Anthropic Education Report: The AI Fluency Index

Anthropic Education Report: The AI Fluency Index

Отчёт Anthropic Education: Индекс ИИ-грамотности

People are integrating AI tools into their daily routines at a pace that would have been difficult to predict even a year ago. But adoption alone doesn’t tell us much about the impact of these tools. A further, equally important question is: as AI becomes part of everyday life, are individuals developing the skills to use it well?

Люди встраивают ИИ-инструменты в свои повседневные привычки с темпом, который ещё год назад было бы трудно предсказать. Но само по себе внедрение мало что говорит нам о влиянии этих инструментов. Ещё один, не менее важный вопрос: по мере того как ИИ становится частью повседневной жизни, развивают ли люди навыки, чтобы использовать его хорошо?

Previous Anthropic Education Reports have studied how university students and educators use Claude. We found that students use it to create reports and analyze lab results; educators use it to build lesson materials and automate routine work. But we know that any person who uses AI is likely to improve at what they do. We wanted to explore this further, and to understand how people using AI develop “fluency” with this technology over time.

Предыдущие отчёты Anthropic Education изучали, как студенты университетов и преподаватели используют Claude. Мы выяснили, что студенты применяют его для создания отчётов и анализа результатов лабораторных работ; преподаватели — для подготовки учебных материалов и автоматизации рутинной работы. Но мы знаем, что любой человек, который использует ИИ, скорее всего, становится лучше в том, что он делает. Нам захотелось изучить это глубже и понять, как люди, использующие ИИ, со временем развивают «грамотность» в работе с этой технологией.

In this report, we begin answering that question. We track the presence or absence of a taxonomy of behaviors that we take to represent AI fluency across a large sample of anonymized conversations.

В этом отчёте мы начинаем отвечать на этот вопрос. Мы отслеживаем наличие или отсутствие таксономии моделей поведения, которые мы считаем отражением ИИ-грамотности, на большой выборке анонимизированных диалогов.

In line with our recent Economic Index, we find that the most common expression of AI fluency is augmentative—treating AI as a thought partner, rather than delegating work entirely. In fact, these conversations exhibit more than double the number of AI fluency behaviors than quick, back-and-forth chats.

В соответствии с нашим недавним Экономическим индексом, мы обнаруживаем, что самое распространённое проявление ИИ-грамотности — аугментативное: восприятие ИИ как партнёра по мышлению, а не полное делегирование работы. Более того, такие диалоги демонстрируют более чем вдвое больше моделей поведения ИИ-грамотности, чем быстрые диалоги в формате коротких обменов репликами.

But we also find that when AI produces artifacts—including apps, code, documents, or interactive tools—users are less likely to question its reasoning (-3.1 percentage points) or identify missing context (-5.2pp). This aligns with related patterns we observed in our recent study on coding skills.

Но мы также обнаруживаем, что когда ИИ создаёт артефакты — включая приложения, код, документы или интерактивные инструменты — пользователи реже ставят под сомнение его рассуждения (-3,1 процентного пункта) или выявляют недостающий контекст (-5,2 п.п.). Это согласуется со схожими закономерностями, которые мы наблюдали в нашем недавнем исследовании навыков программирования.

These initial findings present us with a baseline that we can use to study the development of AI fluency over time.

Эти первоначальные результаты дают нам отправную точку, которую мы можем использовать для изучения развития ИИ-грамотности со временем.

Measuring AI fluency

Измерение ИИ-грамотности

To quantify AI fluency, we use the 4D AI Fluency Framework, developed by Professors Rick Dakan and Joseph Feller in collaboration with Anthropic. This framework helps us define 24 specific behaviors that we take to exemplify safe and effective human-AI collaboration.

Чтобы количественно оценить ИИ-грамотность, мы используем фреймворк 4D AI Fluency, разработанный профессорами Rick Dakan и Joseph Feller в сотрудничестве с Anthropic. Этот фреймворк помогает нам определить 24 конкретные модели поведения, которые мы считаем примерами безопасного и эффективного взаимодействия человека и ИИ.

