы, насколько затронуты определённые профессии и как изменится производительность труда. Измерение различий в производительности в зависимости от уровня образования пользователей проливает свет на эффекты неравенства.

Indeed, the close relationship between education levels in inputs and outputs signals that countries with higher educational attainment may be better positioned to benefit from AI, independent of adoption rates alone.

Действительно, тесная связь между уровнями образования во вводных данных и ответах сигнализирует о том, что страны с более высоким уровнем образования могут быть лучше подготовлены к извлечению выгоды из ИИ, независимо от одних лишь показателей внедрения.

This data release aims to enable researchers and the public to better understand the economic implications of AI and investigate the ways in which this transformative technology is already having an effect.

Цель этой публикации данных — дать возможность исследователям и широкой общественности лучше понять экономические последствия ИИ и изучить способы, которыми эта трансформационная технология уже оказывает влияние.

Chapter 1: What has changed since our last report

Глава 1: Что изменилось с момента нашего прошлого отчёта

Overview

Обзор

Because frontier AI model capabilities are improving rapidly and adoption has been swift, it is important to regularly take stock of changes in how people and businesses are using such systems—and what this usage implies for the broader economy.¹

Поскольку возможности передовых моделей ИИ стремительно улучшаются, а внедрение происходит быстро, важно регулярно оценивать изменения в том, как люди и компании используют такие системы — и что это использование означает для экономики в целом.1

In this chapter we analyze how Claude usage and diffusion patterns changed from August 2025 to November 2025 just prior to the release of Opus 4.5. We make four observations:

В этой главе мы анализируем, как паттерны использования и распространения Claude изменились с августа по ноябрь 2025 года, непосредственно перед выпуском Opus 4.5. Мы делаем четыре наблюдения:

Использование остаётся высоко сконцентрированным по задачам: Десять самых распространённых задач составляют 24% наблюдаемого использования на Claude.ai — рост с 23% в нашем прошлом отчёте. Для корпоративных клиентов собственного (1P) API концентрация по задачам выросла более заметно: десять самых распространённых задач теперь составляют 32% трафика — рост с 28% в прошлом отчёте.Аугментация вновь более распространена, чем автоматизация, на Claude.ai: В нашем предыдущем отчёте мы отмечали, что автоматизированное использование превысило аугментированное на Claude.ai, что, возможно, отражает как улучшение возможностей, так и большее знакомство пользователей с LLM. Данные за ноябрь 2025 года указывают на широкий сдвиг обратно к аугментированному использованию на Claude.ai: доля диалогов, классифицированных как аугментация, выросла на 5 п.п. до 52%, а доля автоматизации снизилась на 4 п.п. до 45%.2 Изменения продукта в этот период — включая возможности создания файлов, постоянную память и Skills для настройки рабочих процессов — могли сместить паттерны использования в сторону более совместных взаимодействий с участием человека.Внутри США штаты с более низким использованием демонстрируют относительно более быстрый рост внедрения Внутри США использование на душу населения по-прежнему во многом определяется тем, насколько рабочая сила соответствует общим паттернам использования Claude: например, штаты с большей долей работников в компьютерных и математических профессиях, как правило, имеют более высокое использование. Действительно, пять ведущих штатов США составляют почти половину (50%) всего использования, хотя представляют лишь 38% населения трудоспособного возраста. Тем не менее есть ранние признаки быстрой региональной конвергенции во внедрении: использование выросло относительно быстрее в штатах, которые имели более низкое использование в нашем прошлом отчёте. Если эта тенденция сохранится, использование на душу населения выровнялось бы по стране за 2–5 лет — темп распространения примерно в 10 раз быстрее, чем распространение экономически значимых технологий XX века.3 Хотя это согласуется с быстрым внедрением и распространением ИИ, эта оценка сопряжена с неопределённостью, поскольку основана на изменениях, наблюдавшихся за трёхмесячный период. Распространение может в конечном счёте происходить медленнее в предстоящие месяцы и годы.Глобальное использование не демонстрирует признаков усиления или ослабления региональной конвергенции В глобальном масштабе использование Claude на душу населения — как его отражает индекс Anthropic AI Usage Index (AUI) — остаётся крайне неравномерным и сильно коррелирует с ВВП. Эти разрывы стабильны: мы не видим свидетельств того, что страны с низким использованием догоняют или что страны с высоким использованием отрываются.

Shifting patterns of usage across tasks and associated occupations

Изменяющиеся паттерны использования по задачам и связанным профессиям

Even though frontier LLMs have an impressive range of capabilities relevant to every facet of the modern economy, Claude usage remains very concentrated among a small number of tasks. As compared to nearly one year ago, consumer usage on Claude.ai is modestly more concentrated: The share of conversations assigned to the ten most prevalent O*NET tasks was 24% in November 2025, 1pp higher than in August and up from 21% in January 2025. The most prevalent task in November 2025—modifying software to correct errors—alone represented 6% of usage.

Несмотря на впечатляющий диапазон возможностей передовых LLM, релевантных для каждого аспекта современной экономики, использование Claude остаётся очень сконцентрированным среди небольшого числа задач. По сравнению с периодом почти годовой давности, потребительское использование на Claude.ai стало немного более сконцентрированным: доля диалогов, отнесённых к десяти наиболее распространённым задачам O*NET, составила 24% в ноябре 2025 года — на 1 п.п. выше, чем в августе, и рост с 21% в январе 2025 года. Самая распространённая задача в ноябре 2025 года — модификация программного обеспечения для исправления ошибок — одна составила 6% использования.

In our last Anthropic Economic Index Report we began tracking business adoption patterns by studying Claude usage among 1P API customers. The ten most common tasks grew from 28% of API records in August to 32% in November. Rising concentration among a small set of tasks suggests the highest-value applications continue to generate outsized economic value even as models have become more capable at a wider range of tasks. As with Claude.ai the most common task among API customers was modifying software to correct errors, which accounted for one in ten records.

В нашем прошлом отчёте Anthropic Economic Index мы начали отслеживать паттерны бизнес-внедрения, изучая использование Claude среди клиентов 1P API. Десять самых распространённых задач выросли с 28% записей API в августе до 32% в ноябре. Рост концентрации среди небольшого набора задач свидетельствует о том, что приложения с наибольшей ценностью продолжают генерировать непропорционально высокую экономическую отдачу, даже несмотря на то, что модели стали более способными в более широком диапазоне задач. Как и на Claude.ai, самой распространённой задачей среди клиентов API была модификация программного обеспечения для исправления ошибок, на которую приходилась каждая десятая запись.

Indeed, computer and mathematical tasks—like modifying software to correct errors—continue to dominate Claude usage overall, representing a third of conversations on Claude.ai and nearly half of 1P API traffic. Such dominance has subsided on Claude.ai: the share of conversations on Claude.ai assigned to such (mostly) coding-related tasks is down from a peak of 40% in March 2025 to 34% in November 2025. At the same time, the share of transcripts assigned to computer and mathematical tasks among 1P API traffic edged higher from 44% in August to 46% in November 2025 (Figure 1.2).

Действительно, задачи из области компьютерных и математических наук — такие как модификация программного обеспечения для исправления ошибок — продолжают доминировать в общем использовании Claude, составляя треть диалогов на Claude.ai и почти половину трафика 1P API. Такое доминирование ослабло на Claude.ai: доля диалогов на Claude.ai, отнесённых к таким (преимущественно) связанным с кодингом задачам, снизилась с пикового значения 40% в марте 2025 года до 34% в ноябре 2025 года. В то же время доля записей, отнесённых к компьютерным и математическим задачам, в трафике 1P API немного выросла — с 44% в августе до 46% в ноябре 2025 года (Рисунок 1.2).

The second largest share of Claude.ai usage in November 2025 was in the Educational Instruction and Library category. This corresponds mostly to help with coursework and review, and the development of instructional materials. Such usage has risen steadily since our first report, up from 9% of conversations on Claude.ai in January 2025 to 15% in November.

Второй по величине категорией использования Claude.ai в ноябре 2025 года стала категория «Образовательное обучение и библиотечное дело». Она в основном соответствует помощи с учебными заданиями и проверкой, а также разработке учебных материалов. Такое использование неуклонно росло с нашего первого отчёта — с 9% диалогов на Claude.ai в январе 2025 года до 15% в ноябре.

The share of usage on Claude.ai for Arts, Design, Entertainment, Sports, and Media tasks increased between August and November 2025 as Claude was used in a growing share of conversations for writing tasks, primarily copyediting and the writing and refinement of fictional pieces. This jump in the prevalence of design- and writing-related tasks reversed a steady decline across earlier reports. For both Claude.ai and API customers, there was a drop in the share of conversations/transcripts where Claude was used for Life, Physical, and Social Science-related tasks.

Доля использования Claude.ai для задач в области искусства, дизайна, развлечений, спорта и медиа выросла между августом и ноябрём 2025 года, поскольку Claude использовался во всё большей доле диалогов для задач написания текстов, прежде всего корректуры и написания и доработки художественных произведений. Этот скачок в распространённости задач, связанных с дизайном и письмом, обратил вспять устойчивое снижение в предыдущих отчётах. Как для Claude.ai, так и для клиентов API произошло снижение доли диалогов/записей, в которых Claude использовался для задач, связанных с науками о жизни, физическими и социальными науками.

Perhaps the most notable development for API customers was the increase in the share of transcripts associated with Office and Administrative Support related tasks, which rose 3pp in August to 13% in November 2025. Because API use is automation-dominant, this suggests that businesses are increasingly using Claude to automate routine back-office workflows such as email management, document processing, customer relationship management, and scheduling.⁴

Пожалуй, наиболее заметным событием для клиентов API стал рост доли записей, связанных с задачами офисной и административной поддержки, которая выросла на 3 п.п. в августе до 13% в ноябре 2025 года. Поскольку использование API доминирует в автоматизации, это свидетельствует о том, что предприятия всё чаще используют Claude для автоматизации рутинных бэк-офисных процессов — таких как управление электронной почтой, обработка документов, управление взаимоотношениями с клиентами и планирование.4

Augmentation is again dominant on Claude.ai

Аугментация снова доминирует на Claude.ai

How AI will affect the economy depends not just on the tasks Claude is used for but the way that users access and engage underlying model capabilities. Since our first report, we have classified conversations into one of five interaction types, which we group into two broader categories: automation and augmentation.⁵

Влияние ИИ на экономику зависит не только от задач, для которых используется Claude, но и от способа, которым пользователи получают доступ к возможностям модели и используют их. С нашего первого отчёта мы классифицируем диалоги по одному из пяти типов взаимодействия, которые группируем в две более широкие категории: автоматизация и аугментация.5

Figure 1.3 plots how automated versus augmented use has evolved over time since we first started collecting this data one year ago. In January 2025, augmented use of Claude was dominant: 56% of conversations were classified as augmentation compared to 41% automated.⁶ In August 2025, more conversations were classified as automated as compared to augmented.

Рисунок 1.3 показывает, как автоматизированное и аугментированное использование эволюционировало с момента, когда мы впервые начали собирать эти данные год назад. В январе 2025 года аугментированное использование Claude доминировало: 56% диалогов были классифицированы как аугментация по сравнению с 41% автоматизации.6 В августе 2025 года больше диалогов было классифицировано как автоматизированные по сравнению с аугментированными.

This was a notable development since it suggested that rapid improvements in model capabilities and platform functionality coincided with users increasingly delegating tasks entirely to Claude. This was evident in the “directive” collaboration mode, which is further grouped as automation. Directive conversations are those in which users give Claude a task and it completes it with minimal back-and-forth. From January 2025 to August 2025 the share of such directive conversations rose from 27% to 39%.⁷

Это было заметным событием, поскольку свидетельствовало о том, что быстрое улучшение возможностей моделей и функциональности платформы совпало с тем, что пользователи всё чаще полностью делегировали задачи Claude. Это было особенно заметно в «директивном» режиме совместной работы, который далее группируется как автоматизация. Директивные диалоги — это те, в которых пользователи ставят Claude задачу и он выполняет её с минимальным обменом сообщениями. С января 2025 по август 2025 года доля таких директивных диалогов выросла с 27% до 39%.7

Three months later, the share of directive conversations had fallen 7pp to 32% in November 2025 as augmentation once again became more prevalent on Claude.ai than automation. Nevertheless, the automation share was still elevated as compared to nearly one year ago when we first began tracking this measure, suggesting that the underlying trend is still toward greater automation even as the August spike overstated how quickly it was materializing.

Три месяца спустя доля директивных диалогов снизилась на 7 п.п. до 32% в ноябре 2025 года, а аугментация вновь стала более распространённой на Claude.ai, чем автоматизация. Тем не менее доля автоматизации всё ещё была повышена по сравнению с периодом почти годовой давности, когда мы впервые начали отслеживать этот показатель, что свидетельствует о том, что основной тренд по-прежнему направлен в сторону большей автоматизации, даже если августовский всплеск переоценил, насколько быстро это происходило.

While we see some evidence of a shift toward soft skill usage on Claude.ai with design, management, and education now higher, the shift back toward augmented use was broad-based in November (Figure 1.4). The rise in augmented use was driven mainly by users iterating with Claude to complete tasks (“task iteration”) rather than asking Claude to explain concepts (“learning”). See Figure 1.5 for common words associated with the three most common interaction modes across O*NET tasks and bottom-up descriptions of requests made of Claude.

Хотя мы наблюдаем некоторые свидетельства сдвига в сторону использования мягких навыков на Claude.ai — дизайн, менеджмент и образование теперь занимают более высокие позиции — сдвиг обратно к аугментированному использованию в ноябре был широким (Рисунок 1.4). Рост аугментированного использования был обусловлен главным образом итеративной работой пользователей с Claude над задачами («итерация задач»), а не просьбами объяснить концепции («обучение»). См. Рисунок 1.5 для наиболее частых слов, ассоциированных с тремя наиболее распространёнными режимами взаимодействия по задачам O*NET и описаниями запросов к Claude, сделанными снизу вверх.

Persistent regional concentration

Устойчивая региональная концентрация

In our previous report, we introduced the Anthropic AI Usage Index (AUI), a measure of whether Claude is over- or underrepresented in a given geography relative to the size of its working-age population. The AUI is defined as

В нашем предыдущем отчёте мы представили индекс Anthropic AI Usage Index (AUI) — показатель того, является ли Claude сверх- или недопредставленным в данной географии относительно размера её населения трудоспособного возраста. AUI определяется как

An AUI above 1 indicates that a country uses Claude more intensively than its population alone would predict, while an AUI below 1 indicates lower-than-expected usage. For example, Denmark has an AUI of 2.1, meaning its residents use Claude at roughly twice the rate its share of the global working-age population would suggest.

AUI выше 1 означает, что страна использует Claude интенсивнее, чем предсказывало бы одно лишь её население, тогда как AUI ниже 1 указывает на использование ниже ожидаемого. Например, Дания имеет AUI 2,1 — это означает, что её жители используют Claude примерно вдвое чаще, чем можно было бы предположить исходя из её доли в мировом населении трудоспособного возраста.

A key fact about Claude usage globally is that it is geographically concentrated: a small number of countries comprise an outsized share of use. From a global perspective, little changed in this respect between August and November 2025. Indeed, the left panel of Figure 1.6 shows that the AUI concentration across countries was essentially unchanged between our last report and this report.

Ключевой факт об использовании Claude в мире состоит в том, что оно географически сконцентрировано: небольшое число стран составляет непропорционально большую долю использования. С глобальной точки зрения между августом и ноябрём 2025 года в этом отношении мало что изменилось. Действительно, левая панель Рисунка 1.6 показывает, что концентрация AUI по странам была практически неизменной между нашим прошлым и настоящим отчётами.

By contrast, usage became more evenly distributed across US states from August to November 2025: the Gini coefficient, a standard measure of equality, fell from 0.37 to 0.32. While it is important to exercise caution in interpreting short-run changes, this is a relatively large change toward perfect equality in which the AUI is equal to 1 for all states with a Gini coefficient of 0. If the Gini coefficient for the US again falls by 0.05 every three months, then parity of usage would be reached in roughly two years.

