24 Μαρτίου 2026
Περιεχόμενα
- Τι έχει αλλάξει από την τελευταία μας έκθεση
- Μαθαίνοντας να χρησιμοποιούμε την ΤΝ
- Συζήτηση
- Παράρτημα
- Συγγραφείς και ευχαριστίες
Το Anthropic Economic Index χρησιμοποιεί το σύστημά μας ανάλυσης δεδομένων με προστασία της ιδιωτικότητας, προκειμένου να παρακολουθεί πώς χρησιμοποιείται το Claude σε όλη την οικονομία. Αποτελεί μέρος της προσπάθειάς μας να κατανοήσουμε τις οικονομικές επιπτώσεις της ΤΝ όσο το δυνατόν νωρίτερα, ώστε οι ερευνητές και οι υπεύθυνοι χάραξης πολιτικής να έχουν επαρκή χρόνο να προετοιμαστούν.
Αυτή η πιο πρόσφατη έκθεση μελετά τη χρήση του Claude τον Φεβρουάριο του 2026, βασιζόμενη στο πλαίσιο των «οικονομικών πρωταρχικών στοιχείων» που παρουσιάστηκε στην προηγούμενη έκθεσή μας, η οποία χρησιμοποιούσε δεδομένα από τον Νοέμβριο του 2025. Το δείγμα μας καλύπτει την περίοδο από τις 5 έως τις 12 Φεβρουαρίου, τρεις μήνες μετά την κυκλοφορία του Claude Opus 4.5 και ταυτόχρονα με την κυκλοφορία του Claude Opus 4.6.
Αρχικά, καταγράφουμε πώς έχει αλλάξει η χρήση σε σχέση με τις προηγούμενες εκθέσεις μας: ο βαθμός ενίσχυσης, δηλαδή η συνεργατική αλληλεπίδραση κατά την οποία η ΤΝ συμπληρώνει τις ικανότητες του χρήστη, αυξήθηκε ελαφρώς τόσο στο Claude.ai όσο και στην κίνηση του API. Στο Claude.ai, η χρήση διαφοροποιήθηκε περισσότερο, με τις 10 κυριότερες εργασίες να αντιστοιχούν σε μικρότερο μερίδιο της χρήσης τον περασμένο μήνα απ’ ό,τι τον Νοέμβριο του 2025. Ως αποτέλεσμα αυτής της διαφοροποίησης, η μέση συνομιλία στο Claude.ai αφορούσε μια εργασία ελαφρώς χαμηλότερου μισθολογικού επιπέδου σε σύγκριση με τις προηγούμενες εκθέσεις.
Στη συνέχεια εστιάζουμε σε έναν σημαντικό προσδιοριστικό παράγοντα της επίδρασης του Claude στην αγορά εργασίας και στην ευρύτερη οικονομία: τις καμπύλες μάθησης στην υιοθέτηση του Claude. Παρουσιάζουμε ενδείξεις ότι οι χρήστες με μεγαλύτερη διάρκεια χρήσης έχουν αναπτύξει συνήθειες και στρατηγικές που τους επιτρέπουν να αξιοποιούν καλύτερα τις δυνατότητες του Claude. Πράγματι, τεκμηριώνουμε ότι οι πιο έμπειροι χρήστες όχι μόνο επιχειρούν εργασίες υψηλότερης αξίας, αλλά είναι και πιθανότερο να αποσπούν επιτυχείς απαντήσεις στις συνομιλίες τους.
