The Anthropic Economic Index report: New building blocks for understanding AI use

Anthropic Economic Index: New building blocks for understanding AI use

Anthropic Economic Index: новые строительные блоки для понимания использования ИИ

Is artificial intelligence really making people faster at work? What sort of tasks does AI support best? And how might it change the nature of people’s occupations?

Действительно ли искусственный интеллект ускоряет работу людей? Какие задачи ИИ поддерживает лучше всего? И как он может изменить характер профессий?

At Anthropic, we’re measuring real-world AI use on an ongoing basis to answer questions exactly like these. Our privacy-preserving analysis method allows us to learn more about conversations on Claude.ai (capturing uses by consumers) and our first-party API (mostly capturing uses by businesses).¹ In past reports, we’ve assessed AI tasks by occupation and wage level, looked more closely at software development, and studied AI use by country and by US state.

В Anthropic мы на постоянной основе измеряем реальное использование ИИ, чтобы отвечать именно на такие вопросы. Наш метод анализа, сохраняющий конфиденциальность, позволяет нам узнавать больше о разговорах на Claude.ai (отражая использование потребителями) и в нашем собственном API (в основном отражая использование бизнесом).1 В прошлых отчётах мы оценивали задачи ИИ по профессиям и уровню заработной платы, подробнее рассматривали разработку ПО и изучали использование ИИ по странам и штатам США.

We’re now adding a new level of detail to our Economic Index. In our fourth report, we’re introducing what we’ve called economic primitives: a set of five simple, foundational measurements to track the economic impacts of Claude over time. Our initial set includes task complexity, skill level, purpose (work, education, or personal use), AI autonomy, and success.² We derive these primitives from asking Claude to answer a common set of questions about every conversation in our sample for this report.

Теперь мы добавляем новый уровень детализации в наш Economic Index. В нашем четвёртом отчёте мы вводим то, что назвали экономическими примитивами: набор из пяти простых, фундаментальных измерений для отслеживания экономического влияния Claude с течением времени. В наш первоначальный набор входят сложность задачи, уровень навыков, цель (работа, образование или личное использование), автономия ИИ и успешность.2 Мы выводим эти примитивы, прося Claude ответить на общий набор вопросов о каждом разговоре в нашей выборке для этого отчёта.

These primitives provide a leading indicator of AI’s potential economic impacts—and allow us to answer far more complex questions about how AI is already changing jobs. Our latest report, which samples conversations from November 2025 (predominantly using Claude Sonnet 4.5), uses our primitives to explore a wide range of questions that we wouldn’t otherwise be able to answer—including how Claude’s task-level success rates change for more complex tasks, and whether the use of Claude to date might portend a net-deskilling effect on many jobs.

Эти примитивы дают опережающий индикатор потенциального экономического влияния ИИ — и позволяют нам отвечать на гораздо более сложные вопросы о том, как ИИ уже меняет рабочие места. Наш последний отчёт, в котором используется выборка разговоров за ноябрь 2025 года (преимущественно с использованием Claude Sonnet 4.5), применяет наши примитивы для изучения широкого круга вопросов, на которые мы иначе не смогли бы ответить, — включая то, как меняется уровень успешности Claude на уровне задач для более сложных задач, и может ли использование Claude на сегодняшний день предвещать эффект чистой деквалификации многих профессий.

You can read the fourth Economic Index report here. Below, we summarize its results.

Прочитать четвёртый отчёт Economic Index можно здесь. Ниже мы кратко излагаем его результаты.

What we’ve learned from our economic primitives

Что мы узнали из наших экономических примитивов

We applied our economic primitives to questions about individual tasks, occupations, and then the possible aggregate impacts of the changes we observe. (Our full methodology—including details on how we tested the accuracy of our primitives—is described in chapter two of the full report.)