Of these 24 behaviors, 11 (listed in the graph below) are directly observable when humans interact with Claude on Claude.ai or Claude Code. The other 13 (including things like being honest about AI’s role in work, or considering the consequences of sharing AI-generated output), happen outside Claude.ai’s chat interface, so they’re much harder for us to track. These unobservable behaviors are arguably some of the most consequential dimensions of AI fluency, so in future work we plan to use qualitative methods to assess them.

Из этих 24 моделей поведения 11 (перечисленных на графике ниже) напрямую наблюдаемы, когда люди взаимодействуют с Claude на Claude.ai или Claude Code. Остальные 13 (включая такие вещи, как честность в отношении роли ИИ в работе или учёт последствий распространения результатов, созданных ИИ) происходят за пределами чат-интерфейса Claude.ai, поэтому нам гораздо сложнее их отследить. Эти ненаблюдаемые модели поведения, возможно, относятся к одним из самых значимых измерений ИИ-грамотности, поэтому в будущей работе мы планируем использовать качественные методы для их оценки.

For this study, we focused on the 11 directly observable behaviors. We used our privacy-preserving analysis tool to study 9,830 conversations that included several back-and-forths with Claude on Claude.ai during a 7-day window in January 2026.¹ We then measured the presence or absence of the 11 behaviors; each conversation could display evidence of multiple behaviors. We assessed the reliability of our sample by checking whether our results were consistent across each day of the week, and across the different languages in our sample (we found that they were).² This, finally, gave us the AI Fluency Index: a baseline measurement of how people collaborate with AI today, and a foundation for tracking how those behaviors evolve over time as models change.

Для этого исследования мы сосредоточились на 11 напрямую наблюдаемых моделях поведения. Мы использовали наш инструмент анализа, сохраняющий конфиденциальность, чтобы изучить 9830 диалогов, включавших несколько обменов репликами с Claude на Claude.ai в течение 7-дневного окна в январе 2026 года.1 Затем мы измерили наличие или отсутствие 11 моделей поведения; каждый диалог мог демонстрировать признаки нескольких моделей поведения. Мы оценили надёжность нашей выборки, проверив, согласуются ли наши результаты по каждому дню недели и по разным языкам в нашей выборке (мы обнаружили, что согласуются).2 В итоге это и дало нам Индекс ИИ-грамотности: базовое измерение того, как люди взаимодействуют с ИИ сегодня, и основу для отслеживания того, как эти модели поведения эволюционируют со временем по мере изменения моделей.

Results

Результаты

With our first study, we’ve found two main patterns in Claude use: a strong relationship between AI fluency and iteration and refinement through longer conversations with Claude, and changes in users’ fluency behaviors when coding or building other outputs.

В нашем первом исследовании мы обнаружили две основные закономерности в использовании Claude: сильную связь между ИИ-грамотностью и итеративным уточнением через более длинные диалоги с Claude, а также изменения в fluency-поведении пользователей при программировании или создании других результатов.

Fluency is strongly associated with conversations that exhibit iteration and refinement

Грамотность тесно связана с диалогами, в которых проявляются итерации и уточнение

One of the strongest patterns in the data is the relationship between iteration and refinement and every other AI fluency behavior. 85.7% of the conversations in our sample exhibited iteration and refinement: building on previous exchanges to refine the user’s work, rather than accepting the first response and moving to a new task. These conversations showed substantially higher rates of other fluency behaviors, as the chart below shows:

Одна из самых сильных закономерностей в данных — связь между итеративным уточнением и любой другой моделью поведения ИИ-грамотности. 85,7% диалогов в нашей выборке демонстрировали итерации и уточнение: пользователи опирались на предыдущие обмены репликами, чтобы доработать свою работу, вместо того чтобы принять первый ответ и перейти к новой задаче. В таких диалогах наблюдались существенно более высокие показатели других fluency-поведений, как показано на графике ниже:

On average, conversations with iteration and refinement exhibit 2.67 additional fluency behaviors—roughly double the non-iterative rate of 1.33. This is especially pronounced for fluency behaviors related to evaluating Claude’s outputs. Conversations with iteration and refinement are 5.6x more likely to involve users questioning Claude’s reasoning, and 4x more likely to see them identify missing context.