Напротив, использование стало более равномерно распределённым между штатами США с августа по ноябрь 2025 года: коэффициент Джини — стандартная мера равенства — снизился с 0,37 до 0,32. Хотя важно проявлять осторожность в интерпретации краткосрочных изменений, это относительно большое движение к совершенному равенству, при котором AUI равен 1 для всех штатов, а коэффициент Джини равен 0. Если коэффициент Джини для США снова будет снижаться на 0,05 каждые три месяца, то паритет использования будет достигнут примерно через два года.

What shapes patterns of usage within the US and around the world? In our previous report we emphasized the key role played by income differences globally: Variation in Claude usage across countries is largely accounted for by variation in GDP per capita. In Chapter 3 we revisit the importance of income in shaping not just usage intensity but also patterns of usage around the world.

Что формирует паттерны использования внутри США и по всему миру? В нашем предыдущем отчёте мы подчёркивали ключевую роль различий в доходах на глобальном уровне: вариация в использовании Claude по странам в значительной мере объясняется вариацией ВВП на душу населения. В главе 3 мы возвращаемся к важности дохода в формировании не только интенсивности использования, но и паттернов использования по всему миру.

Within the US, income is less clearly a predictor of usage. Instead, what appears to matter most is the composition of each state’s workforce and how well-matched the workforce is to Claude capabilities as reflected in task-level usage. States that have a higher share of workers in computer and mathematical occupations—like Washington D.C., Virginia, and Washington—tend to have higher usage per capita. Quantitatively, each 1% increase in the share of such tech workers in a state is associated with 0.36% higher usage per capita (Figure 1.7). This alone accounts for nearly two-thirds of the cross-state variation in AUI.

Внутри США доход менее явно является предиктором использования. Вместо этого наиболее важным представляется состав рабочей силы каждого штата и то, насколько рабочая сила соответствует возможностям Claude, отражённым в использовании на уровне задач. Штаты с более высокой долей работников в компьютерных и математических профессиях — такие как Вашингтон, округ Колумбия, Вирджиния и Вашингтон — как правило, имеют более высокое использование на душу населения. Количественно каждое увеличение на 1% доли таких технических работников в штате связано с 0,36% более высоким использованием на душу населения (Рисунок 1.7). Только это объясняет почти две трети межштатной вариации AUI.

While we would intuitively expect Claude usage to be higher in states with more tech workers, this pattern holds more generally: Usage per capita is higher in states with more workers in occupations where Claude usage is overrepresented as compared to the US workforce (e.g., Arts, Design, Entertainment, Sports and Media) or with relatively fewer workers in occupations where Claude usage is low as compared to the national economy (e.g., Transportation and Material Moving). This can be seen by calculating the Kullback–Leibler (KL) divergence between the composition of each state’s workforce and the global composition of Claude usage. States with a lower KL divergence—and thus with a workforce that looks more similar to Claude usage patterns—tend to have higher usage per capita.

Хотя мы интуитивно ожидали бы более высокого использования Claude в штатах с большим количеством технических работников, этот паттерн действует более широко: использование на душу населения выше в штатах с большим числом работников в профессиях, где использование Claude сверхпредставлено по сравнению с рабочей силой США (например, искусство, дизайн, развлечения, спорт и медиа), или с относительно меньшим числом работников в профессиях, где использование Claude низкое по сравнению с национальной экономикой (например, транспортировка и перемещение грузов). Это видно при расчёте дивергенции Кульбака–Лейблера (KL) между составом рабочей силы каждого штата и глобальным распределением использования Claude. Штаты с меньшей KL-дивергенцией — и, следовательно, с рабочей силой, более похожей на паттерны использования Claude — как правило, имеют более высокое использование на душу населения.

Signs of faster Claude diffusion in the US among low usage states

Признаки более быстрого распространения Claude в США среди штатов с низким использованием

While differences in workforce composition appear to play a role in shaping regional adoption within the US, early evidence suggests Claude is diffusing considerably faster than historical precedent would predict. Economically consequential technologies have historically taken around half a century to achieve full diffusion across the US (Kalanyi et al., 2025). By contrast, comparing Claude adoption rates in November 2025 to three months prior, we estimate that parity in adoption per capita across US states—as measured by the AUI—could be reached within 2–5 years. This estimate comes with a high degree of uncertainty as the precision of our estimates cannot rule out much slower rates of diffusion.

Хотя различия в составе рабочей силы, по-видимому, играют роль в формировании регионального внедрения в США, ранние данные свидетельствуют о том, что Claude распространяется значительно быстрее, чем предсказывали бы исторические прецеденты. Экономически значимым технологиям исторически требовалось около полувека для полного распространения по территории США (Kalanyi et al., 2025). Напротив, сравнивая показатели внедрения Claude в ноябре 2025 года с данными трёхмесячной давности, мы оцениваем, что паритет во внедрении на душу населения по штатам США — измеренный по AUI — может быть достигнут в течение 2–5 лет. Эта оценка сопряжена с высокой степенью неопределённости, поскольку точность наших оценок не позволяет исключить значительно более медленные темпы распространения.

We generate this estimate through the lens of a simple model of diffusion, which we briefly describe here. We model diffusion as proportional convergence toward a common steady state of equalized usage per capita in which each state s has an AUI equal to 1:

Мы получаем эту оценку через призму простой модели распространения, которую здесь кратко описываем. Мы моделируем распространение как пропорциональную конвергенцию к общему стационарному состоянию выровненного использования на душу населения, при котором каждый штат s имеет AUI, равный 1:

Under this model, the log deviation of AUI from steady state (AUI = 1) shrinks by a factor of β every three months, implying a half-life of ln(.5)/ln(β) quarters. For example, with quarterly data a value of β = 0.99 implies a half-life of about 17 years. To illustrate, starting from an initial AUI of 2, this means AUI would decline to around 1.4 after 17 years and to around 1.1 after 50 years. We take β = 0.99 as a sensible benchmark because it implies a pace of diffusion similar to economically consequential technologies in the 20th century.

В рамках этой модели логарифмическое отклонение AUI от стационарного состояния (AUI = 1) сокращается на множитель β каждые три месяца, что подразумевает период полураспада ln(.5)/ln(β) кварталов. Например, при квартальных данных значение β = 0,99 подразумевает период полураспада около 17 лет. Для иллюстрации: начиная с исходного AUI, равного 2, это означает, что AUI снизится примерно до 1,4 через 17 лет и примерно до 1,1 через 50 лет. Мы принимаем β = 0,99 как разумный ориентир, поскольку он подразумевает темп распространения, аналогичный экономически значимым технологиям XX века.

This model of convergence motivates the following regression specification⁸:

Эта модель конвергенции мотивирует следующую регрессионную спецификацию8:

Naively estimating this equation by ordinary least squares (OLS) yields an estimate of β̂ ≈ 0.77. Weighted least squares (WLS) where we weight by each state’s workforce yields an estimate of β̂ ≈ 0.76 (Figure 1.8). Both are statistically distinguishable from 1 at conventional levels. Taken at face value, these estimates imply that it would take little more than two years for each state's AUI to close most of the gap to 1.

Наивная оценка этого уравнения методом обычных наименьших квадратов (OLS) даёт оценку β̂ ≈ 0,77. Взвешенный метод наименьших квадратов (WLS) с весами по рабочей силе каждого штата даёт оценку β̂ ≈ 0,76 (Рисунок 1.8). Оба значения статистически отличимы от 1 на стандартных уровнях значимости. При буквальном восприятии эти оценки подразумевают, что чуть более двух лет потребуется каждому штату, чтобы AUI закрыл большую часть разрыва до 1.

A concern with estimating convergence this way is that our AUI estimates are subject to sampling noise and other variation unrelated to diffusion. This can produce classical attenuation bias: even if AUI is not actually changing, our estimate of β could end up meaningfully below one.

Проблема при оценке конвергенции таким способом состоит в том, что наши оценки AUI подвержены шуму выборки и другим вариациям, не связанным с распространением. Это может порождать классическое смещение ослабления: даже если AUI на самом деле не меняется, наша оценка β может оказаться существенно ниже единицы.

To address this, we estimate the model by two-stage least squares (2SLS), instrumenting the log of AUI in August 2025 with the composition of each state's workforce, measured by its proximity to overall Claude usage patterns. The logic behind this instrument is that workforce composition is a strong predictor of Claude usage (relevance) but being measured independently, is expected to be uncorrelated with sampling noise in our AUI estimates (validity). As noted above, states with more workers in high-Claude-usage roles do tend to have systematically higher usage per capita.

Для решения этой проблемы мы оцениваем модель методом двухшагового наименьших квадратов (2SLS), инструментируя логарифм AUI в августе 2025 года составом рабочей силы каждого штата, измеренным по его близости к общим паттернам использования Claude. Логика этого инструмента состоит в том, что состав рабочей силы является сильным предиктором использования Claude (релевантность), но, будучи измеренным независимо, предположительно не коррелирует с шумом выборки в наших оценках AUI (валидность). Как отмечалось выше, штаты с большим числом работников в профессиях с высоким использованием Claude действительно систематически демонстрируют более высокое использование на душу населения.

The 2SLS estimates imply modestly slower convergence: β̂ ≈ 0.89 unweighted and β̂ ≈ 0.86 when weighting by each state’s working-age population. However, these estimates are less precise, and only the former is statistically distinguishable from 1 at the 10% level. Despite implying a slower convergence than OLS, the 2SLS estimates still imply rapid diffusion: just four to five years for the log deviation of each state's AUI to shrink by 90%.

Оценки 2SLS подразумевают несколько более медленную конвергенцию: β̂ ≈ 0,89 без взвешивания и β̂ ≈ 0,86 при взвешивании по населению трудоспособного возраста каждого штата. Однако эти оценки менее точны, и только первая статистически отличима от 1 на 10%-ном уровне. Несмотря на то что оценки 2SLS подразумевают более медленную конвергенцию, чем OLS, они всё равно свидетельствуют о быстром распространении: всего четыре-пять лет для сокращения логарифмического отклонения AUI каждого штата на 90%.

That said, our estimates are based on just three months of data. And while the 2SLS specification may help address sampling noise, considerable uncertainty remains. We will revisit this question of the pace of diffusion in future reports.

Тем не менее наши оценки основаны лишь на трёх месяцах данных. И хотя спецификация 2SLS может помочь решить проблему шума выборки, значительная неопределённость сохраняется. Мы вернёмся к вопросу о темпах распространения в будущих отчётах.

¹ As with previous reports, all our analysis is based on privacy-preserving analysis. Throughout the report we analyze a random sample of 1M conversations from Claude.ai Free, Pro and Max conversations (we also refer to this as “consumer data” since it mostly represents consumer use) and 1M transcripts from our first-party (1P) API traffic (we also refer to this as “enterprise data” since it mostly represents enterprise use). Both samples come from November 13, 2025 to November 20, 2025. We continue to manage data according to our privacy and retention policies, and our analysis is consistent with our terms, policies, and contractual agreements. For 1P API data, each record is a prompt-response pair from our sample period which in some instances is mid-session for multi-turn interactions.

1 Как и в предыдущих отчётах, весь наш анализ основан на анализе с сохранением конфиденциальности. В отчёте мы анализируем случайную выборку из 1 млн диалогов Claude.ai уровней Free, Pro и Max (мы также называем это «потребительскими данными», поскольку они в основном представляют потребительское использование) и 1 млн записей из нашего собственного (1P) API-трафика (мы также называем это «корпоративными данными», поскольку они в основном представляют корпоративное использование). Обе выборки охватывают период с 13 по 20 ноября 2025 года. Мы продолжаем управлять данными в соответствии с нашими политиками конфиденциальности и хранения данных, и наш анализ согласуется с нашими условиями, политиками и договорными соглашениями. Для данных 1P API каждая запись представляет собой пару «запрос-ответ» из нашего периода выборки, которая в некоторых случаях является серединой сессии для многоходовых взаимодействий.

² The share of conversations on Claude.ai that were classified into neither automation nor augmentation categories fell from 3.9% to 3.0%.

2 Доля диалогов на Claude.ai, не классифицированных ни в категорию автоматизации, ни в категорию аугментации, снизилась с 3,9% до 3,0%.

³ See, for example, Kalanyi et al (2025): “Second, as the technologies mature and the number of related jobs grows, hiring spreads geographically. This process is very slow, taking around 50 years to disperse fully.”

3 См., например, Kalanyi et al (2025): «Во-вторых, по мере развития технологий и роста числа связанных с ними рабочих мест найм распространяется географически. Этот процесс очень медленный — полное распространение занимает около 50 лет».

⁴ With our bottom-up analysis of 1P API traffic we see Claude used to "Generate personalized B2B cold sales emails" (0.47%), "Analyze emails and draft replies for business correspondence" (0.28%), "Build and maintain invoice processing systems" (0.24%), "Classify and categorize emails into predefined labels" (0.23%), and "Manage calendar scheduling, meeting coordination, and appointment booking" (0.16%).

4 В нашем анализе трафика 1P API снизу вверх мы видим, что Claude используется для «Генерации персонализированных B2B cold-email для продаж» (0,47%), «Анализа электронных писем и подготовки ответов на деловую переписку» (0,28%), «Создания и поддержки систем обработки счетов» (0,24%), «Классификации и категоризации электронных писем по заданным меткам» (0,23%) и «Управления планированием календаря, координацией встреч и бронированием» (0,16%).

⁵ At a high level, we distinguish between automation and augmentation modes of using Claude. Automation encompasses interaction patterns focused on task completion: Directive: Users give Claude a task and it completes it with minimal back-and-forth; Feedback Loops: Users automate tasks and provide feedback to Claude as needed; Augmentation focuses on collaborative interaction patterns: Learning: Users ask Claude for information or explanations about various topics; Task Iteration: Users iterate on tasks collaboratively with Claude; Validation: Users ask Claude for feedback on their work.

5 На высоком уровне мы различаем автоматизацию и аугментацию как режимы использования Claude. Автоматизация охватывает паттерны взаимодействия, ориентированные на выполнение задач: Директивный: пользователи ставят Claude задачу, и он выполняет её с минимальным обменом сообщениями; Циклы обратной связи: пользователи автоматизируют задачи и предоставляют обратную связь Claude по мере необходимости; Аугментация сосредоточена на паттернах совместного взаимодействия: Обучение: пользователи спрашивают Claude об информации или объяснениях по различным темам; Итерация задач: пользователи итеративно работают над задачами совместно с Claude; Валидация: пользователи просят Claude дать обратную связь по их работе.

⁶ These interaction modes are not mutually exhaustive. In some instances, Claude determines that a sampled conversation does not match any of the five interaction modes.

6 Эти режимы взаимодействия не являются взаимоисчерпывающими. В некоторых случаях Claude определяет, что выбранный диалог не соответствует ни одному из пяти режимов взаимодействия.

⁷ In this report we use Sonnet 4.5 for classification whereas in our previous Economic Index report we used Sonnet 4. We previously found that different models can generate different classification outcomes, though these effects tend to be modest.

7 В данном отчёте мы используем Sonnet 4.5 для классификации, тогда как в нашем предыдущем отчёте Economic Index мы использовали Sonnet 4. Ранее мы обнаружили, что разные модели могут давать разные результаты классификации, хотя эти эффекты, как правило, невелики.

⁸ We include a constant term in the regression since it should be equal to zero under the null hypothesis. Across all our specifications, the constant term is estimated to be close to and statistically indistinguishable from zero.

8 Мы включаем константу в регрессию, поскольку она должна быть равна нулю при нулевой гипотезе. Во всех наших спецификациях константа оценивается как близкая к нулю и статистически неотличимая от нуля.

Chapter 2: Introducing economic primitives

Глава 2: Представление экономических примитивов

The strength of the Anthropic Economic Index lies in showing not only how much AI is used, but how it is used. In prior reports, we showed which tasks Claude is used for, and how people collaborate with Claude. These data have enabled external researchers to analyze labor market shifts (e.g., Brynjolfsson, Chandar & Chen, 2025).