Τι έχει αλλάξει από την τελευταία μας έκθεση
Στο πρώτο κεφάλαιο, επανεξετάζουμε τα ευρήματα της προηγούμενης έκθεσής μας για το Economic Index, η οποία δημοσιεύτηκε τον Ιανουάριο του 2026. Διαπιστώνουμε ότι:
Οι περιπτώσεις χρήσης στο Claude.ai διαφοροποιήθηκαν. Τα καθήκοντα προγραμματισμού συνεχίζουν να μετακινούνται από ενισχυτική χρήση στο Claude.ai προς περισσότερο αυτοματοποιημένες ροές εργασίας στην πρωτογενή μας κίνηση API.¹ Σε αυτή την έκθεση, η χρήση του Claude.ai ήταν λιγότερο συγκεντρωμένη: οι 10 κυριότερες εργασίες αντιστοιχούσαν στο 19% της συνολικής κίνησης τον Φεβρουάριο, από 24% τον Νοέμβριο. Παρ’ όλα αυτά, σχεδόν όλες οι εργασίες αυτού του δείγματος είχαν εμφανιστεί σε τουλάχιστον ένα από τα προηγούμενα δείγματά μας. Περίπου το 49% των επαγγελμάτων έχει δει τουλάχιστον το ένα τέταρτο των εργασιών του να εκτελείται με τη χρήση του Claude.
Η υιοθέτηση του Claude επεκτάθηκε σε εργασίες χαμηλότερων αμοιβών. Καθώς οι περιπτώσεις χρήσης διαφοροποιήθηκαν, η μέση οικονομική αξία της εργασίας που γίνεται στο Claude — όπως μετριέται από τους μισθούς που καταβάλλονται στις ΗΠΑ στους εργαζομένους των αντίστοιχων επαγγελμάτων — μειώθηκε ελαφρώς. Αυτό οφείλεται, με μηχανικό τρόπο, στην αύξηση προσωπικών ερωτημάτων σχετικά με τα αθλητικά, τις συγκρίσεις προϊόντων και τη συντήρηση κατοικίας. Το μοτίβο αυτό συνάδει με τη συνήθη ιστορία της «καμπύλης υιοθέτησης», σύμφωνα με την οποία οι πρώιμοι υιοθετούντες ευνοούν συγκεκριμένες χρήσεις υψηλής αξίας, όπως ο προγραμματισμός, ενώ οι μεταγενέστεροι χρήστες αναλαμβάνουν ένα πολύ ευρύτερο φάσμα εργασιών.
Η ανισότητα στη διεθνή χρήση έχει επιμείνει. Η χρήση παραμένει έντονα συγκεντρωμένη: οι 20 κορυφαίες χώρες αντιστοιχούν στο 48% της συνολικής κατά κεφαλήν χρήσης, από 45%, γεγονός που υπογραμμίζει ένα επίμονο χάσμα στην παγκόσμια υιοθέτηση. Ωστόσο, η κατά κεφαλήν χρήση του Claude συνέχισε να συγκλίνει στο εσωτερικό των Ηνωμένων Πολιτειών: το μερίδιο της χρήσης που αντιστοιχεί στις 10 πολιτείες με τη μεγαλύτερη χρήση μειώθηκε από 40% σε 38% από την τελευταία μας έκθεση.
Παρότι το εύρος των επαγγελματικών εργασιών του Claude έγινε πιο ποικιλόμορφο, σχεδόν όλες αυτές οι εργασίες είχαν ήδη εμφανιστεί στα δεδομένα μας. Στην προηγούμενη έκθεσή μας σημειώσαμε ότι το 49% των επαγγελμάτων είχε δει τουλάχιστον το ένα τέταρτο των εργασιών του να εκτελείται με τη χρήση του Claude. Σε αυτή την άντληση δεδομένων, αυτή η σωρευτική εκτίμηση σχεδόν δεν μεταβλήθηκε (Σχήμα Παραρτήματος A.2). Τα δεδομένα αυτής της έκθεσης έδειξαν πολύ λιγότερες νέες εργασίες O*NET σε σύγκριση με την προηγούμενη έκθεσή μας.