Мы применили наши экономические примитивы к вопросам об отдельных задачах, профессиях, а затем о возможном совокупном влиянии наблюдаемых нами изменений. (Наша полная методология — включая детали того, как мы проверяли точность наших примитивов, — описана во второй главе полного отчёта.)

Tasks

Задачи

Which tasks does AI speed up, and by how much?

Какие задачи ИИ ускоряет и насколько?

We found that more complex tasks were sped up the most by Claude. We measure this by what Claude estimates as the number of years of schooling required to understand the conversation’s inputs: in Claude.ai, tasks with prompts requiring a high school education (12 years) were sped up by a factor of 9, while those requiring a college degree (16 years) were sped up by a factor of 12. (On the API, the speedup was greater still.) These results imply that AI’s productivity gains are currently accruing in tasks that require relatively high human capital, which is consistent with the evidence that white collar professionals are more likely to use AI at work.

Мы обнаружили, что больше всего Claude ускоряет более сложные задачи. Мы измеряем это через оцениваемое Claude число лет обучения, необходимое для понимания входных данных разговора: на Claude.ai задачи с промптами, требующими школьного образования (12 лет), ускорялись в 9 раз, тогда как задачи, требующие диплома колледжа (16 лет), ускорялись в 12 раз. (На API ускорение было ещё больше.) Эти результаты подразумевают, что прирост производительности от ИИ в настоящее время накапливается в задачах, требующих относительно высокого человеческого капитала, что согласуется с данными о том, что офисные специалисты чаще используют ИИ на работе.

This same trend holds—albeit in weaker form—when we adjust for tasks’ success rates. Claude successfully completes tasks that require a college degree 66% of the time, compared to 70% for those tasks that require less than a high school education. This reduces, but doesn’t eliminate, the overall effect: Claude’s impact on task speedup scales more sharply with complexity than complexity correlates with a decrease in success rate.

Эта же тенденция сохраняется — хотя и в более слабой форме — когда мы делаем поправку на уровень успешности задач. Claude успешно выполняет задачи, требующие диплома колледжа, в 66% случаев по сравнению с 70% для задач, требующих менее чем школьного образования. Это уменьшает, но не устраняет общий эффект: влияние Claude на ускорение задач растёт со сложностью более резко, чем сложность коррелирует со снижением успешности.

What are the time horizons over which Claude can support tasks?

Каковы временны́е горизонты, на которых Claude может поддерживать задачи?

METR’s measure of AI’s task horizons shows that longer tasks are harder for AI models to complete. But the length of time over which AI models can work is steadily increasing as models get better: this measure has now become a key indicator of AI progress.

Измерение METR горизонтов задач ИИ показывает, что более длительные задачи труднее выполнять моделям ИИ. Но продолжительность времени, в течение которого модели ИИ могут работать, неуклонно растёт по мере того, как модели становятся лучше: этот показатель теперь стал ключевым индикатором прогресса ИИ.

We’re able to complement METR’s analysis using our economic primitives. In the graph below, we show Claude’s task-level success rates relative to the amount of time a human would take to do the same task, both on Claude.ai and on our API:

Мы можем дополнить анализ METR с помощью наших экономических примитивов. На графике ниже мы показываем уровень успешности Claude на уровне задач относительно количества времени, которое человек потратил бы на ту же задачу, как на Claude.ai, так и на нашем API:

METR’s benchmark suggests that Claude Sonnet 4.5 (the model in our own analysis) achieves 50% success rates on tasks of 2 hours. By contrast, our own API data finds that Claude is 50% successful at tasks that take nearly twice as long (around 3.5 hours), and on Claude.ai, the duration is vastly longer still—around 19 hours. But this might not be as discordant as it seems: our methodology is different to METR’s in some important ways. In our sample, users can break down complex tasks into smaller steps, creating a feedback loop that allows Claude to correct course. And rather than a fixed set of tasks, our sample contains a form of selection bias: users bring tasks to Claude that they’re more confident will work.