Сила Anthropic Economic Index заключается в том, что он показывает не только сколько ИИ используется, но и как он используется. В предыдущих отчётах мы показали, для каких задач используется Claude и как люди сотрудничают с Claude. Эти данные позволили внешним исследователям анализировать сдвиги на рынке труда (например, Brynjolfsson, Chandar & Chen, 2025).

In this edition of the Anthropic Economic Index, we expand the breadth of data available to external researchers by providing insights on five economic “primitives”, by which we mean simple, foundational measures of the ways that Claude is used, which we generate by asking Claude to answer specific questions about the anonymized transcripts in our sample. Some of our primitives encompass several such questions, and others use a single indicator.

В этом выпуске Anthropic Economic Index мы расширяем объём данных, доступных внешним исследователям, предоставляя аналитику по пяти экономическим «примитивам» — под которыми мы подразумеваем простые, базовые показатели способов использования Claude, генерируемые путём того, что мы просим Claude ответить на конкретные вопросы об анонимизированных записях в нашей выборке. Некоторые наши примитивы охватывают несколько таких вопросов, другие используют один показатель.

Because AI capabilities are advancing so rapidly and the economic effects will be unevenly experienced, we need a breadth of signals to uncover not just how Claude is used but also to inform what impact this technology will have.

Поскольку возможности ИИ развиваются столь стремительно, а экономические эффекты будут неравномерными, нам необходим широкий набор сигналов, чтобы выявить не только то, как используется Claude, но и какое воздействие окажет эта технология.

Dimensions of AI use that matter for economic impacts

Измерения использования ИИ, важные для экономического воздействия

This report introduces five new economic primitives beyond the one we already measure, collaboration patterns (whether users automate or augment their tasks with Claude). These primitives capture five dimensions of a human-AI conversation: 1) task complexity, 2) human and AI skills, 3) work, coursework or personal use case, 4) the AI’s level of autonomy, and 5) task success (see Table 2.1). AI autonomy captures something different from our existing automation/augmentation distinction. For example, “Translate this paragraph into French” is high automation (directive, minimal back-and-forth) but low AI autonomy (the task requires little decision-making from Claude).

В этом отчёте представлены пять новых экономических примитивов помимо того, который мы уже измеряем, — паттернов сотрудничества (автоматизируют или аугментируют пользователи свои задачи с помощью Claude). Эти примитивы охватывают пять измерений диалога «человек — ИИ»: 1) сложность задачи, 2) навыки человека и ИИ, 3) рабочий, учебный или личный сценарий использования, 4) уровень автономии ИИ и 5) успешность задачи (см. Таблицу 2.1). Автономия ИИ фиксирует нечто отличное от нашего существующего разделения на автоматизацию/аугментацию. Например, «Переведи этот абзац на французский» — это высокая автоматизация (директивный режим, минимальный обмен сообщениями), но низкая автономия ИИ (задача требует от Claude минимума принятия решений).

Task complexity captures that tasks can vary in their complexity, including how long they take to complete and how difficult they are. A "debugging" task in O*NET could refer to Claude fixing a small error in a function or comprehensively refactoring a codebase—with very different implications for labor demand. We measure complexity through estimated human time to complete tasks without AI, time spent completing tasks with AI, and whether users handle multiple tasks within a single conversation.

Сложность задачи отражает то, что задачи могут различаться по сложности, включая время выполнения и трудность. Задача «отладка» в O*NET может означать как исправление Claude небольшой ошибки в функции, так и комплексный рефакторинг кодовой базы — с совершенно разными последствиями для спроса на труд. Мы измеряем сложность через оценочное время выполнения задачи человеком без ИИ, время выполнения с ИИ и то, решает ли пользователь несколько задач в рамках одного диалога.

Human and AI skills address how automation interacts with skill levels. If AI disproportionately substitutes for tasks requiring less expertise while complementing higher-skilled work, it could be another form of skill-biased technical change—increasing demand for highly skilled workers while displacing lower skilled workers. We measure whether users could have completed tasks without Claude, and the years of education needed to understand both user prompts and Claude's responses.

Навыки человека и ИИ описывают, как автоматизация взаимодействует с уровнем квалификации. Если ИИ непропорционально замещает задачи, требующие меньшей экспертизы, при этом дополняя более квалифицированную работу, это может стать ещё одной формой технологического сдвига в пользу квалифицированного труда — увеличивая спрос на высококвалифицированных работников при вытеснении менее квалифицированных. Мы измеряем, мог ли пользователь выполнить задачу без Claude, и число лет образования, необходимых для понимания как запросов пользователя, так и ответов Claude.

Use case distinguishes professional, educational, and personal use. Labor market effects most directly follow from workplace use, while educational use may signal where the future workforce is building AI-complementary skills.

Сценарий использования разграничивает профессиональное, образовательное и личное использование. Последствия для рынка труда наиболее непосредственно вытекают из рабочего использования, тогда как образовательное использование может сигнализировать о том, где будущая рабочая сила формирует навыки, дополняющие ИИ.

AI autonomy measures the degree to which users delegate decision-making to Claude. Our latest report documented rising "directive" use where users delegate tasks entirely. Tracking autonomy levels—from active collaboration to full delegation—helps forecast the pace of automation.

Автономия ИИ измеряет степень, в которой пользователи делегируют принятие решений Claude. Наш последний отчёт зафиксировал рост «директивного» использования, при котором пользователи полностью делегируют задачи. Отслеживание уровней автономии — от активного сотрудничества до полного делегирования — помогает прогнозировать темпы автоматизации.

Task success measures Claude’s assessment of whether Claude completes tasks successfully. Task success helps assess whether tasks can be automated effectively (can a task be automated at all?) and efficiently (how many attempts would it take to automate a task?). That is, task success matters for both the feasibility and the cost of automation labor tasks.

Успешность задачи измеряет оценку Claude того, успешно ли Claude выполняет задачи. Успешность задачи помогает оценить, могут ли задачи быть эффективно автоматизированы (можно ли вообще автоматизировать задачу?) и экономично (сколько попыток потребуется для автоматизации задачи?). Таким образом, успешность задачи важна как для осуществимости, так и для стоимости автоматизации трудовых задач.

Selecting and validating the new measures

Отбор и валидация новых метрик

The new dimensions of AI use captured in our data were informed by our recent work on the productivity effects of Claude, feedback we received from external researchers, recent literature on AI’s economic impact through the lens of human capital and expertise (Vendraminell et al., 2025), and deliberation within our economic research team. Our main selection criteria were expected economic relevance, complementarity of dimensions, and whether Claude could classify conversations along that dimension with directional accuracy.

Новые измерения использования ИИ, зафиксированные в наших данных, были сформированы нашей недавней работой по оценке влияния Claude на производительность, обратной связью от внешних исследователей, современной литературой об экономическом воздействии ИИ через призму человеческого капитала и экспертизы (Vendraminell et al., 2025), а также обсуждениями в нашей команде экономических исследований. Наши основные критерии отбора — ожидаемая экономическая значимость, комплементарность измерений и способность Claude классифицировать диалоги по данному измерению с направленной точностью.

We propose that multiple simple primitives, even if somewhat noisy and not perfectly accurate by themselves, can together provide important signals on how AI is being used. We therefore mainly tested for directional accuracy.

Мы полагаем, что множество простых примитивов, даже если они по отдельности несколько зашумлены и не идеально точны, вместе могут предоставить важные сигналы о том, как используется ИИ. Поэтому мы в основном тестировали направленную точность.

For classifying task duration with and without AI, we used minimally modified versions of our prior productivity work. For net new classifiers¹, implemented via our privacy-preserving tooling, our validation process was as follows. We designed multiple potential measures to capture concepts such as task complexity. For Claude.ai, we evaluated the classifier performance compared to a human researcher on a small set of transcripts in which users gave feedback to Claude.ai and for which we thus have permission to look at underlying transcripts. For first-party API (1P API) data, we validate the classifiers using a mix of internal and synthetic data. Neither data sources are fully representative of Claude.ai or 1P API traffic, but they allow us to check that the classifiers are working on data that resembles real usage data, while ensuring privacy.

Для классификации длительности задач с ИИ и без мы использовали минимально модифицированные версии нашей предыдущей работы по производительности. Для новых классификаторов1, реализованных с помощью нашего инструментария с сохранением конфиденциальности, процесс валидации был следующим. Мы разработали несколько потенциальных метрик для фиксации таких концепций, как сложность задачи. Для Claude.ai мы оценивали производительность классификатора по сравнению с оценкой исследователя-человека на небольшом наборе записей, в которых пользователи давали обратную связь Claude.ai и для которых у нас, таким образом, есть разрешение на просмотр исходных записей. Для данных собственного API (1P API) мы валидируем классификаторы, используя сочетание внутренних и синтетических данных. Ни один из источников данных не является полностью репрезентативным для трафика Claude.ai или 1P API, но они позволяют нам убедиться, что классификаторы работают на данных, похожих на реальные данные использования, обеспечивая при этом конфиденциальность.

Based on initial performance, we revised the classifiers that needed tweaking or discarded classifiers that did not perform well. Interestingly, we find that in some instances (e.g., to measure task success), a simple classifier performed better than a nuanced, complex classifier when compared to human ratings. We then compared performance of classifier versions with vs. without chain of thought prompting, and decided to keep chain of thought prompting only for three facets (human time estimate, human with AI time estimate, and AI autonomy) where we found that it substantially improved performance. We selected a final set of nine new classifiers for the five primitives, all of which are directionally accurate even if they may deviate somewhat from human ratings.

На основе первоначальной производительности мы пересмотрели классификаторы, требовавшие доработки, или отбросили те, которые показали плохие результаты. Интересно, что в некоторых случаях (например, для измерения успешности задачи) простой классификатор работал лучше, чем сложный и нюансированный, при сравнении с оценками людей. Затем мы сравнили производительность версий классификаторов с цепочкой рассуждений и без неё и решили сохранить цепочку рассуждений только для трёх аспектов (оценка времени человека, оценка времени человека с ИИ и автономия ИИ), где она существенно улучшила производительность. Мы выбрали окончательный набор из девяти новых классификаторов для пяти примитивов, все из которых направленно точны, даже если несколько отклоняются от оценок людей.

The primitives' value is in what they can predict

Ценность примитивов — в их предсказательной способности

Our goal was to create classifiers that are straightforward to implement and in combination provide potentially important economic signals. While we are very confident in the directional accuracy of the new measures (e.g., tasks with higher average years of education needed to understand the human prompt are likely more complex), none of the measures should be taken as exact or definitive (e.g., Claude.ai may somewhat underestimate the human education years needed for many tasks).

Нашей целью было создание классификаторов, которые просты в реализации и в совокупности предоставляют потенциально важные экономические сигналы. Хотя мы полностью уверены в направленной точности новых метрик (например, задачи с более высоким средним числом лет образования, необходимых для понимания запроса, вероятно, более сложные), ни одну из метрик не следует воспринимать как точную или окончательную (например, Claude.ai может несколько занижать число лет образования, необходимых для многих задач).

Even so, the primitives enrich our understanding of how people use AI. Systematic relationships emerge across primitives, regions, and tasks—patterns we explore in depth in Chapters 3 and 4. That these relationships are intuitive and consistent suggests the primitives capture relevant aspects of how people and businesses use Claude.

Тем не менее примитивы обогащают наше понимание того, как люди используют ИИ. Между примитивами, регионами и задачами возникают систематические зависимости — паттерны, которые мы подробно рассматриваем в главах 3 и 4. То, что эти зависимости интуитивны и согласованы, свидетельствует о том, что примитивы улавливают релевантные аспекты того, как люди и компании используют Claude.

External benchmarks reinforce this. In our productivity work, Claude’s time estimates correlate with actual time spent on software engineering tasks. Figure 2.1 shows that our human education measure correlates with actual worker education levels across occupations. These validations suggest individual primitives are directionally correct—and combining them may provide additional analytical value, such as enriching productivity estimates with task success rates or constructing new measures of occupational exposure.

Внешние бенчмарки это подтверждают. В нашей работе по производительности оценки времени, сделанные Claude, коррелируют с фактическим временем, затраченным на задачи программной инженерии. Рисунок 2.1 показывает, что наша метрика образования человека коррелирует с фактическими уровнями образования работников по профессиям. Эти валидации свидетельствуют о том, что отдельные примитивы направленно верны — а их комбинирование может обеспечить дополнительную аналитическую ценность, например, обогащение оценок производительности показателями успешности задач или построение новых метрик профессиональной подверженности.

Ultimately, the strongest validation will come from the primitives’ ability to capture meaningful variation in labor market outcomes. The data we release enable external researchers to analyze economic shifts in new ways. Early work has been encouraging—the automation/augmentation distinction from prior reports has already been used by external researchers to analyze labor market shifts (Brynjolfsson, Chandar & Chen, 2025).

В конечном счёте наиболее убедительной валидацией станет способность примитивов улавливать значимую вариацию в исходах на рынке труда. Публикуемые нами данные позволяют внешним исследователям анализировать экономические сдвиги новыми способами. Ранние работы обнадёживают — разделение на автоматизацию/аугментацию из предыдущих отчётов уже использовалось внешними исследователями для анализа сдвигов на рынке труда (Brynjolfsson, Chandar & Chen, 2025).

Primitives highlight how use cases differ

Примитивы показывают различия сценариев использования

To illustrate how the primitives distinguish between different types of AI use, we examine two contrasting request clusters: software development ("Help debug, develop, and optimize software across multiple programming domains") and personal life management ("Assist with personal life management and everyday tasks"). Figure 2.2 shows the primitive profile for each cluster alongside global averages.

Чтобы проиллюстрировать, как примитивы различают разные типы использования ИИ, мы рассмотрим два контрастных кластера запросов: разработку программного обеспечения («Помощь в отладке, разработке и оптимизации ПО в различных областях программирования») и управление личной жизнью («Помощь в управлении личной жизнью и повседневными задачами»). Рисунок 2.2 показывает профиль примитивов для каждого кластера наряду с глобальными средними.

Task complexity. Claude estimates that software development requests would take a competent professional approximately 3.3 hours to complete without AI—close to the global average of 3.1 hours. Personal life management tasks are estimated to be simpler, averaging 1.8 hours. Estimated human-AI collaboration time is similar across both (~15 minutes), showing this primitive varies less than other primitives for these two tasks.

Сложность задачи. Claude оценивает, что запросы по разработке ПО заняли бы у компетентного специалиста примерно 3,3 часа без ИИ — близко к глобальному среднему в 3,1 часа. Задачи управления личной жизнью оцениваются как более простые — в среднем 1,8 часа. Оценочное время совместной работы человека и ИИ сопоставимо для обоих кластеров (~15 минут), показывая, что этот примитив варьируется меньше других примитивов для этих двух задач.

Human and AI skills. Software development requests draw on more specialized knowledge: both human prompts and AI responses are estimated to require approximately 13.8 years of education to understand, compared to 9.1–9.4 years for personal life management requests. Claude estimates that users would be able to complete personal life management requests by themselves 96% of the time, versus 82% for software development requests—indicating that Claude provides more essential support for technical work.

Навыки человека и ИИ. Запросы по разработке ПО требуют более специализированных знаний: для понимания как запросов человека, так и ответов ИИ требуется приблизительно 13,8 лет образования — по сравнению с 9,1–9,4 годами для запросов по управлению личной жизнью. Claude оценивает, что пользователи смогли бы выполнить запросы по управлению личной жизнью самостоятельно в 96% случаев против 82% для разработки ПО — что указывает на более существенную поддержку Claude в технической работе.

Use case. Claude classifies 64% of software development requests as work-related, compared to just 17% for personal life management. This illustrates that Claude can be used for very different purposes. Overall, Claude.ai use is 46% work, 19% coursework, and 35% personal.

Сценарий использования. Claude классифицирует 64% запросов по разработке ПО как связанные с работой против всего 17% для управления личной жизнью. Это иллюстрирует, что Claude может использоваться для совершенно разных целей. В целом использование Claude.ai распределяется так: 46% — работа, 19% — учёба, 35% — личное.

AI autonomy. Both clusters show similar estimated autonomy levels (~3.5 on a 1 to 5 scale), near the global average. This means that both software development and personal life management tasks, on average, afford Claude a similar autonomy to make decisions on how to complete the task.