Από την πρώτη μας έκθεση, έχουμε ταξινομήσει τις συνομιλίες σε έναν από πέντε τύπους αλληλεπίδρασης — κατευθυντική χρήση, βρόχο ανατροφοδότησης, επαναληπτική επεξεργασία εργασίας, επικύρωση και μάθηση — τους οποίους ομαδοποιούμε σε δύο ευρύτερες κατηγορίες: αυτοματοποίηση και ενίσχυση.⁵ Το Σχήμα 1.3 δείχνει ότι η ενίσχυση στο Claude.ai αυξήθηκε ελαφρώς. Αυτό οφείλεται σε μικρές αυξήσεις στα πρότυπα επικύρωσης και μάθησης. Στο Σχήμα Παραρτήματος A.3 δείχνουμε ότι η αυτοματοποίηση μειώθηκε απότομα στα δεδομένα του 1P API.
Η πλατφόρμα API μας συνέχισε να αποκτά σχετικά μεγαλύτερο μερίδιο εργασιών που συνδέονται με επαγγέλματα Πληροφορικής και Μαθηματικών (τα μερίδια χρήσης ανά κατηγορία επαγγέλματος παρουσιάζονται στο Παράρτημα). Από τον Αύγουστο του 2025, το μερίδιο των εργασιών αυτής της κατηγορίας αυξήθηκε κατά 14% στο API και μειώθηκε κατά 18% στο Claude.ai. Όπως σημειώνουμε στην έκθεσή μας για τις επιπτώσεις στην αγορά εργασίας, εκτιμούμε ότι αυτή η μετακίνηση από το Claude.ai προς το API μπορεί να σηματοδοτεί πιο άμεσο μετασχηματισμό της εργασίας για τα αντίστοιχα επαγγέλματα. Η αύξηση των εργασιών που σχετίζονται με επαγγέλματα Διοίκησης στο Claude.ai, οι οποίες αυξήθηκαν από το 3% στο 5% της κίνησής του, προέρχεται από ένα μείγμα τόσο αναλυτικών εργασιών (π.χ. προετοιμασία επενδυτικού υπομνήματος) όσο και απαντήσεων σε ερωτήσεις πελατών.
Ένας ακόμη τρόπος να μετρήσουμε τη μεταβολή στη σύνθεση των εργασιών που εκτελούνται στο Claude είναι να εξετάσουμε τη μεταβολή στη μέση αξία των εργασιών, την οποία ορίζουμε ως τον μέσο ωριαίο μισθό των εργαζομένων στις ΗΠΑ που εκτελούν αυτή την εργασία (Σχήμα 1.4).⁶ Αυτή η εκτίμηση της αξίας των εργασιών στο Claude.ai μειώθηκε ελαφρώς από 49,3 δολάρια σε 47,9 δολάρια, κυρίως λόγω της αύξησης απλών πραγματολογικών ερωτήσεων (π.χ. αποτελέσματα αθλητικών αγώνων, καιρός) και της μείωσης του προγραμματισμού καθώς αυτός μετακινείται προς το API. Όπως αναφέραμε και στην προηγούμενη έκθεσή μας, οι εργασίες που παρατηρούμε στο Claude τείνουν να απαιτούν υψηλότερο μορφωτικό επίπεδο. Το διάγραμμα δείχνει ότι αυτές οι εργασίες τείνουν επίσης να αμείβονται με υψηλότερους μισθούς από τον εθνικό μέσο όρο των ΗΠΑ.
Αν και μικρές, οι αλλαγές σε πολλά πρωτόγονα στοιχεία μεταξύ της προηγούμενης και της τρέχουσας έκθεσης καταγράφουν παρόμοιες μειώσεις στην πολυπλοκότητα των εργασιών στο Claude.ai. Τα μέσα έτη εκπαίδευσης που απαιτούνται για τις ανθρώπινες εισροές μειώθηκαν από 12,2 σε 11,9 χρόνια, οι χρήστες έδωσαν μεγαλύτερη αυτονομία στην Τεχνητή Νοημοσύνη και ο χρόνος που απαιτείται για να εκτελέσει ο άνθρωπος την εργασία μόνος του μειώθηκε κατά περίπου 2 λεπτά. Μια αλλαγή πηγαίνει φαινομενικά προς την αντίθετη κατεύθυνση: οι εργασίες που εκτελούσε ο Claude κρίθηκαν ελαφρώς λιγότερο πιθανές για έναν άνθρωπο χωρίς πρόσβαση στην Τεχνητή Νοημοσύνη.