В среднем диалоги с итерациями и уточнением демонстрируют на 2,67 fluency-поведений больше — примерно вдвое выше неитеративного показателя в 1,33. Это особенно заметно для fluency-поведений, связанных с оценкой результатов Claude. В диалогах с итерациями и уточнением пользователи в 5,6 раза чаще ставят под сомнение рассуждения Claude и в 4 раза чаще выявляют недостающий контекст.

When creating outputs, users become more directive but less evaluative

При создании результатов пользователи становятся более директивными, но менее критичными в оценке

12.3% of conversations in our sample involved artifacts, including code, documents, interactive tools, and other outputs. In these conversations, people collaborated with AI quite differently.

12,3% диалогов в нашей выборке были связаны с артефактами, включая код, документы, интерактивные инструменты и другие результаты. В этих диалогах люди взаимодействовали с ИИ совсем иначе.

Specifically, we found substantially higher rates of behaviors that fall within the broader themes of “description” and “delegation.” For instance, these conversations are more likely to see users clarify their goal (+14.7pp), specify a format (+14.5pp), provide examples (+13.4pp), and iterate (+9.7pp) compared to non-artifact conversations. In other words, they’re doing more to direct AI at the outset of their work.

В частности, мы обнаружили существенно более высокие показатели поведения, относящегося к более широким темам «описания» и «делегирования». Например, в таких диалогах пользователи чаще уточняют свою цель (+14,7 п.п.), задают формат (+14,5 п.п.), приводят примеры (+13,4 п.п.) и итерируют (+9,7 п.п.) по сравнению с диалогами без артефактов. Иными словами, они делают больше для того, чтобы направить ИИ в самом начале своей работы.

But this directiveness doesn’t correspond with greater levels of evaluation or discernment. In fact, it’s the opposite: in conversations where artifacts are created, users are less likely to identify missing context (-5.2pp), check facts (-3.7pp), or question the model’s reasoning by asking it to explain its rationale (-3.1pp). Our Economic Index finds that—unsurprisingly—the most complex tasks are where Claude struggles the most, so this seems particularly noteworthy.

Но эта директивность не соответствует более высокому уровню оценки или критического осмысления. На самом деле — наоборот: в диалогах, где создаются артефакты, пользователи реже выявляют недостающий контекст (-5,2 п.п.), проверяют факты (-3,7 п.п.) или ставят под сомнение рассуждения модели, прося её объяснить своё обоснование (-3,1 п.п.). Наш Экономический индекс показывает, что — что неудивительно — именно с самыми сложными задачами Claude справляется хуже всего, поэтому это представляется особенно примечательным.

There are several possible explanations for this pattern. It might be that Claude is creating polished, functional-looking outputs, for which it doesn’t seem necessary to question things further: if the work looks finished, users might treat it as such. But it’s also possible that artifact conversations involve tasks where factual precision matters less than aesthetics or functionality (designing a UI, for instance, versus writing a legal analysis). Or users might be evaluating artifacts through channels we can’t observe—running code, testing an app elsewhere, sharing a draft with a colleague—rather than expressing their evaluation within that same initial conversation.

У этой закономерности есть несколько возможных объяснений. Возможно, дело в том, что Claude создаёт отшлифованные, выглядящие функциональными результаты, для которых не кажется необходимым задавать дополнительные вопросы: если работа выглядит завершённой, пользователи могут так к ней и относиться. Но также возможно, что диалоги с артефактами связаны с задачами, где фактологическая точность важна меньше, чем эстетика или функциональность (например, проектирование интерфейса в противоположность написанию юридического анализа). Или же пользователи могут оценивать артефакты через каналы, которые мы не можем наблюдать — запуская код, тестируя приложение в другом месте, делясь черновиком с коллегой — а не выражая свою оценку в рамках того же исходного диалога.