Бенчмарк METR предполагает, что Claude Sonnet 4.5 (модель в нашем собственном анализе) достигает 50%-ного уровня успешности на задачах продолжительностью 2 часа. Напротив, наши собственные данные по API показывают, что Claude на 50% успешен на задачах, которые занимают почти вдвое больше времени (около 3,5 часов), а на Claude.ai продолжительность значительно больше — около 19 часов. Но это может быть не таким противоречивым, как кажется: наша методология отличается от методологии METR в некоторых важных аспектах. В нашей выборке пользователи могут разбивать сложные задачи на более мелкие шаги, создавая обратную связь, которая позволяет Claude корректировать курс. И вместо фиксированного набора задач наша выборка содержит форму систематической ошибки отбора: пользователи приносят Claude задачи, в успехе которых они более уверены.

Our analysis shows how Claude’s effective time horizons might look different to those found in a study with a consistent set of tasks. We’ll track this indicator in further reports.

Наш анализ показывает, как эффективные временны́е горизонты Claude могут выглядеть иначе, чем те, что обнаружены в исследовании с постоянным набором задач. Мы будем отслеживать этот индикатор в дальнейших отчётах.

How does the nature of Claude’s work vary across countries?

Как характер работы Claude различается по странам?

We find that Claude completes very different kinds of tasks in countries at different stages of economic development. In countries with higher GDP per capita, Claude is used much more frequently for work or for personal use—whereas countries at the other end of the spectrum are more likely to use it for educational coursework. This fits a straightforward “adoption curve” story, in which lower-income countries show a large share of AI use on education and on a smaller number of work tasks, while AI use diversifies towards personal purposes as countries become richer.

Мы обнаруживаем, что Claude выполняет совершенно разные виды задач в странах на разных стадиях экономического развития. В странах с более высоким ВВП на душу населения Claude используется гораздо чаще для работы или для личных целей, тогда как страны на другом конце спектра с большей вероятностью используют его для учебных занятий. Это укладывается в простой сценарий «кривой принятия», в котором страны с более низким доходом показывают большую долю использования ИИ в образовании и в меньшем числе рабочих задач, в то время как использование ИИ диверсифицируется в сторону личных целей по мере того, как страны становятся богаче.

These results align with recent work by Microsoft that associates AI use in education with lower per-capita income, and AI use for leisure with higher incomes. Our recent partnership with the Rwandan government and ALX, a technology training provider, is designed with this in mind: participants begin by developing AI literacy, and we’re piloting a program for granting some graduates year-long access to Claude Pro, supporting the transition from educational use to a broader range of applications.

Эти результаты согласуются с недавней работой Microsoft, которая связывает использование ИИ в образовании с более низким доходом на душу населения, а использование ИИ для досуга — с более высокими доходами. Наше недавнее партнёрство с правительством Руанды и ALX, провайдером технологического обучения, разработано с учётом этого: участники начинают с развития ИИ-грамотности, и мы пилотируем программу предоставления некоторым выпускникам годового доступа к Claude Pro, поддерживая переход от использования в образовании к более широкому кругу применений.

Occupations

Профессии

Coverage

Охват

In our first report, with data from January 2025, we found that 36% of jobs in our sample saw Claude being used for at least a quarter of their tasks. Pooling data across reports, this has risen to 49%. But once we account for Claude’s success rate (which we weight according to how often workers do that task and how long the task takes), we get a different picture of which jobs are most affected by the use of AI.

В нашем первом отчёте, с данными за январь 2025 года, мы обнаружили, что в 36% профессий в нашей выборке Claude использовался как минимум для четверти их задач. При объединении данных по всем отчётам этот показатель вырос до 49%. Но как только мы учитываем уровень успешности Claude (который мы взвешиваем в зависимости от того, как часто работники выполняют данную задачу и сколько времени она занимает), мы получаем иную картину того, какие профессии больше всего затронуты использованием ИИ.