Αναδυόμενα πρότυπα αυτοματοποίησης
Καθώς οι εργασίες μετακινούνται προς το API, ενδέχεται να εκτίθενται περισσότερο στην αυτοματοποίηση. Οι ροές εργασίας μέσω API είναι πολύ πιθανότερο να έχουν κατευθυντικό χαρακτήρα, με μικρότερη ανάγκη για ανθρώπινη παρέμβαση εντός του κύκλου εργασίας. Σε προηγούμενη έκθεσή μας, τονίσαμε ότι εργασίες εξυπηρέτησης πελατών —συμπεριλαμβανομένης, για παράδειγμα, της αυτοματοποιημένης υποστήριξης για ζητήματα πληρωμών και τιμολόγησης— είναι ιδιαίτερα συχνές στα δεδομένα του API. Αυτές συνέβαλαν σε υψηλότερη παρατηρούμενη έκθεση για τους εκπροσώπους εξυπηρέτησης πελατών: καταγράφηκε ότι το Claude εκτελούσε μεγάλο μερίδιο των εργασιών τους σε αυτοματοποιημένες ροές, συνεπώς τα επαγγέλματα αυτά ενδέχεται να είναι πιθανότερο να μεταβληθούν καθώς η ΤΝ διαχέεται.
Επισημαίνουμε δύο ροές εργασίας μέσω API που εμφανίστηκαν συχνότερα τον Φεβρουάριο σε σύγκριση με τρεις μήνες νωρίτερα, με τα μερίδιά τους να έχουν τουλάχιστον διπλασιαστεί στο πιο πρόσφατο δείγμα μας:⁷
Αυτοματοποίηση πωλήσεων και εμπορικής προσέγγισης: παραγωγή υλικού υποστήριξης πωλήσεων, έρευνα για την αξιολόγηση δυνητικών πελατών B2B, εμπλουτισμός δεδομένων πελατών, σύνταξη ψυχρών εμπορικών email.
Αυτοματοποιημένες συναλλαγές και λειτουργίες αγοράς: παρακολούθηση αγορών ή θέσεων, πρόταση συγκεκριμένων επενδύσεων, ενημέρωση traders για τις συνθήκες της αγοράς και συναφείς εργασίες.
Επανεξέταση της γεωγραφικής σύγκλισης
Στην προηγούμενη έκθεσή μας, σημειώσαμε ότι ο Anthropic AI Usage Index (AUI), ο οποίος προσαρμόζει τη χρήση με βάση τον πληθυσμό εργάσιμης ηλικίας κάθε γεωγραφικής περιοχής, συνέκλινε ταχέως μεταξύ των πολιτειών των ΗΠΑ: οι πολιτείες με αρχικά χαμηλότερη κατά κεφαλήν χρήση παρουσίαζαν ταχύτερη υιοθέτηση.