Автономия ИИ. Оба кластера демонстрируют схожие оценочные уровни автономии (~3,5 по шкале от 1 до 5), близкие к глобальному среднему. Это означает, что и задачи разработки ПО, и задачи управления личной жизнью в среднем предоставляют Claude аналогичную автономию в принятии решений о том, как выполнять задачу.

Task success. Claude assesses personal tasks as successfully completed 78% of the time, versus 61% for software development. Harder tasks—those requiring more specialized knowledge and where users could not easily complete them alone—show lower estimated success rates.

Успешность задачи. Claude оценивает личные задачи как успешно выполненные в 78% случаев против 61% для разработки ПО. Более сложные задачи — те, которые требуют более специализированных знаний и которые пользователи не могли бы легко выполнить самостоятельно — демонстрируют более низкий оценочный процент успешности.

Tasks and primitives differ between Claude.ai and API users

Задачи и примитивы различаются между пользователями Claude.ai и API

As in our previous report, we find major differences in the tasks and primitives in Claude.ai conversations compared to the 1P API data. Part of this reflects the nature of the interaction: Claude.ai transcripts can include multi-turn conversations, while the API data we analyze is limited to single input-output pairs. This is because API requests arrive independently, with no metadata linking them to prior exchanges. This means we can only analyze them as isolated user-assistant pairs rather than full conversation trajectories.

Как и в нашем предыдущем отчёте, мы обнаруживаем значительные различия в задачах и примитивах между диалогами Claude.ai и данными 1P API. Отчасти это отражает характер взаимодействия: записи Claude.ai могут включать многоходовые диалоги, тогда как анализируемые нами данные API ограничены отдельными парами «ввод-вывод». Это связано с тем, что запросы API приходят независимо, без метаданных, связывающих их с предыдущими обменами. Это означает, что мы можем анализировать их только как изолированные пары «пользователь-ассистент», а не как полные траектории диалогов.

Overall, API usage is overwhelmingly work-related (74% vs. 46%) and directive (64% vs. 32%), with three-quarters of interactions classified as automation compared to less than half on Claude.ai (see Figure 1.3).

В целом использование API в подавляющем большинстве связано с работой (74% против 46%) и является директивным (64% против 32%), при этом три четверти взаимодействий классифицируются как автоматизация — по сравнению с менее чем половиной на Claude.ai (см. Рисунок 1.3).

Claude.ai users, by contrast, engage in more back-and-forth: task iteration and learning modes are far more common, and tasks tend to be more lengthy—both in terms of human time with AI (15 minutes vs. 5 minutes) and the estimated time a human would need to complete the task alone (3.1 hours vs. 1.7 hours). Claude.ai also shows higher task success rates (67% vs. 49%), which may reflect the benefits of multi-turn conversation, where users can clarify, correct course, and iterate toward a solution. Claude.ai users also give the AI more autonomy on average, and are more likely to bring tasks they couldn't complete alone.

Пользователи Claude.ai, напротив, ведут более активный обмен: режимы итерации задач и обучения значительно более распространены, а задачи, как правило, более длительны — как по времени работы человека с ИИ (15 минут против 5 минут), так и по оценочному времени, которое потребовалось бы человеку для самостоятельного выполнения задачи (3,1 часа против 1,7 часа). Claude.ai также демонстрирует более высокие показатели успешности задач (67% против 49%), что может отражать преимущества многоходового диалога, при котором пользователи могут уточнять, корректировать курс и итеративно приходить к решению. Пользователи Claude.ai также предоставляют ИИ больше автономии в среднем и чаще приносят задачи, которые не могли бы выполнить самостоятельно.

These differences are also reflected in the occupational distribution of tasks. API usage is heavily concentrated in Computer & Mathematical tasks (52% vs. 36%), consistent with its use for programmatic, automation-friendly workflows like code generation and data processing. Office & Administrative tasks are also more prevalent in the API (15% vs. 8%), reflecting routine business operations suited to delegation. Claude.ai, by contrast, sees substantially more Educational Instruction tasks (16% vs. 4%)—coursework help, tutoring, and instructional material development—as well as more Arts, Design, and Entertainment tasks (11% vs. 6%). Claude.ai also has a longer tail of human-facing categories like Community & Social Service and Healthcare Practitioners, where users seek advice, counseling, or information on personal matters.

Эти различия также отражаются в профессиональном распределении задач. Использование API сильно сконцентрировано на задачах в области компьютерных и математических наук (52% против 36%), что согласуется с его применением для программных, удобных для автоматизации процессов — таких как генерация кода и обработка данных. Задачи офисной и административной поддержки также более распространены в API (15% против 8%), отражая рутинные бизнес-операции, подходящие для делегирования. Claude.ai, напротив, демонстрирует значительно больше задач из категории «Образовательное обучение» (16% против 4%) — помощь с учёбой, репетиторство и разработка учебных материалов — а также больше задач в области искусства, дизайна и развлечений (11% против 6%). Claude.ai также имеет более длинный хвост человекоориентированных категорий, таких как общественные и социальные услуги и медицинские работники, где пользователи ищут советы, консультации или информацию по личным вопросам.

These patterns suggest that 1P API deployments concentrate on tasks amenable to systematic automation, while Claude.ai serves a broader range of use cases including learning, creative work, and personal assistance.

Эти паттерны свидетельствуют о том, что развёртывания через 1P API концентрируются на задачах, поддающихся систематической автоматизации, тогда как Claude.ai обслуживает более широкий спектр сценариев использования — включая обучение, творческую работу и личную помощь.

Chapter 4 explores task-level variation in greater depth.

В главе 4 подробнее рассматривается вариация на уровне задач.

¹ A classifier is a model that assigns a given input (e.g. a user conversation) a specific output (e.g. the use case “work”). In this report, we use Claude as a classifier, meaning that we prompt Claude to select a specific output and then use Claude’s response as the output (see Table 2.1 for the prompts).

1 Классификатор — это модель, которая присваивает данному вводу (например, диалогу пользователя) конкретный вывод (например, сценарий использования «работа»). В этом отчёте мы используем Claude в качестве классификатора, то есть просим Claude выбрать конкретный вывод, а затем используем ответ Claude как результат (см. Таблицу 2.1 для промптов).

² Throughout this report, we use binned scatterplots to show bivariate relationships. We divide observations into 20 equally-sized bins based on the x variable, then plot the average x and y values for each bin. The leftmost dot, for example, represents the averages for observations in the lowest 5% of the x distribution.

2 В этом отчёте мы используем группированные диаграммы рассеяния для отображения двумерных зависимостей. Мы делим наблюдения на 20 равных групп на основе переменной x, а затем отображаем средние значения x и y для каждой группы. Крайняя левая точка, например, представляет средние значения для наблюдений в нижних 5% распределения x.

Chapter 3: How Claude is used varies by geography

Глава 3: Как использование Claude варьируется по географии

Overview

Обзор

In this chapter, we analyze geographic variation in Claude usage patterns using a privacy-preserving¹ analysis of 1 million Claude.ai conversations². We make five observations:

В этой главе мы анализируем географическую вариацию паттернов использования Claude с помощью анализа с сохранением конфиденциальности¹ 1 миллиона диалогов Claude.ai². Мы делаем пять наблюдений:

Claude в основном используется для работы, но сценарии использования диверсифицируются с ростом внедрения: Рабочие и личные сценарии более распространены в странах с более высоким доходом, тогда как учебные сценарии более распространены в странах с более низким доходом. Это перекликается с выводами нашего предыдущего отчёта и согласуется с недавней работой Microsoft.ВВП и образование предсказывают внедрение глобально и внутри США: Увеличение ВВП на душу населения на 1% ассоциируется с увеличением использования Claude на душу населения на 0,7% на уровне стран. Образование человека — оценка Claude числа лет формального образования, необходимых для понимания запроса, — положительно коррелирует с индексом Anthropic AI Usage Index на обоих уровнях.Другие примитивы предсказывают внедрение по-разному на глобальном уровне и уровне штатов США: На уровне стран более высокое использование коррелирует с более короткими задачами и меньшей автономией ИИ. На уровне штатов США эти зависимости статистически не значимы, хотя использование для работы положительно коррелирует с внедрением.Связи между примитивами зависят от контекста: Успешность задач негативно связана с образованием на уровне стран, но положительно — на уровне штатов США. Однако при контроле других примитивов зависимость на уровне США становится незначимой.Как люди формулируют запросы — так Claude отвечает: Уровни образования запросов и ответов ИИ почти идеально коррелируют (r > 0,92 на обоих уровнях). Страны с более высоким использованием на душу населения также демонстрируют больше аугментации — используя Claude как соратника, а не полностью делегируя решения.

Claude is mostly used for work, but use cases diversify with adoption

Claude в основном используется для работы, но сценарии использования диверсифицируются с ростом внедрения

Our data, relying on a privacy-preserving¹ analysis of 1 million Claude.ai conversations², reveals striking geographic differences in how Claude is adopted. Claude is predominantly used for work, across the globe and across the United States. However, there is geographic variation in use cases. At the global level, the Balkans and Brazil have the highest relative share of work use (see Figure 3.1), and Indonesia stands out with the highest share of coursework. At the US state level, New York stands out as the state using Claude relatively the most for work.

Наши данные, основанные на анализе с сохранением конфиденциальности1 1 миллиона диалогов Claude.ai2, выявляют поразительные географические различия в том, как внедряется Claude. Claude преимущественно используется для работы — по всему миру и по территории Соединённых Штатов. Однако существует географическая вариация сценариев использования. На глобальном уровне Балканы и Бразилия имеют наибольшую относительную долю рабочего использования (см. Рисунок 3.1), а Индонезия выделяется самой высокой долей учебного использования. На уровне штатов США Нью-Йорк выделяется как штат, использующий Claude относительно чаще всего для работы.

Use case differences are related to a country’s per capita income, which, in turn, is related to per capita AI adoption. We observe that work use cases and personal use cases of Claude are more common in higher income countries, while coursework use cases are more common in lower income countries (see Figure 3.2). Interestingly, these findings converge with recent work by Microsoft showing that AI use for school is associated with lower per capita income, whereas AI use for leisure is associated with higher per capita income.

Различия в сценариях использования связаны с подушевым доходом страны, который, в свою очередь, связан с подушевым внедрением ИИ. Мы наблюдаем, что рабочие и личные сценарии использования Claude более распространены в странах с более высоким доходом, тогда как учебные сценарии более распространены в странах с более низким доходом (см. Рисунок 3.2). Интересно, что эти результаты сходятся с недавней работой Microsoft, показывающей, что использование ИИ для учёбы ассоциируется с более низким подушевым доходом, тогда как использование ИИ для досуга ассоциируется с более высоким подушевым доходом.

Multiple factors could contribute to these patterns:

Множество факторов может способствовать этим паттернам:

Личные сценарии использования могут стать более распространёнными по мере роста внедрения ИИ и привлечения более разнообразных пользователей, или когда существующие пользователи исследуют более широкий спектр применений ИИ. Напротив, страны с более низким подушевым внедрением (которое коррелирует с более низким подушевым доходом) могут быть сосредоточены на конкретных сценариях использования — таких как программирование или учёба. Страны различаются по способности платить за Claude, и учебные сценарии могут лучше подходить для бесплатного использования Claude, чем сложные сценарии в рабочих областях — таких как программная инженерия. Пользователи в странах с более высоким доходом могут иметь другие ресурсы — такие как свободное время и постоянный доступ в интернет — которые позволяют использовать Claude для несущественных личных целей.

International and US adoption differ across economic primitives

Международное и внутриамериканское внедрение различаются по экономическим примитивам

The economic primitives introduced in this report allow us to analyze some of the factors that may drive differential adoption. When analyzing the relationship between the Anthropic AI Usage Index (AUI) and core economic primitives as well as GDP, we observe that certain patterns hold for both countries and US states. For example, we replicate the finding from our prior report that GDP is strongly correlated with the AUI (see Figures 3.3 and 3.4). At the country level, a 1% increase in GDP per capita is associated with a 0.7% increase in Claude usage per capita. Human education (how many years of education it takes to understand the human written prompts in a conversation) correlates positively and significantly with the Anthropic AI Usage Index both at the country and at the US state level.

Экономические примитивы, представленные в этом отчёте, позволяют нам анализировать некоторые факторы, которые могут определять различия во внедрении. При анализе зависимости между индексом Anthropic AI Usage Index (AUI) и основными экономическими примитивами, а также ВВП, мы наблюдаем, что определённые паттерны действуют как для стран, так и для штатов США. Например, мы воспроизводим вывод из нашего предыдущего отчёта о том, что ВВП сильно коррелирует с AUI (см. Рисунки 3.3 и 3.4). На уровне стран увеличение ВВП на душу населения на 1% ассоциируется с увеличением использования Claude на душу населения на 0,7%. Образование человека (сколько лет образования требуется для понимания написанных человеком запросов в диалоге) положительно и значимо коррелирует с индексом Anthropic AI Usage Index как на уровне стран, так и на уровне штатов США.

However, the relationship between AUI and the primitives often differs between country and US state level. For example, at the country level, the AUI correlates negatively with the time it would take a human to complete a task without AI, and with how much decision-making autonomy AI is given. At the US state level, these relationships are not statistically significant–likely also due to the smaller sample size for US states. Additionally, we observe a positive correlation between the AUI and Claude.ai use for work at the US state, but not at the country level.

Однако зависимость между AUI и примитивами часто различается на уровне стран и штатов США. Например, на уровне стран AUI негативно коррелирует со временем, которое потребовалось бы человеку для выполнения задачи без ИИ, и с тем, сколько автономии в принятии решений предоставляется ИИ. На уровне штатов США эти зависимости статистически не значимы — вероятно, также из-за меньшего размера выборки для штатов. Кроме того, мы наблюдаем положительную корреляцию между AUI и использованием Claude.ai для работы на уровне штатов, но не на уровне стран.

Importantly, the primitives themselves are not necessarily causal factors—we don't know if income or education are truly driving adoption, or if they're proxies for other underlying conditions. Many of these factors are highly correlated with one another. For example, at the US state level, human education years show a strong association with the Anthropic AI Usage Index in isolation, but this relationship disappears once we control for GDP and other primitives—suggesting education may be capturing variation that's better explained by economic development and other factors.

Важно отметить, что примитивы сами по себе не обязательно являются причинными факторами — мы не знаем, действительно ли доход или образование определяют внедрение, или они являются прокси для других базовых условий. Многие из этих факторов сильно коррелируют друг с другом. Например, на уровне штатов США годы образования демонстрируют сильную связь с индексом Anthropic AI Usage Index по отдельности, но эта зависимость исчезает при контроле ВВП и других примитивов — что свидетельствует о том, что образование может отражать вариацию, лучше объясняемую экономическим развитием и другими факторами.

Institutional factors shape the relationship between task success and education years

Институциональные факторы формируют связь между успешностью задач и годами образования

Economic and institutional context—such as how education levels vary within a geography—are related to how AI is being used. Interestingly, we observe that task success is negatively associated with human education at the country level, but positively related at the US state level. However, the positive relationship at the state level becomes insignificant when controlling for other primitives (see Figure 3.5). This means the relationship pattern at one level of observation (country) contradicts the relationship pattern at another level (US state). Cross-country, educated populations may attempt harder tasks and therefore see lower success rates. Within homogeneous contexts, education may not improve task success.

Экономический и институциональный контекст — например, как различаются уровни образования внутри географии — связан с тем, как используется ИИ. Интересно, что мы наблюдаем негативную связь между успешностью задач и образованием на уровне стран, но положительную — на уровне штатов США. Однако положительная зависимость на уровне штатов становится незначимой при контроле других примитивов (см. Рисунок 3.5). Это означает, что паттерн зависимости на одном уровне наблюдения (страна) противоречит паттерну на другом уровне (штат США). На межстрановом уровне образованные популяции могут пытаться решать более сложные задачи и поэтому получать более низкие показатели успешности. В однородных контекстах образование может не улучшать успешность задач.