On the graph below, we plot that earlier measure of occupations’ task coverage along the x axis, and our new, adjusted measure on the y axis. Although the two are certainly correlated, we now find that some occupations (like data entry keyers and radiologists) are much more heavily affected by AI than task coverage alone would suggest, while others (like teachers and software developers) are relatively less affected.

На графике ниже мы откладываем тот более ранний показатель охвата задач профессий по оси x, а наш новый, скорректированный показатель — по оси y. Хотя эти два показателя, безусловно, коррелируют, теперь мы обнаруживаем, что некоторые профессии (такие как операторы ввода данных и радиологи) затронуты ИИ гораздо сильнее, чем можно было бы предположить по одному лишь охвату задач, тогда как другие (такие как учителя и разработчики ПО) затронуты относительно меньше.

That said, even our revised assessment is still limited: we only assess tasks that are performed on Claude.ai, and it’s not always clear how these conversations might map onto changes in the real world. This is an area we plan to dig into further in future.

При этом даже наша пересмотренная оценка по-прежнему ограничена: мы оцениваем только задачи, выполняемые на Claude.ai, и не всегда ясно, как эти разговоры могут соотноситься с изменениями в реальном мире. Это область, которую мы планируем глубже изучить в будущем.

Task content

Содержание задач

A further question we asked is whether the tasks that AI covers represent the higher- or the lower-skilled components of a given occupation. Using an estimate that we create of the skill level required for each task, we find that Claude is relatively more likely to cover the tasks that require higher education levels—specifically, tasks that require an average of 14.4 years of education (equivalent to a US associate’s degree), relative to the economy’s average of 13.2 (shown below). This aligns with our earlier finding that Claude is used more frequently by white-collar workers.

Ещё один вопрос, который мы задали, — представляют ли задачи, охватываемые ИИ, более высоко- или низкоквалифицированные компоненты данной профессии. Используя создаваемую нами оценку уровня навыков, требуемого для каждой задачи, мы обнаруживаем, что Claude относительно чаще охватывает задачи, требующие более высокого уровня образования, — а именно задачи, требующие в среднем 14,4 года образования (эквивалент associate's degree в США), по сравнению со средним по экономике значением 13,2 (показано ниже). Это согласуется с нашим более ранним выводом о том, что Claude чаще используется офисными работниками.

As an experiment, we estimated how removing these Claude-covered tasks would shift the task composition of people’s jobs. As a first-order effect, this would deskill jobs on average, since it would remove those higher-education tasks. Professions like technical writers, travel agents, and teachers would be affected (as we discuss further in the report), though a rarer few (like real estate managers) would see effects going the other way.

В качестве эксперимента мы оценили, как удаление этих охватываемых Claude задач изменило бы состав задач в профессиях людей. В качестве эффекта первого порядка это в среднем деквалифицировало бы профессии, поскольку удалило бы те задачи, требующие более высокого образования. Были бы затронуты такие профессии, как технические писатели, турагенты и учителя (как мы подробнее обсуждаем в отчёте), хотя немногие более редкие (такие как управляющие недвижимостью) увидели бы эффекты, идущие в обратную сторону.

We’re not necessarily predicting that this deskilling will occur: it’s possible that even if AI fully automated the tasks it currently supports, the labor market would dynamically adjust in ways that this analysis doesn’t account for. (Of course, as models improve, the composition of tasks that AI covers will change, too.) That said, we think this offers a useful signal as to the most immediate effects that AI might have on occupations in the near future.³

Мы не обязательно предсказываем, что эта деквалификация произойдёт: возможно, что даже если ИИ полностью автоматизировал бы задачи, которые он сейчас поддерживает, рынок труда динамически перестроился бы способами, которые этот анализ не учитывает. (Разумеется, по мере улучшения моделей будет меняться и состав задач, охватываемых ИИ.) При этом мы считаем, что это даёт полезный сигнал о наиболее непосредственных эффектах, которые ИИ может оказать на профессии в ближайшем будущем.3

Aggregate impact

Совокупное влияние

In our earlier research, we estimated that the widespread adoption of AI could increase US labor productivity growth by 1.8 percentage points per year over the next ten years—around double the trend rate. Our new primitives allow us to revisit this analysis.