Whatever the explanation, the pattern is worth paying attention to. As AI models become increasingly capable of producing polished-looking outputs, the ability to critically evaluate those outputs, whether in direct conversation or through other means, will become more valuable rather than less.

Каким бы ни было объяснение, на эту закономерность стоит обратить внимание. По мере того как ИИ-модели становятся всё более способными производить отшлифованно выглядящие результаты, способность критически оценивать эти результаты — будь то в прямом диалоге или иными способами — будет становиться более ценной, а не менее.

Developing your own AI fluency

Развитие собственной ИИ-грамотности

Limitations

Ограничения

This research comes with important caveats:

У этого исследования есть важные оговорки:

Ограничения выборки: Наша выборка отражает пользователей Claude.ai, которые вели многошаговые диалоги в течение одной недели в январе 2026 года. Поскольку мы считаем, что это всё ещё относительно ранняя стадия распространения ИИ-инструментов, эти пользователи, вероятно, смещены в сторону ранних последователей, которые уже комфортно чувствуют себя с ИИ — то есть тех, кто может не представлять более широкую популяцию. Нашу выборку следует понимать как базовую точку отсчёта для этой популяции, а не как универсальный эталон. Поскольку данные собраны за одну неделю, они также не способны уловить какие-либо сезонные или продольные эффекты. И поскольку исследование сосредоточено на Claude.ai, мы не фиксируем, как пользователи взаимодействуют с другими ИИ-платформами.Частичный охват фреймворка: В этом исследовании мы оценили только 11 из 24 поведенческих индикаторов, которые напрямую наблюдаемы в диалогах на Claude.ai. Все модели поведения, связанные с ответственным и этичным использованием результатов ИИ, происходят за пределами этих диалогов и не фиксируются.Бинарная классификация: Для каждого диалога в нашей выборке мы классифицируем каждую модель поведения как присутствующую или отсутствующую. Но это, вероятно, упускает существенные нюансы — такие как спорные или частичные проявления моделей поведения или пересекающиеся сигналы между ними.Неявные модели поведения: Пользователи могут демонстрировать fluency-поведение мысленно (например, проверяя утверждения Claude по собственным знаниям), не выражая этого в диалоге. Это представляется особенно актуальным для наших данных об артефактах — пользователи могут оценивать результаты Claude через тестирование и практическое использование, а не через видимое в диалоге поведение.Корреляционные выводы: Выявленные нами связи носят корреляционный характер. Мы не знаем, вызывает ли одна модель поведения другую, или же обе отражают некий общий лежащий в основе фактор, такой как сложность задачи или предпочтения пользователя.

Looking ahead

Взгляд в будущее

This study offers us a baseline that we can use to assess how AI fluency is changing over time. As AI capabilities evolve and adoption increases, we’re aiming to learn whether users are developing more sophisticated behaviors, which skills are emerging naturally with experience, and which will require more intentional development.

Это исследование даёт нам базовую точку отсчёта, которую мы можем использовать для оценки того, как ИИ-грамотность меняется со временем. По мере того как возможности ИИ развиваются, а внедрение растёт, мы стремимся выяснить, развивают ли пользователи более сложные модели поведения, какие навыки возникают естественным образом с опытом, а какие потребуют более целенаправленного развития.

In future work, we plan to extend our analysis in several directions. First, we plan to conduct “cohort analyses,” comparing new users to experienced ones in order to understand how familiarity with AI is correlated with fluency development. Second, we plan to use qualitative research methods to assess the behaviors that aren’t directly observable in Claude.ai conversations. And third, we aim to explore the causal questions that this work raises—like whether encouraging iterative conversations leads to greater critical evaluation, or whether there are other interventions that could encourage this more effectively.