How humans prompt is how Claude responds

Как люди формулируют запросы — так Claude отвечает

We find a very high correlation between human and AI education, i.e. the number of years of education required to understand a human prompt or the AI’s response (countries: r = 0.925, p < 0.001, N = 117; US states: r = 0.928, p < 0.001, N = 50). This highlights the importance of skills and suggests that how humans prompt the AI determines how effective it can be. This also highlights the importance of model design and training. While Claude is able to respond in a highly sophisticated manner, it tends to do so only when users input sophisticated prompts.

Мы обнаруживаем очень высокую корреляцию между образованием человека и ИИ, то есть числом лет образования, необходимых для понимания запроса человека или ответа ИИ (страны: r = 0,925, p < 0,001, N = 117; штаты США: r = 0,928, p < 0,001, N = 50). Это подчёркивает важность навыков и свидетельствует о том, что от качества запроса зависит эффективность ответа ИИ. Это также подчёркивает важность проектирования и обучения моделей. Хотя Claude способен отвечать на очень высоком уровне, он склонен делать это лишь тогда, когда пользователи вводят сложные запросы.

How models are trained, fine-tuned and instructed affects how they respond to users. For example, one AI model could have a system prompt that instructs it to always use simple language that a middle school student could understand, whereas another AI model may only respond in complex language that would require a PhD education to understand. For Claude, we observe a more dynamic pattern where how the user prompts Claude relates to how Claude responds.

То, как модели обучаются, дообучаются и инструктируются, влияет на то, как они отвечают пользователям. Например, одна модель ИИ может иметь системный промпт, инструктирующий её всегда использовать простой язык, понятный ученику средней школы, тогда как другая модель может отвечать только на сложном языке, требующем докторской степени для понимания. Для Claude мы наблюдаем более динамичный паттерн, при котором то, как пользователь формулирует запрос, определяет то, как Claude отвечает.

Higher income and higher usage are related to more augmentation

Более высокий доход и более интенсивное использование связаны с большей аугментацией

Higher per capita usage countries, which tend to be higher per capita income countries, show lower automation, and less decision-making autonomy delegated to Claude. That is, higher income countries use AI more as an assistant and collaborator rather than letting it work independently. This relationship is not significant at the US state level, perhaps because income variation and use case diversity are more limited within the United States than globally. This mirrors a finding from our 3rd Economic Index report where countries with higher Anthropic AI Usage Index tend to use Claude in a more collaborative manner (augmentation), rather than letting it operate independently (automation).

Страны с более высоким подушевым использованием, которые, как правило, являются странами с более высоким подушевым доходом, демонстрируют меньшую автоматизацию и меньшую автономию принятия решений, делегируемую Claude. То есть страны с более высоким доходом используют ИИ больше как помощника и соратника, а не позволяют ему работать самостоятельно. Эта зависимость не значима на уровне штатов США — возможно, потому что вариация доходов и разнообразие сценариев использования внутри Соединённых Штатов более ограничены, чем в глобальном масштабе. Это перекликается с выводом нашего 3-го отчёта Economic Index о том, что страны с более высоким индексом Anthropic AI Usage Index склонны использовать Claude в более коллаборативном ключе (аугментация), а не позволять ему работать самостоятельно (автоматизация).

Conclusion

Заключение

The striking geographic variation in our data shows that Claude is used in different ways around the world. GDP predicts the Anthropic AI Usage Index at both the country and US state level, and human education—the sophistication of user prompts—correlates with adoption at both levels as well.

Поразительная географическая вариация в наших данных показывает, что Claude используется по-разному в разных частях мира. ВВП предсказывает индекс Anthropic AI Usage Index как на уровне стран, так и на уровне штатов США, а образование — сложность запросов пользователей — коррелирует с внедрением на обоих уровнях.

Other relationships depend on context. At the country level, higher usage correlates with shorter tasks and less AI autonomy; within the US, these patterns do not hold. Task success and human education show opposite relationships globally versus within the US.

Другие зависимости определяются контекстом. На уровне стран более высокое использование коррелирует с более короткими задачами и меньшей автономией ИИ; внутри США эти паттерны не наблюдаются. Успешность задач и образование демонстрируют противоположные зависимости на глобальном уровне и внутри США.

The near-perfect correlation between human and AI education years underscores that how users prompt Claude shapes how it responds. Combined with the finding that higher-usage countries engage Claude more collaboratively, this suggests that the skills required to use AI well may themselves be unevenly distributed.

Практически идеальная корреляция между годами образования человека и ИИ подчёркивает, что то, как пользователи формулируют запросы Claude, определяет то, как он отвечает. В сочетании с выводом о том, что страны с более интенсивным использованием взаимодействуют с Claude более коллаборативно, это свидетельствует о том, что навыки, необходимые для эффективного использования ИИ, сами по себе могут быть неравномерно распределены.

By measuring the characteristics of conversations with Claude, we find important relationships with broader economic factors such as human capital. These relationships may help predict labor market outcomes and inform a smooth transition to an AI-enabled economy that will require different skillsets.

Измеряя характеристики диалогов с Claude, мы обнаруживаем важные зависимости с более широкими экономическими факторами — такими как человеческий капитал. Эти зависимости могут помочь прогнозировать исходы на рынке труда и обеспечить плавный переход к экономике с поддержкой ИИ, которая потребует иных наборов навыков.

¹ For privacy reasons, our automated analysis system filters out any cells—e.g., countries, and (country, task) intersections—with fewer than 15 conversations and 5 unique user accounts. For bottom-up request clusters, we have an even higher privacy filter of at least 500 conversations and 250 unique accounts.

1 По соображениям конфиденциальности наша автоматизированная система анализа отфильтровывает ячейки — например, страны и пересечения (страна, задача) — с менее чем 15 диалогами и 5 уникальными учётными записями пользователей. Для кластеров запросов, построенных снизу вверх, мы используем ещё более высокий фильтр конфиденциальности — не менее 500 диалогов и 250 уникальных учётных записей.

² Data in this section covers 1 million Claude.ai Free, Pro and Max conversations from November 13 to 20, 2025, randomly sampled from all conversations in that period. We then excluded content that was flagged as potential trust and safety violations. The unit of observation is a conversation with Claude on Claude.ai, not a user, so it is possible that multiple conversations from the same user are included, though our past work suggests that sampling conversations at random versus stratified by user does not yield substantively different results. Aggregate geographic statistics at the country and US state level were assessed and tabulated from the IP address of each conversation. For geolocation, we use ISO-3166 codes since our provider for IP geolocation uses this standard. International locations use ISO-3166-1 country codes, US state level data use ISO-3166-2 region codes, which include all 50 US states and Washington DC. We exclude conversations originating from VPN, anycast, or hosting services, as determined by our IP geolocation provider.

2 Данные в этом разделе охватывают 1 миллион диалогов Claude.ai уровней Free, Pro и Max с 13 по 20 ноября 2025 года, случайно отобранных из всех диалогов за этот период. Затем мы исключили контент, помеченный как потенциальные нарушения правил доверия и безопасности. Единицей наблюдения является диалог с Claude на Claude.ai, а не пользователь, поэтому возможно включение нескольких диалогов одного пользователя, хотя наша предыдущая работа свидетельствует о том, что случайная выборка диалогов и стратифицированная по пользователям выборка не дают существенно различных результатов. Агрегированная географическая статистика на уровне стран и штатов США была оценена и табулирована по IP-адресу каждого диалога. Для геолокации мы используем коды ISO-3166, поскольку наш провайдер IP-геолокации использует этот стандарт. Международные местоположения используют коды стран ISO-3166-1, данные на уровне штатов используют коды регионов ISO-3166-2, которые включают все 50 штатов США и Вашингтон, округ Колумбия. Мы исключаем диалоги, исходящие от VPN, anycast или хостинг-сервисов, как определено нашим провайдером IP-геолокации.

³ The world map is based on Natural Earth’s world map with the ISO standard point of view for disputed territories, which means that the map may not contain some disputed territories. We note that in addition to the countries shown in gray (“Claude not available”), we do not operate in the Ukrainian regions Crimea, Donetsk, Kherson, Luhansk, and Zaporizhzhia. In accordance with international sanctions and our commitment to supporting Ukraine’s territorial integrity, our services are not available in areas under Russian occupation.

3 Карта мира основана на карте мира Natural Earth с точкой зрения стандарта ISO для спорных территорий, что означает, что карта может не содержать некоторых спорных территорий. Мы отмечаем, что помимо стран, показанных серым цветом («Claude недоступен»), мы не работаем в украинских регионах Крым, Донецк, Херсон, Луганск и Запорожье. В соответствии с международными санкциями и нашей приверженностью поддержке территориальной целостности Украины наши услуги недоступны на территориях, находящихся под российской оккупацией.

⁴ “No data” applies to countries with partially missing data. Some territories (e.g., Western Sahara, French Guiana) have their own ISO-3611 code. Some of these have some usage, others have none. Since the Anthropic AI Usage Index is calculated per working-age capita based on working age population data from the World Bank, and population data is not readily available for all of these territories, we cannot calculate the AUI for these territories.

4 «Нет данных» относится к странам с частично отсутствующими данными. Некоторые территории (например, Западная Сахара, Французская Гвиана) имеют собственный код ISO-3611. Некоторые из них имеют определённое использование, другие — нет. Поскольку индекс Anthropic AI Usage Index рассчитывается на душу трудоспособного населения на основе данных Всемирного банка о населении трудоспособного возраста, а данные о населении доступны не для всех этих территорий, мы не можем рассчитать AUI для них.

⁵ We exclude the Seychelles from all geographic analyses because a large fraction of usage we saw during the sampling dates was abusive traffic.

5 Мы исключаем Сейшельские Острова из всех географических анализов, поскольку значительная часть использования, зафиксированного в дни выборки, представляла собой злонамеренный трафик.

⁶ We exclude Wyoming from all US state analyses because a large fraction of usage we saw during the sampling dates was abusive traffic.

6 Мы исключаем Вайоминг из всех анализов на уровне штатов США, поскольку значительная часть использования, зафиксированного в дни выборки, представляла собой злонамеренный трафик.

Chapter 4: Tasks and productivity

Глава 4: Задачи и производительность

In this chapter, we examine how time savings, success rates, and autonomy vary across task types, and what this entails for potential impacts on jobs and productivity.

В этой главе мы рассматриваем, как экономия времени, показатели успешности и автономия варьируются по типам задач и что это означает для потенциального воздействия на рабочие места и производительность.

The patterns reveal that more complex tasks yield greater time savings, but that this trades off against reliability. In a simple task removal exercise inspired by Autor and Thompson (2025), Claude's tendency to cover higher-education tasks produces a net deskilling effect across most occupations, as the tasks AI handles are often the more skilled components of a job.

Выявленные паттерны показывают, что более сложные задачи дают большую экономию времени, но это компенсируется снижением надёжности. В упражнении по удалению задач, вдохновлённом работой Autor and Thompson (2025), склонность Claude покрывать задачи с более высокими образовательными требованиями приводит к чистому эффекту деквалификации в большинстве профессий, поскольку задачи, которые берёт на себя ИИ, часто являются более квалифицированными компонентами работы.

Claude usage spans a meaningful fraction of tasks across a growing share of occupations. We incorporate success rates into a richer model of job coverage; some occupations with modest coverage see large effects because AI succeeds on their most time-intensive work. Adjusting productivity estimates for task reliability roughly halves the implied gains, from 1.8 to about 1.0 percentage points of annual labor productivity growth over the next decade. However, these estimates reflect current model capabilities, and all signs suggest that reliability over increasingly long-running tasks will improve.

Использование Claude охватывает значительную долю задач во всё большем числе профессий. Мы включаем показатели успешности в более детальную модель охвата профессий; некоторые профессии со скромным охватом испытывают значительное воздействие, поскольку ИИ успешно справляется с их наиболее трудоёмкими задачами. Корректировка оценок производительности с учётом надёжности задач примерно вдвое снижает подразумеваемый рост — с 1,8 до примерно 1,0 процентного пункта ежегодного роста производительности труда в следующем десятилетии. Однако эти оценки отражают текущие возможности моделей, и все признаки указывают на то, что надёжность при выполнении всё более длительных задач будет расти.

Tradeoffs in task acceleration

Компромиссы в ускорении задач

Our estimates suggest that, in general, the more complex tasks in our data yield a greater time savings (or “speedup”) from AI. We derive this by having Claude estimate both how long a task would take a human working alone and the duration when human and AI work together, which we validated in previous work. Speedup is then the human-alone time divided by the human-with-AI time. So reducing a 1 hour task to 10 minutes would give a 6x speedup.

Наши оценки свидетельствуют о том, что в целом более сложные задачи в наших данных дают большую экономию времени (или «ускорение») благодаря ИИ. Мы получаем этот показатель, поручая Claude оценить как время, которое потребовалось бы человеку, работающему самостоятельно, так и продолжительность при совместной работе человека и ИИ — что мы валидировали в предыдущей работе. Ускорение — это время работы человека в одиночку, делённое на время работы человека с ИИ. Таким образом, сокращение часовой задачи до 10 минут даёт 6-кратное ускорение.

The left panel of Figure 4.1 below gives the average speedup against our core measure of task complexity, the human years of schooling required to understand the inputs, all at the O*NET task level¹. It shows that in Claude.ai conversations, for example, prompts requiring 12 years of schooling (a high school education) enjoy a speedup of 9x, while those requiring 16 years of schooling (a college degree) attain a 12x speedup. This implies that productivity gains are more pronounced for use cases requiring higher human capital, consistent with evidence that white collar workers are far more likely to adopt AI (e.g., Bick et al 2025).

Левая панель Рисунка 4.1 ниже показывает среднее ускорение в зависимости от нашей ключевой метрики сложности задачи — числа лет обучения, необходимых для понимания вводных данных — всё на уровне задач O*NET1. Она показывает, что в диалогах Claude.ai, например, запросы, требующие 12 лет обучения (среднее образование), получают ускорение в 9 раз, тогда как запросы, требующие 16 лет обучения (высшее образование), достигают 12-кратного ускорения. Это подразумевает, что прирост производительности более выражен для сценариев, требующих более высокого человеческого капитала, что согласуется с данными о том, что «белые воротнички» значительно чаще внедряют ИИ (например, Bick et al 2025).

Throughout the range of task complexity, the speedup is higher for API users. This could reflect the nature of the API data, which is restricted to single-turn interactions, and that API tasks have been specifically selected for automation.

Во всём диапазоне сложности задач ускорение выше для пользователей API. Это может отражать природу данных API, ограниченных одноходовыми взаимодействиями, а также то, что задачи API были специально отобраны для автоматизации.

The results also capture a tradeoff, however. More complex tasks have a lower task success rate, as shown in the panel on the right. On Claude.ai, for example, tasks requiring less than a high school education (e.g., answering basic questions about products) attain a 70% success rate, but this drops to 66% for college-level conversations like developing analysis plans. Still, accounting for the difference in success rates—by either excluding low-success tasks or discounting speedups by success probability—does not eliminate the education gradient: complex tasks still show greater net productivity gains.

Результаты также фиксируют компромисс. Более сложные задачи имеют более низкий процент успешности, как показано на правой панели. На Claude.ai, например, задачи, требующие менее чем среднего образования (например, ответы на простые вопросы о продуктах), достигают 70% успешности, но этот показатель снижается до 66% для диалогов уровня высшего образования — таких как разработка планов анализа. Тем не менее учёт разницы в показателях успешности — путём исключения задач с низкой успешностью или дисконтирования ускорений на вероятность успеха — не устраняет образовательный градиент: сложные задачи по-прежнему демонстрируют больший чистый прирост производительности.

One way to examine the implications of the education gradient is to look at the share of automation across the education levels required to understand the inputs. If high-education tasks show relatively more automation, it could signal more exposure for white collar workers. Here, though, the message is unclear: the automation share is essentially unrelated to the human levels of education required to write the prompt (Appendix Figure A.1)². On both Claude.ai and 1P API, tasks across education levels show automation patterns in roughly equal shares.