В нашем более раннем исследовании мы оценили, что широкое внедрение ИИ может увеличить рост производительности труда в США на 1,8 процентного пункта в год в течение следующих десяти лет — примерно вдвое больше трендового темпа. Наши новые примитивы позволяют нам пересмотреть этот анализ.

Based on our estimates of task speedups alone, we replicated our earlier finding of a 1.8 percentage point increase (even when we added in our API data). But when we account for task reliability—that is, when we adjust our estimate of task-level time savings by the probability that the task is successful, our estimate falls by about one-third for tasks completed on Claude.ai (to 1.2 percentage points per year), and by slightly more (to 1.0 percentage points) for the typically more challenging tasks completed on our API.

Основываясь только на наших оценках ускорения задач, мы воспроизвели наш более ранний вывод об увеличении на 1,8 процентного пункта (даже когда добавили данные по API). Но когда мы учитываем надёжность задач — то есть когда мы корректируем нашу оценку экономии времени на уровне задач на вероятность того, что задача успешна, — наша оценка падает примерно на треть для задач, выполняемых на Claude.ai (до 1,2 процентного пункта в год), и немного больше (до 1,0 процентного пункта) для обычно более сложных задач, выполняемых на нашем API.

Even a 1 percentage point increase in annual labor productivity growth would still be notable: it would return US productivity growth to the rates of the late 1990s and early 2000s. And, as we mentioned in our earlier research, this top-line estimate does not account for the possibilities that AI models become much more powerful, or that the use of AI at work becomes much more sophisticated—which could push the number much higher. Indeed, since our survey, Claude has become substantially more powerful, with the release of Claude Opus 4.5.

Даже увеличение годового роста производительности труда на 1 процентный пункт было бы значимым: оно вернуло бы рост производительности в США к темпам конца 1990-х и начала 2000-х годов. И, как мы упоминали в нашем более раннем исследовании, эта итоговая оценка не учитывает возможности того, что модели ИИ станут гораздо мощнее или что использование ИИ на работе станет гораздо более изощрённым, — что могло бы поднять это число значительно выше. Действительно, со времени нашего обследования Claude стал существенно мощнее, с выпуском Claude Opus 4.5.

Updates on our previous measures

Обновления по нашим предыдущим показателям

In addition to our primitives, we collected a new round of data on the measures we’ve been tracking in our previous reports. This allows us to pick out trends in AI use over the course of 2025, from January to November. Here, we mostly find only small evolutions from the results of previous analyses, which pointed to an uneven distribution of Claude use.

Помимо наших примитивов, мы собрали новый раунд данных по показателям, которые отслеживали в предыдущих отчётах. Это позволяет нам выявить тенденции в использовании ИИ на протяжении 2025 года, с января по ноябрь. Здесь мы по большей части находим лишь небольшие изменения по сравнению с результатами предыдущих анализов, которые указывали на неравномерное распределение использования Claude.

First, we find that the use of Claude has remained highly concentrated among certain tasks: even though our sample includes 3,000 unique work tasks on Claude.ai, the top ten account for 24% of the set, which has steadily increased from 21% in January 2025. More specifically, computer and mathematical tasks continue to dominate Claude use: they’re about a third of all conversations on Claude.ai, and nearly half of our API traffic.

Во-первых, мы обнаруживаем, что использование Claude осталось сильно сконцентрированным вокруг определённых задач: хотя наша выборка включает 3000 уникальных рабочих задач на Claude.ai, на топ-10 приходится 24% набора, что устойчиво выросло с 21% в январе 2025 года. Точнее, вычислительные и математические задачи продолжают доминировать в использовании Claude: они составляют около трети всех разговоров на Claude.ai и почти половину нашего трафика API.