Το αριστερό τμήμα του Σχήματος 1.6 δείχνει ότι αυτή η σύγκλιση συνεχίστηκε και στα πιο πρόσφατα δεδομένα μας, αλλά με βραδύτερο ρυθμό. Από τον Αύγουστο του 2025 έως τον Φεβρουάριο του 2026, το μερίδιο της κατά κεφαλήν χρήσης που κατευθύνεται στις πέντε κορυφαίες πολιτείες μειώθηκε από 30% σε 24%. Ο συντελεστής Gini έχει μειωθεί από τον Αύγουστο του 2025, αν και ο ρυθμός σύγκλισης έχει επιβραδυνθεί. Όταν επικαιροποιούμε τις εκτιμήσεις μας από την προηγούμενη έκθεση, διαπιστώνουμε ότι με αυτόν τον ρυθμό οι πολιτείες θα έφθαναν σε περίπου ίση κατά κεφαλήν χρήση σε 5-9 χρόνια, αντί για 2-5.⁸
Μεταξύ των χωρών (δεξί τμήμα), το πρότυπο αντιστρέφεται: η χρήση έχει γίνει ελαφρώς πιο συγκεντρωμένη, με τον συντελεστή Gini να αυξάνεται στην ίδια περίοδο. Οι χώρες που χρησιμοποιούν περισσότερο το Claude (κατά κεφαλήν) αντιστοιχούν πλέον σε μεγαλύτερο μερίδιο της συνολικής χρήσης, με τις 20 κορυφαίες χώρες να αυξάνονται από το 45% στο 48% της χρήσης, αφού ληφθεί υπόψη η προσαρμογή ως προς τον πληθυσμό.
Μαθαίνοντας να χρησιμοποιούμε την ΤΝ
Σε αυτό το κεφάλαιο εστιάζουμε σε δύο χαρακτηριστικά της χρήσης που αντανακλούν τον τρόπο με τον οποίο οι άνθρωποι αξιοποιούν και μαθαίνουν να εργάζονται με την ΤΝ: την επιλογή μοντέλου και τις συνήθειες των χρηστών με μακρά διάρκεια χρήσης.
Αρχικά, φωτίζουμε τη ζήτηση για «νοημοσύνη» εξετάζοντας πότε οι άνθρωποι επιλέγουν το Opus, την πιο αποδοτική κατηγορία μοντέλων μας. Γνωρίζουμε ελάχιστα για το πώς οι χρήστες ΤΝ επιλέγουν μεταξύ διαφορετικών μοντέλων, ισορροπώντας ανάμεσα σε ταχύτητα, απόδοση και κόστος. Αν οι χρήστες προσαρμόζονται στην εκάστοτε εργασία, τότε θα πρέπει να δούμε το Opus να συγκεντρώνεται σε δυσκολότερη εργασία υψηλότερης αξίας.
Έπειτα, μελετούμε πώς η χρήση διαφοροποιείται ανάλογα με τη διάρκεια χρήσης, εντοπίζοντας διαφορές μεταξύ χρηστών που εγγράφηκαν σε διαφορετικές χρονικές στιγμές. Αυτό ρίχνει φως στις καμπύλες μάθησης: γίνονται οι έμπειροι χρήστες καλύτεροι με την πάροδο του χρόνου; Και πώς διαφέρει η χρήση τους; Βρίσκουμε ενδείξεις συμβατές με τη μάθηση μέσω της πράξης. Οι χρήστες με μεγαλύτερη διάρκεια χρήσης όχι μόνο έχουν μεγαλύτερη επιτυχία στις συνομιλίες τους, αλλά συνεργάζονται και περισσότερο με το Claude, του αναθέτουν πιο απαιτητικές εργασίες και είναι πιθανότερο να το χρησιμοποιούν για επαγγελματικούς σκοπούς και για ευρύτερο φάσμα εργασιών.
Επιλογή μοντέλου
Οι διαφορετικές κατηγορίες μοντέλων Claude (Haiku, Sonnet και Opus) προσφέρουν διαφορετικούς συμβιβασμούς ως προς το κόστος, την ταχύτητα και την απόδοση. Η κατηγορία μοντέλων Opus χρησιμοποιεί τα περισσότερα tokens και διακρίνεται σε σύνθετες εργασίες, αλλά με υψηλότερη τιμή ανά token στο API μας. Αν οι χρήστες το γνωρίζουν αυτό και προσέχουν το κόστος και τα όρια χρήσης, τότε θα πρέπει να αναθέτουν τις πιο πολύπλοκες και πολύτιμες εργασίες τους στο Opus, επιλέγοντας άλλα μοντέλα για απλούστερες εργασίες. Αυτό είναι, σε γενικές γραμμές, ό,τι παρατηρούμε στα δεδομένα.