Один из способов изучить последствия образовательного градиента — посмотреть на долю автоматизации по уровням образования, необходимым для понимания вводных данных. Если задачи с высоким уровнем образования демонстрируют относительно больше автоматизации, это может сигнализировать о большей подверженности «белых воротничков». Однако здесь послание неоднозначно: доля автоматизации практически не связана с уровнем образования, необходимым для написания запроса (Приложение, Рисунок A.1)2. Как на Claude.ai, так и в 1P API задачи всех уровней образования демонстрируют паттерны автоматизации примерно в равных пропорциях.

In what contexts do users defer more to Claude? Claude.ai users give the AI slightly more autonomy when working on more complex tasks. In contrast, API usage shows uniformly lower autonomy at all levels of complexity.

В каких контекстах пользователи больше полагаются на Claude? Пользователи Claude.ai предоставляют ИИ немного больше автономии при работе над более сложными задачами. Напротив, использование API демонстрирует равномерно низкую автономию на всех уровнях сложности.

Note though that these distributions do not span the same set of tasks. API usage covers a more narrow swath of tasks in the economy, as seen in the concentration plot in Chapter 1. The high education tasks that experience heavy usage in the API data include security analysis, testing and quality assurance, and code review, whereas Claude.ai users are more likely to have iterative, instructive sessions.

Следует отметить, что эти распределения не охватывают один и тот же набор задач. Использование API покрывает более узкий спектр задач в экономике, как видно из графика концентрации в главе 1. Задачи с высоким уровнем образования, активно используемые через API, включают анализ безопасности, тестирование и контроль качества, а также обзор кода, тогда как пользователи Claude.ai чаще ведут итеративные обучающие сессии.

Task Horizons in Real-World Usage

Горизонты задач в реальном использовании

Recent work on AI “task horizons” (Kwa et al., 2025) finds that AI success rates decline with task duration: longer tasks are harder for models to complete. With each successive model generation, however, this decline has become shallower as models succeed on increasingly long tasks. METR operationalizes task horizon primarily as the maximum duration at which a model achieves at least 50% success, and growth in this metric has become a key indicator of AI progress.

Недавние работы о «горизонтах задач» ИИ (Kwa et al., 2025) показывают, что процент успешности ИИ снижается с увеличением длительности задачи: более длинные задачи сложнее для моделей. Однако с каждым новым поколением моделей это снижение становится более пологим, поскольку модели успешно справляются со всё более длинными задачами. METR операционализирует горизонт задач преимущественно как максимальную длительность, при которой модель достигает не менее 50% успешности, и рост этого показателя стал ключевым индикатором прогресса ИИ.

Figure 4.3 shows a similar measure using our primitives. The plot shows task-level success rates against the human time required, all at the O*NET task level. In the API data, success rates drop from around 60% for sub-hour tasks to roughly 45% for tasks estimated to take humans 5+ hours. The fitted line crosses the horizontal 50% success line at 3.5 hours, suggesting that API calls attain a 50% success rate for tasks that are 3.5 hours. The analogous time estimate in METR’s software engineering benchmark is 2 hours for Sonnet 4.5 and about 5 hours for Opus 4.5. (The data in this report predates the release of Opus 4.5.)

Рисунок 4.3 показывает аналогичную метрику с использованием наших примитивов. График отображает показатели успешности на уровне задач в зависимости от необходимого человеческого времени — всё на уровне задач O*NET. В данных API показатели успешности снижаются примерно с 60% для задач менее часа до примерно 45% для задач, оцениваемых в 5+ часов человеческого времени. Линия регрессии пересекает горизонтальную линию 50% успешности на отметке 3,5 часа, что свидетельствует о том, что вызовы API достигают 50% успешности для задач длительностью 3,5 часа. Аналогичная оценка времени в бенчмарке METR для программной инженерии составляет 2 часа для Sonnet 4.5 и около 5 часов для Opus 4.5. (Данные в этом отчёте предшествуют выпуску Opus 4.5.)

Claude.ai data tells a different story. Success rates decline far slower as a function of task length. Extrapolating using the linear fit, Claude.ai would hit a 50% success rate at about 19 hours. This may reflect how multi-turn conversation effectively breaks complex tasks into smaller steps, with each turn providing a feedback loop that allows users to correct course.

Данные Claude.ai рассказывают другую историю. Показатели успешности снижаются значительно медленнее в зависимости от длительности задачи. При экстраполяции с помощью линейной аппроксимации Claude.ai достиг бы 50% успешности примерно на отметке 19 часов. Это может отражать то, как многоходовой диалог фактически разбивает сложные задачи на более мелкие шаги, при этом каждый ход обеспечивает петлю обратной связи, позволяющую пользователям корректировать курс.

It’s worth noting that a fundamental difference from the METR setting is selection. METR constructs a benchmark where a fixed set of tasks is assigned to models. In our data, users choose which tasks to bring to Claude. This means observed success rates reflect not just model capability but also user judgment about what will work, the cost of setting up the problem for Claude, and the expected time savings if the task succeeds.

Стоит отметить, что фундаментальное отличие от условий METR — это отбор. METR конструирует бенчмарк, в котором фиксированный набор задач назначается моделям. В наших данных пользователи сами выбирают, какие задачи приносить Claude. Это означает, что наблюдаемые показатели успешности отражают не только возможности модели, но и суждение пользователей о том, что сработает, стоимость постановки задачи для Claude и ожидаемую экономию времени в случае успеха.

If users avoid tasks they expect to fail, for example, observed success rates will overstate true capability on the full distribution of potential tasks. This selection likely operates on both platforms, but in different ways: API customers select for tasks amenable to automation, while Claude.ai users select for tasks that could benefit from iteration. Also due to this selection effect, there’s no guarantee that more performant models would show improvement in this plot, because users may respond to new models by providing more challenging presentations of otherwise similar O*NET tasks.

Если пользователи избегают задач, в успехе которых они сомневаются, наблюдаемые показатели успешности будут завышать реальные возможности на полном распределении потенциальных задач. Этот эффект отбора, вероятно, действует на обеих платформах, но по-разному: клиенты API отбирают задачи, поддающиеся автоматизации, тогда как пользователи Claude.ai отбирают задачи, которые могут выиграть от итерации. Также из-за этого эффекта отбора нет гарантии, что более производительные модели покажут улучшение на этом графике, поскольку пользователи могут реагировать на новые модели, предоставляя более сложные формулировки схожих задач O*NET.

Controlled benchmarks like METR’s measure the frontier of autonomous capability. Our real-world data can measure the effective task horizon, reflecting a mix of model capabilities and user behavior, and expanding beyond coding tasks. Both approaches find that AI can be effective for tasks requiring hours of human work.

Контролируемые бенчмарки, такие как у METR, измеряют границы автономных возможностей. Наши данные из реального мира измеряют эффективный горизонт задач, отражающий сочетание возможностей модели и поведения пользователей и выходящий за рамки задач программирования. Оба подхода обнаруживают, что ИИ может быть эффективен для задач, требующих часов человеческой работы.

Revisiting occupation penetration with effective AI coverage

Пересмотр проникновения в профессии с помощью эффективного охвата ИИ

Our earlier work found that 36% of jobs had AI usage for at least a quarter of their tasks, with about 4% reaching 75% task coverage. This measure was based only on the appearance of a task in our data, however. The primitives introduced in this report can help better characterize how AI is changing the work content of occupations.³

Наша более ранняя работа показала, что 36% профессий имели использование ИИ как минимум для четверти своих задач, причём около 4% достигали 75% охвата задач. Однако эта метрика основывалась лишь на появлении задачи в наших данных. Примитивы, представленные в этом отчёте, помогают лучше охарактеризовать то, как ИИ меняет содержание работы профессий.3

First, we find that task coverage is increasing. Combining across reports, 49% of jobs have seen AI usage for at least a quarter of their tasks. But incorporating that task’s share of the job, and Claude’s average success rate, suggests a different set of affected occupations.

Во-первых, мы обнаруживаем, что охват задач растёт. В совокупности по отчётам 49% профессий зафиксировали использование ИИ как минимум для четверти своих задач. Но учёт доли задачи в профессии и среднего процента успешности Claude указывает на иной набор затронутых профессий.

We define effective AI coverage as the percent of a worker’s day that can be performed successfully by Claude. It’s calculated as the weighted sum of task success rates, where each task's weight is its share of the worker's time adjusted by how frequently the task occurs. The success rate comes from our primitives, the hours estimate from our previous work on productivity effects, and the frequency estimate from O*NET data, where surveyed workers indicate how often they perform the task.

Мы определяем эффективный охват ИИ как процент рабочего дня работника, который может быть успешно выполнен Claude. Он рассчитывается как взвешенная сумма показателей успешности задач, где вес каждой задачи определяется её долей в рабочем времени работника с поправкой на частоту выполнения задачи. Показатель успешности берётся из наших примитивов, оценка часов — из нашей предыдущей работы о влиянии на производительность, а оценка частоты — из данных O*NET, где опрошенные работники указывают, как часто они выполняют ту или иную задачу.

The plot below shows how the effective AI coverage (y-axis) differs from task coverage alone (x-axis). The two are highly correlated, but with key differences. On the right side of the plot, occupations with high coverage—where almost all tasks appear with some frequency in Claude data—generally fall below the 45-degree line. This suggests that even 90% task coverage does not necessarily indicate large job impacts, since Claude may fail on key covered tasks or miss the most time-intensive ones.

График ниже показывает, как эффективный охват ИИ (ось y) отличается от простого охвата задач (ось x). Два показателя сильно коррелируют, но с ключевыми различиями. В правой части графика профессии с высоким охватом — где почти все задачи с некоторой частотой появляются в данных Claude — как правило, располагаются ниже линии 45 градусов. Это свидетельствует о том, что даже 90% охват задач не обязательно указывает на значительное воздействие на профессию, поскольку Claude может не справляться с ключевыми покрытыми задачами или пропускать наиболее трудоёмкие.

Zooming in, several occupations show large differences in effective AI coverage compared to task coverage. For example, data entry workers have one of the highest effective AI coverage. This is because although only two of their nine tasks are covered, their largest task—reading and entering data from source documents—has high success rates with Claude. AI excels at what they spend most of their time doing.

При более детальном рассмотрении несколько профессий демонстрируют большие расхождения между эффективным охватом ИИ и охватом задач. Например, операторы ввода данных имеют один из самых высоких показателей эффективного охвата ИИ. Это объясняется тем, что хотя покрыты только две из девяти их задач, крупнейшая задача — чтение и ввод данных из исходных документов — имеет высокие показатели успешности с Claude. ИИ превосходно справляется с тем, на что они тратят большую часть своего времени.

Medical transcriptionists and radiologists also move up because their covered tasks happen to be their most time-intensive and highest-frequency work. For radiologists, their top two tasks— interpreting diagnostic images and preparing interpretive reports—have high success rates. These occupations have low task coverage because AI can't do the hands-on or administrative work in their job profiles, but it succeeds on the core knowledge work that dominates their workday.

Медицинские транскрибаторы и радиологи также поднимаются в рейтинге, поскольку их покрытые задачи оказываются наиболее трудоёмкими и часто выполняемыми. Для радиологов две главные задачи — интерпретация диагностических изображений и подготовка интерпретационных отчётов — имеют высокие показатели успешности. Эти профессии имеют низкий охват задач, поскольку ИИ не может выполнять практическую или административную работу в их профессиональных профилях, но он успешно справляется с ключевой интеллектуальной работой, которая доминирует в их рабочем дне.

Microbiologists fall below the 45-degree line, suggesting lower effective AI coverage than would be predicted by task coverage alone. Claude covers half of their tasks, but not their most time-intensive: hands-on research using specialized lab equipment.

Микробиологи располагаются ниже линии 45 градусов, что свидетельствует о более низком эффективном охвате ИИ, чем можно было бы предсказать по охвату задач. Claude покрывает половину их задач, но не самые трудоёмкие: практические исследования с использованием специализированного лабораторного оборудования.

This measure arguably gives a more realistic picture of job-level AI penetration. However, its implications depend on how often these Claude conversations actually displace or augment work that would otherwise be done by humans. For data entry clerks, AI likely does substitute for tasks previously performed manually. But when a Claude conversation maps to a teacher performing a lecture, it is less clear how this translates to reduced lecture time on the job. In future work, we could leverage our 1P API data to understand which of these tasks are being integrated into production workflows.

Эта метрика, вероятно, даёт более реалистичную картину проникновения ИИ на уровне профессий. Однако её последствия зависят от того, насколько часто эти диалоги с Claude фактически вытесняют или дополняют работу, которая иначе выполнялась бы людьми. Для операторов ввода данных ИИ, вероятно, действительно замещает задачи, ранее выполнявшиеся вручную. Но когда диалог с Claude соответствует задаче преподавателя, читающего лекцию, менее очевидно, как это переводится в сокращение лекционного времени на работе. В будущей работе мы могли бы использовать данные 1P API, чтобы понять, какие из этих задач интегрируются в производственные процессы.

AI’s impact on the task content of jobs

Влияние ИИ на содержание задач в профессиях

Beyond how much of a worker's day AI can successfully perform, a separate question is which tasks get covered, and whether those tend to be the high-skill or low-skill components of the job. Recent research has studied changes in the task mix within jobs to understand AI's impact on wages and employment (Autor and Thompson 2025; Hampole et al 2025). A key insight is that automation's effects depend not just on how many tasks are covered, but on which tasks.

Помимо вопроса о том, какую долю рабочего дня ИИ может успешно выполнять, отдельный вопрос — какие именно задачи покрываются и являются ли они высококвалифицированными или низкоквалифицированными компонентами профессии. Недавние исследования изучали изменения в структуре задач внутри профессий для понимания влияния ИИ на заработную плату и занятость (Autor and Thompson 2025; Hampole et al 2025). Ключевой вывод состоит в том, что последствия автоматизации зависят не только от количества покрытых задач, но и от того, какие именно задачи покрываются.

To see how jobs change when we remove the tasks AI can perform, we first construct a measure of the level of skill required for each task. O*NET doesn't provide task-level education requirements, so we train a model that predicts years of schooling from task embeddings, using the BLS's occupation-level education as the target⁴. This way, a low-education occupation may still have a high-skill task if it looks like those that tend to exist in high-education occupations. For example, Legal Secretaries is a 12-year education occupation, but the task “Review legal publications and perform database searches to identify laws and court decisions relevant to pending cases” is predicted to require 17.7 years because it resembles tasks typically performed by lawyers and paralegals.

Чтобы увидеть, как меняются профессии при удалении задач, выполняемых ИИ, мы сначала конструируем метрику уровня квалификации, необходимого для каждой задачи. O*NET не предоставляет требований к образованию на уровне задач, поэтому мы обучаем модель, предсказывающую число лет обучения по эмбеддингам задач, используя в качестве целевой переменной уровень образования для профессии от BLS4. Таким образом, профессия с низким образовательным уровнем может иметь высококвалифицированную задачу, если она похожа на задачи, типичные для профессий с высоким уровнем образования. Например, «Юридические секретари» — это профессия с 12-летним образованием, но задача «Обзор юридических публикаций и поиск по базам данных для выявления законов и судебных решений, относящихся к рассматриваемым делам» прогнозируется на уровне 17,7 лет, поскольку она напоминает задачи, обычно выполняемые юристами и помощниками юристов.

The data shows that Claude tends to cover tasks that require higher levels of education. The mean predicted education for tasks in the economy is 13.2 years. For tasks that we see in our data, the mean prediction is about a year higher, 14.4 years (corresponding to an Associate’s degree). This aligns with the occupation-level results from earlier reports, showing more Claude usage among white collar occupations.

Данные показывают, что Claude склонен покрывать задачи, требующие более высокого уровня образования. Среднее прогнозируемое образование для задач в экономике составляет 13,2 года. Для задач, которые мы наблюдаем в наших данных, среднее значение примерно на год выше — 14,4 года (что соответствует степени Associate). Это согласуется с результатами на уровне профессий из предыдущих отчётов, показывающими более интенсивное использование Claude среди «белых воротничков».