Second, our new report finds that augmentation (52% of conversations) has overtaken automation (45%) as the most popular pattern of interaction with Claude on Claude.ai. This is a reversal of what we saw in our August sample (when automation led by 49% to 47%), but, when we assess this question over a longer time-frame, we still see a slow rise in automation’s share of tasks: augmentation led by 55% to 41% in January of last year, and by 55% to 42% in March.

Во-вторых, наш новый отчёт показывает, что augmentation (52% разговоров) обогнал automation (45%) в качестве самого популярного паттерна взаимодействия с Claude на Claude.ai. Это разворот того, что мы видели в нашей августовской выборке (когда automation лидировал со счётом 49% против 47%), но, когда мы оцениваем этот вопрос на более длительном временном отрезке, мы всё же видим медленный рост доли automation в задачах: augmentation лидировал со счётом 55% против 41% в январе прошлого года и 55% против 42% в марте.

Third, our latest analysis shows that the geographic concentration of AI use (as we discussed last time) remains evident. The US, India, Japan, the UK, and South Korea still lead in overall Claude.ai use, and adoption remains well-explained by GDP per capita. That said, in the US, we’ve observed greater changes: Claude use has become noticeably more evenly distributed across US states. In fact, if this trend was sustained, our model predicts that Claude use would be equalized across the country within two to five years. We discuss this model in more detail in the report.

В-третьих, наш последний анализ показывает, что географическая концентрация использования ИИ (которую мы обсуждали в прошлый раз) остаётся очевидной. США, Индия, Япония, Великобритания и Южная Корея по-прежнему лидируют по общему использованию Claude.ai, и принятие по-прежнему хорошо объясняется ВВП на душу населения. При этом в США мы наблюдали более заметные изменения: использование Claude стало заметно более равномерно распределённым по штатам США. Фактически, если бы эта тенденция сохранилась, наша модель предсказывает, что использование Claude выровнялось бы по всей стране в течение двух-пяти лет. Мы обсуждаем эту модель более подробно в отчёте.

Conclusion

Заключение

The most immediate conclusion from our latest Economic Index report is that the impact of AI on the global workforce remains a highly uneven one: AI use remains concentrated in specific countries and occupations, and it affects some occupations in a very different way to others, as the evidence on task coverage suggests.

Самый непосредственный вывод из нашего последнего отчёта Economic Index состоит в том, что влияние ИИ на глобальную рабочую силу остаётся крайне неравномерным: использование ИИ по-прежнему сконцентрировано в определённых странах и профессиях, и оно затрагивает одни профессии совершенно иначе, чем другие, как показывают данные об охвате задач.

More generally, this report has given us a new baseline against which to compare our future surveys. As Claude improves, we expect it’ll be asked to take on harder tasks, and that it’ll likely find greater success. We also expect that tasks might move from Claude.ai to the API (that is, from predominantly consumers to predominantly businesses) as they become more reliable—and if this happens, it’ll give us another possible indication of coming economic impacts, given the importance of business adoption for AI’s effect on productivity. Through our primitives, we’ll be able to measure how changes like these are beginning to impact real-world outcomes, including the nature of people’s work, and which people (and where) are likely to be most affected during this period of rapid technological transition.

В более общем плане этот отчёт дал нам новую базовую точку, с которой можно сравнивать наши будущие обследования. По мере того как Claude совершенствуется, мы ожидаем, что его будут просить браться за более сложные задачи и что он, вероятно, будет добиваться большего успеха. Мы также ожидаем, что задачи могут перемещаться с Claude.ai в API (то есть преимущественно от потребителей к преимущественно бизнесу) по мере того, как они становятся более надёжными, — и если это произойдёт, это даст нам ещё один возможный индикатор грядущего экономического влияния, учитывая важность принятия бизнесом для влияния ИИ на производительность. Через наши примитивы мы сможем измерять, как подобные изменения начинают влиять на реальные результаты, включая характер работы людей, и какие люди (и где) с наибольшей вероятностью будут затронуты сильнее всего в этот период быстрого технологического перехода.