Το Σχήμα 2.1 παρακάτω δείχνει ότι, για τους επί πληρωμή λογαριασμούς Claude.ai, οι οποίοι έχουν πρόσβαση σε όλες τις κατηγορίες μοντέλων, το 55% των εργασιών Πληροφορικής και Μαθηματικών (όπως η ανάπτυξη λογισμικού) χρησιμοποιούν Opus, σε σύγκριση με το 45% των εκπαιδευτικών εργασιών. Οι τεχνικοί χρήστες μπορεί να αντιλαμβάνονται τα κέρδη απόδοσης και να μεταβαίνουν ενεργά από το Sonnet, το προεπιλεγμένο μοντέλο, σε άλλο. Ή, αντιστρόφως, οι χρήστες που δίνουν έμφαση στην αποδοτικότητα μπορεί να μαθαίνουν να χρησιμοποιούν το Sonnet για απλούστερες εργασίες, ώστε να αποφεύγουν την εξάντληση των ορίων χρήσης. Συναφώς, οι διαφορές εδώ θα μπορούσαν να αντανακλούν ότι οι περισσότερες εκπαιδευτικές εργασίες είναι ήδη αρκετά εύκολες για το Sonnet ή ότι οι φοιτητές είναι πιθανότερο να λαμβάνουν υπόψη τα όρια χρήσης.
Το Σχήμα 2.2 παρακάτω το δείχνει αυτό με πιο λεπτομερή τρόπο. Όταν οι χρήστες εκτελούν εργασίες που συνδέονται με υψηλότερα αμειβόμενα επαγγέλματα, χρησιμοποιούν το Opus συχνότερα. Για παράδειγμα, στο Claude.ai, το 34% των εργασιών Software Developer περιλαμβάνει Opus, σε σύγκριση με μόλις το 12% των εργασιών Tutor. Συνολικά, για κάθε επιπλέον 10 δολάρια ωριαίου μισθού μιας εργασίας, το μερίδιο των συνομιλιών που χρησιμοποιούν Opus αυξάνεται κατά 1,5 ποσοστιαία μονάδα για τους χρήστες του Claude.ai. Η κίνηση του 1P API δείχνει πολύ μεγαλύτερη ανταπόκριση στην πολυπλοκότητα της εργασίας. Η κλίση του είναι περίπου διπλάσια, με το μερίδιο του Opus να αυξάνεται κατά 2,8 ποσοστιαίες μονάδες για κάθε 10 δολάρια στην αξία της εργασίας. Οι χρήστες που αναπτύσσουν προγραμματισμένες ροές εργασίας ενδέχεται να έχουν περισσότερους λόγους να εναλλάσσονται μεταξύ μοντέλων σε σύγκριση με τους χρήστες της διαδικτυακής διεπαφής.
Καμπύλες μάθησης
Το πρώτο μοντέλο Claude κυκλοφόρησε τον Μάρτιο του 2023. Από τότε, η βάση χρηστών τόσο στο Claude.ai όσο και στο API έχει αυξηθεί ραγδαία. Το πιο πρόσφατο δείγμα μας περιλαμβάνει ένα μείγμα χρηστών: ορισμένοι εγγράφηκαν ήδη από την πρώτη κυκλοφορία του Claude, ενώ άλλοι εγγράφηκαν μόλις την προηγούμενη ημέρα από τη μέτρηση της χρήσης τους. Πώς διαμορφώνει η διάρκεια χρήσης του Claude την εμπειρία που έχει κανείς με αυτό;⁹
Ο Πίνακας 2.1 παρουσιάζει τις διαφορές μεταξύ χρηστών μικρής και μεγάλης διάρκειας χρήσης, όπου η δεύτερη ομάδα ορίζεται ως εκείνη που είχε εγγραφεί στο Claude τουλάχιστον πριν από 6 μήνες, ενώ οι χρήστες μικρής διάρκειας χρήσης είναι όλοι οι υπόλοιποι.¹⁰ Οι χρήστες μεγάλης διάρκειας χρήσης είναι πιθανότερο να χρησιμοποιούν το Claude για να επεξεργάζονται και να βελτιώνουν επαναληπτικά τη δουλειά τους, και πολύ λιγότερο πιθανό να του αναθέτουν μεγαλύτερη ευθύνη μέσω κατευθυντικών προτύπων χρήσης. Είναι κατά 7 ποσοστιαίες μονάδες πιθανότερο να χρησιμοποιούν το Claude για επαγγελματικούς σκοπούς και το χρησιμοποιούν για εργασίες που τείνουν να απαιτούν υψηλότερα επίπεδα εκπαίδευσης. Τέλος, η χρήση τους είναι λιγότερο συγκεντρωμένη σε ορισμένες συγκεκριμένες εργασίες. Οι 10 κορυφαίες εργασίες O*NET αντιστοιχούν σε ελαφρώς μικρότερο μερίδιο της χρήσης για την ομάδα μεγάλης διάρκειας χρήσης (20,7% έναντι 22,2%).