We next calculate how removing AI-covered tasks shifts the average education level of what remains. Overall, the net first-order impact is to deskill jobs, since AI removes tasks that require relatively higher levels of education. One job that experiences such deskilling is technical writers, which loses tasks like "Analyze developments in specific field to determine need for revisions" (18.7 years) and "Review published materials and recommend revisions or changes in scope, format" (16.4 years), leaving tasks like "Draw sketches to illustrate specified materials" (13.6 years) and "Observe production, developmental, and experimental activities" (13.5 years). Travel agents also experience deskilling because AI covers tasks like "Plan, describe, arrange, and sell itinerary tour packages" (13.5 years) and "Compute cost of travel and accommodations" (13.4 years), while tasks like "Print or request transportation carrier tickets" (12.0 years) and "Collect payment for transportation and accommodations" (11.5 years) remain. Several teaching professions experience deskilling because AI addresses tasks like grading, advising students, writing grants, and conducting research without being able to do the hands-on work of delivering lectures in person and managing a classroom.

Далее мы рассчитываем, как удаление задач, покрытых ИИ, сдвигает средний уровень образования оставшихся задач. В целом чистое воздействие первого порядка — деквалификация профессий, поскольку ИИ забирает задачи, требующие относительно более высокого уровня образования. Одна из профессий, испытывающих такую деквалификацию, — технические писатели, которые теряют задачи вроде «Анализ разработок в конкретной области для определения необходимости пересмотра» (18,7 лет) и «Обзор опубликованных материалов и рекомендации по изменениям в объёме, формате» (16,4 года), оставляя задачи вроде «Создание эскизов для иллюстрации определённых материалов» (13,6 лет) и «Наблюдение за производственной, разработочной и экспериментальной деятельностью» (13,5 лет). Турагенты также испытывают деквалификацию, поскольку ИИ покрывает задачи вроде «Планирование, описание, организация и продажа туристических пакетов» (13,5 лет) и «Расчёт стоимости проезда и проживания» (13,4 года), тогда как задачи вроде «Печать или заказ транспортных билетов» (12,0 лет) и «Сбор оплаты за транспорт и проживание» (11,5 лет) остаются. Несколько педагогических профессий испытывают деквалификацию, поскольку ИИ решает задачи — такие как выставление оценок, консультирование студентов, написание грантов и проведение исследований — не имея возможности выполнять практическую работу по чтению лекций и управлению аудиторией.

Some jobs see average education levels increase. Real estate managers experience upskilling because AI covers routine administrative tasks—maintaining sales records (12.8 years), reviewing rents against market rates (12.6 years)—while tasks requiring higher-level professional judgment and in-person interaction remain, like securing loans, negotiating with architecture firms, and meeting with boards.

Некоторые профессии демонстрируют рост среднего уровня образования. Управляющие недвижимостью испытывают повышение квалификации, поскольку ИИ покрывает рутинные административные задачи — ведение записей о продажах (12,8 лет), сравнение арендных ставок с рыночными (12,6 лет) — тогда как задачи, требующие более высокого профессионального суждения и личного присутствия, остаются — например, оформление кредитов, переговоры с архитектурными фирмами и встречи с советами директоров.

These patterns illustrate how jobs may evolve over the coming years as their task content adjusts in response to AI. If the education level can be interpreted like expertise in Autor and Thompson's analysis, their framework might predict that wages will fall and employment will increase for technical writers and travel agents; conversely, real estate managers will specialize in complex negotiations and stakeholder management, shrinking employment while increasing wages.⁵

Эти паттерны иллюстрируют, как профессии могут эволюционировать в ближайшие годы по мере того, как их содержание задач корректируется в ответ на ИИ. Если уровень образования можно интерпретировать как экспертизу в анализе Autor and Thompson, их фреймворк мог бы предсказать, что заработная плата снизится, а занятость возрастёт для технических писателей и турагентов; напротив, управляющие недвижимостью будут специализироваться на сложных переговорах и управлении заинтересованными сторонами, сокращая занятость при росте заработной платы.5

However, our education-based measure differs from Autor and Thompson's expertise concept: their framework would label some tasks as high expertise where ours specifies low education—for example, the Electrician task "Connect wires to circuit breakers, transformers, or other components." And these predictions are based on current Claude usage patterns, which will shift as models are trained on new capabilities and users discover new applications—potentially changing which tasks are covered and whether the net effect is deskilling or upskilling.

Однако наша метрика на основе образования отличается от концепции экспертизы Autor and Thompson: их фреймворк маркировал бы некоторые задачи как высокоэкспертные там, где наша метрика указывает на низкий уровень образования — например, задача электрика «Подключение проводов к автоматическим выключателям, трансформаторам или другим компонентам». И эти прогнозы основаны на текущих паттернах использования Claude, которые будут меняться по мере обучения моделей новым возможностям и обнаружения пользователями новых применений — потенциально меняя, какие задачи покрываются и является ли чистый эффект деквалификацией или повышением квалификации.

Revisiting the aggregate productivity implications of Claude usage

Пересмотр совокупных последствий использования Claude для производительности

In earlier work, we estimated that widespread adoption of AI could increase US labor productivity growth by 1.8 percentage points annually over the next decade. Here we revisit that analysis, incorporating the task success primitive introduced in this report and a richer treatment of task complementarity.

В более ранней работе мы оценили, что широкое внедрение ИИ может увеличить рост производительности труда в США на 1,8 процентного пункта в год в течение следующего десятилетия. Здесь мы пересматриваем этот анализ, включая примитив успешности задач, представленный в этом отчёте, и более детальный учёт комплементарности задач.

Based on the speedups associated with tasks with at least 200 observations in our sample of 1M Claude.ai conversations,⁶ we replicate our previous finding that current-generation AI models and current usage patterns imply a productivity effect of 1.8 percentage points per year over the next decade.⁷

На основе ускорений, связанных с задачами, имеющими не менее 200 наблюдений в нашей выборке из 1 млн диалогов Claude.ai,6 мы воспроизводим наш предыдущий вывод о том, что модели ИИ текущего поколения и текущие паттерны использования подразумевают эффект производительности в 1,8 процентного пункта в год в течение следующего десятилетия.7

With the inclusion of 1P API data, we can assess whether implied labor productivity effects differ based on enterprise Claude deployment patterns. Two countervailing forces are at play: API usage is more concentrated in a narrower set of tasks and occupations (particularly coding-related work), which would tend to reduce implied effects; but task-level speedups are higher on average among API tasks, as implied by Figure 4.1. These forces largely offset: the API sample likewise implies a 1.8 percentage point increase in labor productivity over the next decade.

С включением данных 1P API мы можем оценить, различаются ли подразумеваемые эффекты на производительность труда в зависимости от корпоративных паттернов развёртывания Claude. Действуют две противоположные силы: использование API более сконцентрировано в более узком наборе задач и профессий (особенно связанных с программированием), что снижало бы подразумеваемые эффекты; но ускорения на уровне задач в среднем выше среди задач API, как следует из Рисунка 4.1. Эти силы в значительной мере компенсируют друг друга: выборка API также подразумевает рост производительности труда на 1,8 процентного пункта в течение следующего десятилетия.

A salient critique of this analysis is that it fails to account for model reliability. If workers must validate AI output, the productivity benefits will be smaller than raw speedups suggest. To assess how quantitatively important this channel might be, we incorporate the task success primitive introduced in this report, multiplying task-level time savings by task-specific success rates before aggregating.⁸

Существенная критика этого анализа состоит в том, что он не учитывает надёжность модели. Если работники должны проверять результаты ИИ, выигрыш в производительности будет меньше, чем предполагают «сырые» ускорения. Чтобы оценить количественную значимость этого канала, мы включаем примитив успешности задач, представленный в этом отчёте, умножая экономию времени на уровне задач на процент успешности конкретных задач перед агрегированием.8

This adjustment has a meaningful effect: implied productivity growth falls from 1.8 to 1.2 percentage points per year for the next decade based on Claude.ai usage, and to 1.0 percentage points for API traffic. Yet, even after accounting for reliability, the implied impact remains economically significant—a sustained increase of 1.0 percentage point per year for the next ten years would return US productivity growth to rates that prevailed in the late 1990s and early 2000s.A second critique concerns task complementarity. If some tasks are essential and cannot easily be substituted, then overall productivity effects will be constrained regardless of speedups on other tasks. Teachers may prepare lesson plans more efficiently with AI while having no impact on time spent with students in the classroom.

Эта корректировка оказывает существенный эффект: подразумеваемый рост производительности снижается с 1,8 до 1,2 процентного пункта в год на следующее десятилетие на основе использования Claude.ai и до 1,0 процентного пункта для API-трафика. Тем не менее даже с учётом надёжности подразумеваемое воздействие остаётся экономически значимым — устойчивый рост на 1,0 процентный пункт в год в течение следующих десяти лет вернул бы рост производительности в США к показателям конца 1990-х — начала 2000-х годов. Вторая критика касается комплементарности задач. Если некоторые задачи являются незаменимыми и не могут быть легко замещены, то общие эффекты на производительность будут ограничены вне зависимости от ускорений по другим задачам. Преподаватели могут более эффективно готовить планы уроков с помощью ИИ, не влияя при этом на время, проводимое со студентами в аудитории.

To operationalize this idea, we impose some structure on how we aggregate task-level time savings within occupations but otherwise add up occupational efficiency gains as in the main analysis. Specifically, we suppose that within each occupation tasks are combined according to a Constant Elasticity of Substitution (CES) aggregator, where each task is weighted by the estimated time spent on each task as calculated in our earlier analysis of the productivity effects implied by Claude usage.⁹

Для операционализации этой идеи мы вводим некоторую структуру в агрегирование экономии времени на уровне задач внутри профессий, но в остальном суммируем приросты эффективности по профессиям как в основном анализе. В частности, мы предполагаем, что внутри каждой профессии задачи комбинируются по агрегатору с постоянной эластичностью замещения (CES), где каждая задача взвешена по оценочному времени, затрачиваемому на задачу, как рассчитано в нашем более раннем анализе эффектов производительности, подразумеваемых использованием Claude.9

The key parameter is the elasticity of substitution across tasks, σ. When the elasticity of substitution is less than one, tasks are complements and those tasks that are not sped up by AI become bottlenecks for broader productivity gains. Alternatively, when the elasticity of substitution is greater than one, then workers can allocate toward the more productive tasks—thereby amplifying the overall time savings at the occupational level. An elasticity of substitution equal to one is a special case that replicates the main analysis above.

Ключевой параметр — эластичность замещения между задачами, σ. Когда эластичность замещения меньше единицы, задачи являются комплементами, и те задачи, которые не ускоряются ИИ, становятся узкими местами для общего прироста производительности. Наоборот, когда эластичность замещения больше единицы, работники могут перераспределяться на более продуктивные задачи — тем самым усиливая общую экономию времени на уровне профессии. Эластичность замещения, равная единице, — это частный случай, воспроизводящий основной анализ выше.

Figure 4.6 reports the results of this exercise for different values of task substitutability. As expected, when the elasticity of substitution is equal to one the implied productivity effect is the same as in our baseline analysis: An increase in labor productivity growth of ~1.8 percentage points per year over the next decade implied by both Claude.ai and API samples.

Рисунок 4.6 представляет результаты этого упражнения для различных значений взаимозаменяемости задач. Как и ожидалось, при эластичности замещения, равной единице, подразумеваемый эффект на производительность совпадает с нашим базовым анализом: рост производительности труда на ~1,8 процентного пункта в год в течение следующего десятилетия, подразумеваемый обеими выборками — Claude.ai и API.

When tasks are complements, however, the implied aggregate labor productivity impact declines sharply as the economic effects are bottlenecked by tasks that AI speeds up the least. For example, at =0.5 the implied overall labor productivity effect is 0.7-0.9 percentage points per year—around half the size as implied by our baseline estimates. Additionally adjusting for task success further reduces the implied productivity effects to 0.8pp for Claude.ai and 0.6pp for API.

Однако когда задачи являются комплементами, подразумеваемое совокупное воздействие на производительность труда резко снижается, поскольку экономические эффекты ограничиваются узкими местами — задачами, которые ИИ ускоряет в наименьшей степени. Например, при σ = 0,5 подразумеваемый эффект на общую производительность труда составляет 0,7–0,9 процентного пункта в год — примерно вдвое меньше базовых оценок. Дополнительная корректировка на успешность задач ещё более снижает подразумеваемые эффекты до 0,8 п.п. для Claude.ai и 0,6 п.п. для API.

On the other hand, when the elasticity of substitution is greater than one, the implied labor productivity based on pre-Opus 4.5 usage patterns is materially higher. For example, at =1.5 the implied labor productivity effect rises to 2.2-2.6 percentage points per year, consistent with greater specialization in tasks where AI provides the largest speedups.

С другой стороны, когда эластичность замещения больше единицы, подразумеваемая производительность труда на основе паттернов использования до выхода Opus 4.5 существенно выше. Например, при σ = 1,5 подразумеваемый эффект на производительность труда возрастает до 2,2–2,6 процентного пункта в год, что согласуется с более глубокой специализацией на задачах, где ИИ обеспечивает наибольшее ускорение.

In both cases the implied productivity impact based on API traffic is more responsive to the degree of task substitutability. This is consistent with the fact that there is a larger share of API traffic concentrated in fewer tasks and associated occupations as compared to Claude.ai: When tasks are complements, this concentration amplifies the bottleneck problem; when they are substitutes, it amplifies productivity gains from task specialization.

В обоих случаях подразумеваемое воздействие на производительность на основе API-трафика более чувствительно к степени взаимозаменяемости задач. Это согласуется с тем, что большая доля API-трафика сконцентрирована в меньшем числе задач и связанных профессий по сравнению с Claude.ai: когда задачи являются комплементами, эта концентрация усиливает проблему узких мест; когда они являются субститутами, она усиливает прирост производительности от специализации на задачах.

What this analysis shows is that the productivity effects of automation may ultimately be constrained by bottleneck tasks that elude AI automation for the time being. And the labor market implications of increasingly capable AI could be similarly affected by such forces. For example, Gans and Goldfarb (2026) argue that the presence of bottleneck tasks within jobs means that partial AI automation can lead to an increase in labor income as such tasks increase in economic value (at least until a job is entirely automated).

Этот анализ показывает, что эффекты автоматизации на производительность в конечном счёте могут быть ограничены задачами-узкими местами, которые пока не поддаются автоматизации ИИ. А последствия для рынка труда от всё более способного ИИ могут аналогично подвергаться влиянию таких сил. Например, Gans and Goldfarb (2026) утверждают, что наличие задач-узких мест внутри профессий означает, что частичная автоматизация ИИ может привести к росту трудовых доходов, поскольку такие задачи возрастают в экономической ценности (по крайней мере, до полной автоматизации профессии).

Conclusion

Заключение

The upshot of this chapter is that the impact of AI on the economy is unlikely to be uniform. As our effective AI coverage framework illustrates, the labor market implications for different workers will hinge on how reliable frontier AI tools are for their most central tasks.

Главный вывод этой главы состоит в том, что влияние ИИ на экономику вряд ли будет равномерным. Как показывает наш фреймворк эффективного охвата ИИ, последствия для рынка труда для разных работников будут зависеть от того, насколько надёжны передовые инструменты ИИ для их наиболее центральных задач.

But the labor market effects may also depend on the skill requirements of tasks that AI can proficiently handle relative to the rest of the economy. Indeed, we find that removing tasks Claude can already handle from the economy would produce a net deskilling effect: the tasks remaining for humans have lower educational requirements than those handled by AI.

Но последствия для рынка труда могут также зависеть от требований к квалификации задач, с которыми ИИ компетентно справляется, по сравнению с остальной экономикой. Действительно, мы обнаруживаем, что удаление задач, которые Claude уже может выполнять, из экономики привело бы к чистому эффекту деквалификации: задачи, остающиеся для людей, имеют более низкие образовательные требования, чем те, которые выполняет ИИ.

While highly suggestive, this may miss an important detail: the most complex tasks where Claude is used tend also to be those where it struggles most. Rather than displacing highly skilled professionals, this could instead reinforce the value of their complementary expertise in understanding AI's work and assessing its quality.