In the meantime, researchers, journalists, and the public can use our data to inform their own research and thinking, and to provide an empirical foundation for the potential policy responses we might need. For much more detail on each of the areas we’ve discussed above, see our full report.

А пока исследователи, журналисты и общественность могут использовать наши данные для своих собственных исследований и размышлений, а также чтобы создать эмпирическую основу для возможных политических мер, которые нам могут понадобиться. Гораздо больше деталей по каждой из областей, которые мы обсудили выше, см. в нашем полном отчёте.

Footnotes

Сноски

Как и в предыдущих отчётах, весь наш анализ основан на анализе, сохраняющем конфиденциальность. На протяжении всего отчёта мы анализируем случайную выборку из 1 млн разговоров из планов Claude.ai Free, Pro и Max (мы также называем это «потребительскими данными», поскольку они в основном отражают потребительское использование) и 1 млн стенограмм из трафика нашего собственного (1P) API (мы также называем это «корпоративными данными», поскольку они в основном отражают корпоративное использование).Точнее, Сложность задачи отражает то, что задачи могут различаться по своей сложности, включая то, сколько времени они занимают и насколько они трудны. Задача «отладки» в O*NET может означать как исправление Claude небольшой ошибки в функции, так и комплексный рефакторинг кодовой базы — с очень разными последствиями для спроса на труд. Мы измеряем сложность через оцениваемое время человека на выполнение задач без ИИ, время, затраченное на выполнение задач с ИИ, и то, обрабатывают ли пользователи несколько задач в рамках одного разговора.Человеческие и ИИ-навыки касаются того, как автоматизация взаимодействует с уровнями навыков. Если ИИ непропорционально замещает задачи, требующие меньшей экспертизы, дополняя при этом более высококвалифицированную работу, это может быть ещё одной формой технических изменений, смещённых в пользу навыков (skill-biased technical change), — повышая спрос на высококвалифицированных работников и вытесняя менее квалифицированных. Мы измеряем, могли ли пользователи выполнить задачи без Claude, и количество лет образования, необходимое для понимания как промптов пользователей, так и ответов Claude.Сценарий использования различает профессиональное, образовательное и личное использование. Эффекты для рынка труда наиболее прямо следуют из использования на рабочем месте, тогда как образовательное использование может сигнализировать о том, где будущая рабочая сила формирует навыки, дополняющие ИИ.Автономия ИИ измеряет степень, в которой пользователи делегируют принятие решений Claude. Наш последний отчёт задокументировал растущее «директивное» использование, при котором пользователи делегируют задачи целиком. Отслеживание уровней автономии — от активного сотрудничества до полного делегирования — помогает прогнозировать темп автоматизации.Успешность задачи измеряет оценку Claude того, успешно ли Claude выполняет задачи. Успешность задачи помогает оценить, могут ли задачи быть автоматизированы эффективно (можно ли вообще автоматизировать задачу?) и продуктивно (сколько попыток потребуется, чтобы автоматизировать задачу?). То есть успешность задачи имеет значение как для осуществимости, так и для стоимости автоматизации трудовых задач.Действительно, некоторые исторические данные предполагают, что когда технологии, автоматизирующие рабочие задачи, появляются в патентных данных, занятость и заработная плата впоследствии падают для подверженных воздействию профессий.

Related content

Связанный контент

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

Обучая Claude «почему»

New research on how we've reduced agentic misalignment.

Новое исследование о том, как мы снизили агентную рассогласованность (agentic misalignment).

Natural Language Autoencoders: Turning Claude’s thoughts into text

Natural Language Autoencoders: превращаем мысли 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 понятный человеку текст.