В будущей работе мы планируем расширить наш анализ в нескольких направлениях. Во-первых, мы планируем провести «когортные анализы», сравнивая новых пользователей с опытными, чтобы понять, как знакомство с ИИ коррелирует с развитием грамотности. Во-вторых, мы планируем использовать качественные методы исследования для оценки моделей поведения, которые напрямую не наблюдаемы в диалогах на Claude.ai. И в-третьих, мы стремимся изучить причинно-следственные вопросы, которые поднимает эта работа — например, ведёт ли поощрение итеративных диалогов к более глубокой критической оценке, или существуют ли другие вмешательства, которые могли бы поощрять это более эффективно.

In addition, we’d like to explore AI fluency behaviors in Claude Code, a platform mostly used by software developers. In preparation for this study, we conducted some initial analysis that found consistency between Claude Code conversations and ones in Claude.ai. But this is still preliminary, and Claude Code’s very different user base and functionality implies that more substantial research is necessary.

Кроме того, мы хотели бы изучить fluency-поведение в Claude Code — платформе, которой пользуются в основном разработчики программного обеспечения. В рамках подготовки к этому исследованию мы провели предварительный анализ, который выявил согласованность между диалогами в Claude Code и диалогами в Claude.ai. Но это пока предварительные данные, и совершенно иная база пользователей и функциональность Claude Code предполагают, что необходимо более существенное исследование.

We expect that the nature of AI fluency will develop and evolve substantially over time. With this and future research, we’re aiming to make that development visible, measurable, and actionable.

Мы ожидаем, что природа ИИ-грамотности будет существенно развиваться и эволюционировать со временем. С помощью этого и будущих исследований мы стремимся сделать это развитие видимым, измеримым и применимым на практике.

Bibtex

Bibtex

If you’d like to cite this post, you can use the following Bibtex key:

Если вы хотите процитировать эту публикацию, можете использовать следующий ключ Bibtex:

@online{swanson2026aifluency, author = {Kristen Swanson, Drew Bent, and Zoe Ludwig and Rick Dakan and Joe Feller}, title = {Anthropic Education Report: The AI Fluency Index}, date = {2026-02-16}, year = {2026}, url = {https://www.anthropic.com/news/anthropic-education-report-the-ai-fluency-index}, }

@online{swanson2026aifluency, author = {Kristen Swanson, Drew Bent, and Zoe Ludwig and Rick Dakan and Joe Feller}, title = {Anthropic Education Report: The AI Fluency Index}, date = {2026-02-16}, year = {2026}, url = {https://www.anthropic.com/news/anthropic-education-report-the-ai-fluency-index}, }

Acknowledgements

Благодарности

Kristen Swanson designed the research, led the analysis, and wrote this report. Zoe Ludwig and Drew Bent contributed to framework alignment, messaging, and review. The 4D Framework for AI Fluency was developed by Rick Dakan and Joe Feller. Zack Lee provided technical support. Hanah Ho helped visualize the data. Keir Bradwell, Rebecca Hiscott, Ryan Donegan and Sarah Pollack provided communications review and guidance.

Kristen Swanson разработала исследование, руководила анализом и написала этот отчёт. Zoe Ludwig и Drew Bent внесли вклад в согласование фреймворка, формулировки и рецензирование. Фреймворк 4D для ИИ-грамотности был разработан Rick Dakan и Joe Feller. Zack Lee обеспечил техническую поддержку. Hanah Ho помогла визуализировать данные. Keir Bradwell, Rebecca Hiscott, Ryan Donegan и Sarah Pollack обеспечили коммуникационное рецензирование и руководство.