Хотя это весьма показательно, возможно, упускается важная деталь: наиболее сложные задачи, для которых используется Claude, как правило, являются теми, с которыми он справляется хуже всего. Вместо вытеснения высококвалифицированных специалистов это может, напротив, укрепить ценность их комплементарной экспертизы в понимании работы ИИ и оценке её качества.

The counterpart to these transformative labor market effects is the broader impact on growth and productivity. On the one hand, incorporating task reliability into our analysis diminishes the implied effect on labor productivity growth as informed by current Claude usage patterns. If bottleneck tasks bind, the implied impact diminishes further. On the other hand, the continuing growth in model capabilities suggests that both task coverage and task success may increase, which, in turn, could increase productivity impacts.

Обратной стороной этих трансформационных последствий для рынка труда является более широкое влияние на рост и производительность. С одной стороны, включение надёжности задач в наш анализ снижает подразумеваемый эффект на рост производительности труда, основанный на текущих паттернах использования Claude. Если задачи-узкие места ограничивают процесс, подразумеваемое воздействие снижается ещё более. С другой стороны, продолжающийся рост возможностей моделей свидетельствует о том, что как охват задач, так и успешность задач могут увеличиться, что, в свою очередь, может усилить эффекты на производительность.

¹ When we study the correlation between primitives with the O*NET, we restrict to tasks appearing in at least 100 conversations to reduce measurement error. In the coverage analysis, we use all tasks above the privacy threshold of 15.

1 При изучении корреляции между примитивами и O*NET мы ограничиваемся задачами, встречающимися как минимум в 100 диалогах, для снижения ошибки измерения. В анализе охвата мы используем все задачи выше порога конфиденциальности в 15.

² Our online appendix is available at https://huggingface.co/datasets/Anthropic/EconomicIndex.

2 Наше онлайн-приложение доступно по адресу https://huggingface.co/datasets/Anthropic/EconomicIndex.

³ See also Tomlinson et al (2025) for a related AI applicability score.

3 См. также Tomlinson et al (2025) для связанного показателя применимости ИИ.

⁴ We generate embeddings for each task statement using a pretrained sentence transformer (all-mpnet-base-v2) and predict education with Ridge regression.

4 Мы генерируем эмбеддинги для каждого описания задачи с помощью предобученного sentence-трансформера (all-mpnet-base-v2) и предсказываем уровень образования с помощью Ridge-регрессии.

⁵ On the other hand, some historical evidence suggests that when technologies automating job tasks appear in patent data, employment and wages subsequently fall for exposed occupations (Webb 2020).

5 С другой стороны, некоторые исторические данные свидетельствуют о том, что когда технологии, автоматизирующие рабочие задачи, появляются в патентных данных, занятость и заработная плата впоследствии снижаются для подверженных профессий (Webb 2020).

⁶ When we first assessed the aggregate productivity implications of Claude usage, we relied on a sample of 100k Claude.ai conversations from Fall 2025. Based on the set of tasks for which we observed speedups, we estimated that labor productivity could be 1.8 percentage points higher per year over the next decade. Expanding the sample to 1M observations means that we need to take a stand on how to handle very infrequently occurring tasks—which are very common given that usage follows a power law, as we documented in our past report. We choose a threshold of 0.02% because it replicates our previous results for our sample of Claude.ai conversations. For privacy-preserving reasons, we only ever analyze tasks with at least 15 observations, or an implied threshold of 0.015% for a 100k sample. And so our results are internally consistent across samples. If we do not impose a restriction on our 1M sample and assume that efficiency gains for any task in our sample, even those with just 15 observations out of one million, the implied aggregate labor productivity growth over the next decade would be roughly 5% percentage points per year—a mechanical increase based on a the much larger set of tasks included.

6 Когда мы впервые оценивали совокупные последствия использования Claude для производительности, мы опирались на выборку из 100 тыс. диалогов Claude.ai за осень 2025 года. На основе набора задач, для которых мы наблюдали ускорения, мы оценили, что производительность труда может быть на 1,8 процентного пункта выше в год в течение следующего десятилетия. Расширение выборки до 1 млн наблюдений означает, что нам необходимо определиться с тем, как обращаться с очень редко встречающимися задачами — которые весьма распространены, учитывая, что использование следует степенному закону, как мы документировали в прошлом отчёте. Мы выбираем порог 0,02%, поскольку он воспроизводит наши предыдущие результаты для выборки диалогов Claude.ai. По соображениям конфиденциальности мы анализируем только задачи с не менее чем 15 наблюдениями, что подразумевает порог 0,015% для выборки в 100 тыс. Таким образом, наши результаты внутренне согласованы по выборкам. Если не накладывать ограничений на нашу выборку в 1 млн и предполагать прирост эффективности для любой задачи в нашей выборке — даже с 15 наблюдениями из миллиона — подразумеваемый совокупный рост производительности труда в следующем десятилетии составил бы примерно 5 процентных пунктов в год — механический рост на основе значительно большего набора включённых задач.

⁷ As before, this result is based on applying Hulten’s Theorem to task-level productivity shocks and assuming that the corresponding one-time increase in total factor productivity materializes over the course of a decade alongside capital deepening effects.
⁸ As a reminder, for aggregating to implied labor productivity we calculate task-level efficiency gains as the log difference between human time without AI and with AI. There are certainly other ways to adjust based on task reliability. If tasks in our sample are composed of sub-tasks with heterogeneous AI applicability, and workers optimally deploy AI only on sub-tasks where it is effective, then scaling the efficiency gain by the success rate captures the extensive margin of AI adoption within a task.

7 Как и прежде, этот результат основан на применении теоремы Хультена к шокам производительности на уровне задач и предположении о том, что соответствующий разовый прирост совокупной факторной производительности реализуется в течение десятилетия наряду с эффектами углубления капитала. 8 Напомним, что для агрегирования до подразумеваемой производительности труда мы рассчитываем прирост эффективности на уровне задач как логарифмическую разницу между временем человека без ИИ и с ИИ. Безусловно, существуют и другие способы корректировки на надёжность задач. Если задачи в нашей выборке состоят из подзадач с разнородной применимостью ИИ и работники оптимально используют ИИ только для подзадач, где он эффективен, то масштабирование прироста эффективности на процент успешности отражает экстенсивную маржу внедрения ИИ внутри задачи.

⁹ We use a CES (constant elasticity of substitution) production function to aggregate task-level time savings to economy-wide productivity impacts. The elasticity parameter σ governs how easily workers can substitute between tasks. When σ=1, we apply Hulten's theorem directly: the aggregate productivity gain equals the wage-share-weighted sum of log speedups across tasks. For σ≠1, we use a two-level aggregation: first, within each occupation, we compute an occupation-level speedup as a CES aggregate of task speedups weighted by time fractions, using ρ=(σ-1)/σ. Then we apply Hulten's theorem to these occupation-level speedups. When σ<1 (complements), productivity gains are bottlenecked by tasks with the smallest speedups. When σ>1 (substitutes), workers can specialize in tasks where AI provides the largest speedups, amplifying aggregate gains. For tasks without observed AI speedup data, we assume no productivity change. We thank Pascual Restrepo for suggesting this particular exercise.

9 Мы используем производственную функцию CES (с постоянной эластичностью замещения) для агрегирования экономии времени на уровне задач в общеэкономические эффекты на производительность. Параметр эластичности σ определяет, насколько легко работники могут замещать одну задачу другой. При σ = 1 мы применяем теорему Хультена напрямую: совокупный прирост производительности равен взвешенной по доле заработной платы сумме логарифмов ускорений по задачам. При σ ≠ 1 мы используем двухуровневое агрегирование: сначала внутри каждой профессии мы вычисляем ускорение на уровне профессии как CES-агрегат ускорений задач, взвешенных по долям времени, с ρ = (σ−1)/σ. Затем мы применяем теорему Хультена к этим ускорениям на уровне профессий. При σ < 1 (комплементы) прирост производительности ограничивается задачами с наименьшими ускорениями. При σ > 1 (субституты) работники могут специализироваться на задачах, где ИИ обеспечивает наибольшее ускорение, усиливая совокупный прирост. Для задач без наблюдаемых данных об ускорении ИИ мы предполагаем отсутствие изменения производительности. Мы благодарим Pascual Restrepo за предложение этого конкретного упражнения.

Concluding Remarks

Заключительные замечания

This fourth Anthropic Economic Index Report introduces economic primitives—foundational characteristics of AI use—that show how Claude is used by both consumers and firms. We use Claude to estimate the extent to which usage varies along these dimensions; these measures are directionally accurate and, taken together, provide important signals even if individual classifications are imperfect.

Четвёртый отчёт Anthropic Economic Index вводит экономические примитивы — базовые характеристики использования ИИ — которые показывают, как Claude используется как потребителями, так и компаниями. Мы используем Claude для оценки степени, в которой использование варьируется по этим измерениям; эти метрики направленно точны и в совокупности предоставляют важные сигналы, даже если отдельные классификации несовершенны.

Our findings carry significant implications for how AI will reshape economies and labor markets. Notably, Claude tends to be used more, and appears to provide greater productivity boosts, on tasks that require higher education. If these tasks shrink for US workers, the net effect could be to deskill jobs. But these impacts depend crucially on complementarity across tasks, and whether increased productivity at a certain task may increase the demand for it.

Наши выводы имеют значительные последствия для того, как ИИ перестроит экономику и рынки труда. В частности, Claude используется чаще и, по-видимому, обеспечивает больший прирост производительности для задач, требующих более высокого уровня образования. Если эти задачи сократятся для американских работников, чистым эффектом может стать деквалификация профессий. Однако эти последствия критически зависят от комплементарности задач и от того, может ли рост производительности в определённой задаче увеличить спрос на неё.

At the global level, the strong relationship between per capita income and usage patterns—with higher-income nations using Claude collaboratively while lower-income countries focus on coursework and specific applications—suggests that AI's impact will be mediated by existing institutional structures rather than unfolding uniformly. Geographic diffusion patterns reinforce this picture. Within the US, per capita usage has converged slightly; globally, diffusion is slower. Combined with income-driven differences in how AI is used, this raises questions about whether AI will narrow or widen international economic gaps.

На глобальном уровне сильная связь между подушевым доходом и паттернами использования — где страны с более высоким доходом используют Claude коллаборативно, а страны с более низким доходом сосредоточены на учёбе и конкретных приложениях — свидетельствует о том, что влияние ИИ будет опосредовано существующими институциональными структурами, а не будет развиваться единообразно. Паттерны географического распространения подтверждают эту картину. Внутри США подушевое использование немного сконвергировало; в глобальном масштабе распространение идёт медленнее. В сочетании с обусловленными доходом различиями в том, как используется ИИ, это ставит вопрос о том, сократит или увеличит ИИ международные экономические разрывы.

Equally important to the patterns documented here are potential changes across this and subsequent reports. As AI capabilities advance, Claude's success rate may increase, usage patterns may show greater autonomy, users may tackle new and more complex tasks, and tasks that prove automatable may graduate from interactive chat to API deployment. We will track these dynamics over time, providing a longitudinal view of AI's role in the economy.

Не менее важны, чем задокументированные здесь паттерны, потенциальные изменения в этом и последующих отчётах. По мере развития возможностей ИИ процент успешности Claude может вырасти, паттерны использования могут демонстрировать большую автономию, пользователи могут браться за новые и более сложные задачи, а задачи, поддающиеся автоматизации, могут перейти из интерактивного чата в развёртывание через API. Мы будем отслеживать эту динамику на протяжении времени, обеспечивая лонгитюдный взгляд на роль ИИ в экономике.

Building on prior releases, this edition significantly expands both the scope and transparency of usage data we share, including task-level classifications along new dimensions and regional breakdowns globally for the first time. We publish this data to enable researchers, journalists, and the public to investigate novel questions about AI's economic impacts that can form the empirical foundation for policy responses.

Опираясь на предыдущие публикации, этот выпуск значительно расширяет как охват, так и прозрачность данных об использовании, которыми мы делимся, включая классификации задач по новым измерениям и региональные разбивки на глобальном уровне впервые. Мы публикуем эти данные, чтобы дать возможность исследователям, журналистам и общественности исследовать новые вопросы об экономическом воздействии ИИ, которые могут стать эмпирической основой для политических решений.

How willing users are to experiment with AI, and whether policymakers create a regulatory context that advances both safety and innovation, will shape how AI transforms economies. For AI to benefit users globally, expanding access alone will not suffice—developing the human capital that enables effective use, particularly in lower-income economies, is essential.

Готовность пользователей экспериментировать с ИИ и создание регуляторами контекста, способствующего как безопасности, так и инновациям, определят, как ИИ трансформирует экономику. Чтобы ИИ приносил пользу пользователям во всём мире, одного лишь расширения доступа недостаточно — развитие человеческого капитала, обеспечивающего эффективное использование, особенно в странах с более низким доходом, является необходимым.

Authors & Acknowledgements

Авторы и благодарности

First Author Block*:

Блок первых авторов*:

Ruth Appel, Maxim Massenkoff, Peter McCrory

Ruth Appel, Maxim Massenkoff, Peter McCrory

*Lead authors of the report

*Ведущие авторы отчёта

Second Author Block:

Блок вторых авторов:

Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin

Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin

Acknowledgements

Благодарности

Xabi Azagirre, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Sylvie Carr, Miriam Chaum, Ronan Davy, Evan Frondorf, Deep Ganguli, Kunal Handa, Andrew Ho, Rebecca Jacobs, Owen Kaye-Kauderer, Bianca Lindner, Kelly Loftus, James Ma, Jennifer Martinez, Jared Mueller, Kelsey Nanan, Kim O'Rourke, Dianne Penn, Sarah Pollack, Ankur Rathi, Zoe Richards, Alexandra Sanderford, David Saunders, Michael Sellitto, Thariq Shihipar, Michael Stern, Kim Withee, Mengyi Xu, Tony Zeng, Xiuruo Zhang, Shuyi Zheng, Emily Pastewka, Angeli Jain, Sarah Heck, Jared Kaplan, Jack Clark, Dario Amodei

Xabi Azagirre, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Sylvie Carr, Miriam Chaum, Ronan Davy, Evan Frondorf, Deep Ganguli, Kunal Handa, Andrew Ho, Rebecca Jacobs, Owen Kaye-Kauderer, Bianca Lindner, Kelly Loftus, James Ma, Jennifer Martinez, Jared Mueller, Kelsey Nanan, Kim O'Rourke, Dianne Penn, Sarah Pollack, Ankur Rathi, Zoe Richards, Alexandra Sanderford, David Saunders, Michael Sellitto, Thariq Shihipar, Michael Stern, Kim Withee, Mengyi Xu, Tony Zeng, Xiuruo Zhang, Shuyi Zheng, Emily Pastewka, Angeli Jain, Sarah Heck, Jared Kaplan, Jack Clark, Dario Amodei

Citation

Цитирование

@online{anthropic2026aeiv4, author = {Ruth Appel and Maxim Massenkoff and Peter McCrory and Miles McCain and Ryan Heller and Tyler Neylon and Alex Tamkin}, title = {Anthropic Economic Index report: economic primitives}, date = {2026-01-15}, year = {2026}, url = {https://www.anthropic.com/research/anthropic-economic-index-january-2026-report}, }

@online{anthropic2026aeiv4, author = {Ruth Appel and Maxim Massenkoff and Peter McCrory and Miles McCain and Ryan Heller and Tyler Neylon and Alex Tamkin}, title = {Anthropic Economic Index report: economic primitives}, date = {2026-01-15}, year = {2026}, url = {https://www.anthropic.com/research/anthropic-economic-index-january-2026-report}, }

Related content

Связанные материалы

2028: Two scenarios for global AI leadership

2028: Два сценария глобального лидерства в ИИ

Our views on the AI competition between the US and China.

Наши взгляды на конкуренцию в области ИИ между США и Китаем.

Teaching Claude why

Обучение Claude причинам

New research on how we've reduced agentic misalignment.

Новое исследование о том, как мы снизили агентное рассогласование.

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.

Модели ИИ вроде Claude говорят словами, но думают числами. В этом исследовании мы обучаем Claude переводить свои мысли в читаемый человеком текст.