Footnotes

Сноски

¹ When researching how people use AI models, protecting user privacy is paramount. For this project, we used our privacy-preserving analysis tool, which enables bottom-up discovery of AI usage patterns by distilling user conversations into high-level usage summaries, such as “troubleshoot code” or “explain economic concepts.” For this analysis, we ran 11 separate binary classifiers (one per behavioral indicator) using Claude Sonnet 4 for behavioral classification and Claude Haiku 3.5 for language detection. This means a single conversation could indicate multiple AI fluency behavioral indicators. Conversations were filtered to substantive exchanges with multiple back-and-forths using a screener that excluded greetings, single-word exchanges, test messages, and pure chitchat. Manual review of 200 chats that were screened out indicated that chats of this nature did not qualify for any AI Fluency indicators, so we feel confident that the screener did not influence the relative rankings of AI fluency behaviors observed in the study. No personally identifiable information appears in the analysis.

1 При исследовании того, как люди используют ИИ-модели, защита конфиденциальности пользователей имеет первостепенное значение. Для этого проекта мы использовали наш инструмент анализа, сохраняющий конфиденциальность, который обеспечивает выявление паттернов использования ИИ «снизу вверх», сводя диалоги пользователей к высокоуровневым сводкам использования, таким как «отладить код» или «объяснить экономические концепции». Для этого анализа мы запустили 11 отдельных бинарных классификаторов (по одному на каждый поведенческий индикатор), используя Claude Sonnet 4 для поведенческой классификации и Claude Haiku 3.5 для определения языка. Это означает, что один диалог мог указывать на несколько поведенческих индикаторов ИИ-грамотности. Диалоги были отфильтрованы до содержательных обменов с несколькими репликами с помощью отборщика, который исключал приветствия, односложные обмены, тестовые сообщения и чистую болтовню. Ручная проверка 200 чатов, которые были отсеяны, показала, что чаты подобного характера не соответствовали ни одному из индикаторов ИИ-грамотности, поэтому мы уверены, что отборщик не повлиял на относительные ранжирования наблюдаемых в исследовании fluency-поведений. В анализе не фигурирует никакой персонально идентифицируемой информации.

² Behavioral indicators were calculated across a one-week sample (January 20–26, 2025) and held stable day-to-day, with most behaviors varying by only 1–5 percentage points. Saturday rates were slightly lower for some behaviors (e.g., iteration and refinement was 81.4% for Saturday compared to a weekday peak of 87.9%), suggesting modest differences in casual versus purposeful use, but no day showed meaningful structural deviation. Rates were also consistent across six languages (English, French, Spanish, Chinese, Japanese, and German), with most behaviors varying by 3 percentage points or fewer across language groups. Together, these findings suggest that the behavioral patterns captured here reflect consistent habits in how people engage with AI, rather than being artifacts of timing, day of week, or linguistic and cultural context.

2 Поведенческие индикаторы рассчитывались по недельной выборке (20–26 января 2025 года) и оставались стабильными изо дня в день, причём большинство моделей поведения варьировались всего на 1–5 процентных пунктов. По субботам показатели некоторых моделей поведения были немного ниже (например, итерации и уточнение составляли 81,4% в субботу по сравнению с пиком в будний день в 87,9%), что указывает на умеренные различия между непринуждённым и целенаправленным использованием, но ни один день не показал значимого структурного отклонения. Показатели также были согласованы по шести языкам (английский, французский, испанский, китайский, японский и немецкий), причём большинство моделей поведения варьировались на 3 процентных пункта или менее между языковыми группами. В совокупности эти результаты позволяют предположить, что зафиксированные здесь поведенческие паттерны отражают устойчивые привычки в том, как люди взаимодействуют с ИИ, а не являются артефактами времени, дня недели или языкового и культурного контекста.

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

Учим Claude понимать «почему»

New research on how we've reduced agentic misalignment.

Новое исследование о том, как мы снизили агентную рассогласованность.

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.

ИИ-модели вроде Claude разговаривают словами, но думают числами. В этом исследовании мы обучаем Claude переводить свои мысли в понятный человеку текст.