Παρακάτω εξετάζουμε πιο διεξοδικά δύο από τα βασικά μεγέθη που αναφέρθηκαν παραπάνω: τα ανθρώπινα έτη εκπαίδευσης που συνδέονται με κάθε συνομιλία και το ποσοστό των συνομιλιών που αφιερώνεται σε προσωπική χρήση.
Στο αριστερό τμήμα του διαγράμματος δείχνουμε ότι τα έτη εκπαίδευσης που απαιτούνται για να κατανοήσει κανείς την ανθρώπινη προτροπή αυξάνονται σχεδόν κατά 1 έτος για κάθε επιπλέον έτος χρήσης του Claude. Στο δεξί τμήμα του διαγράμματος δείχνουμε ότι, ταυτόχρονα, η προσωπική χρήση μειώνεται: τα άτομα που εγγράφηκαν πριν από έναν χρόνο αφιερώνουν το 38% των συνομιλιών τους σε περιπτώσεις προσωπικής χρήσης, σε σύγκριση με το 44% των νεότερων χρηστών.
Διάφοροι παράγοντες θα μπορούσαν να εξηγούν αυτά τα πρότυπα στη βάση χρηστών μιας ταχέως εξελισσόμενης τεχνολογίας γενικής χρήσης. Οι χρήστες μεγάλης διάρκειας χρήσης αποτελούν αυτοεπιλεγμένη ομάδα και οι διαφορές που παρατηρούμε εδώ μπορεί να αντανακλούν σταθερά χαρακτηριστικά τους. Μπορεί, για παράδειγμα, να είναι προγραμματιστές υπολογιστών, οι οποίοι ήταν πιθανότερο να συγκαταλέγονται στους πρώιμους υιοθετούντες. Επιπλέον, υπάρχει μια εγγενής μεροληψία επιβίωσης: τα άτομα που είχαν εγγραφεί έναν χρόνο πριν από την άντληση των δεδομένων μας ενδέχεται να αποκομίζουν θετικά αποτελέσματα από τη χρήση τους. Δεν παρατηρούμε όσους εγγράφηκαν πριν από έναν χρόνο αλλά δεν χρησιμοποιούν πλέον το Claude.
Τα ευρήματα αντικατοπτρίζουν όσα είδαμε στην έκθεσή μας για τα Economic Primitives: χώρες με χαμηλότερο εισόδημα και χαμηλότερο μορφωτικό επίπεδο να εμφανίζουν παραδόξως, σε ορισμένες περιπτώσεις, πιο σύνθετη χρήση. Οι πρώτοι υιοθετούντες έχουν συχνά τεχνικές χρήσεις υψηλής αξίας. Στις φτωχότερες χώρες, όπου η υιοθέτηση είναι πολύ χαμηλότερη, αυτοί οι πρώιμοι υιοθετούντες εξακολουθούν να κυριαρχούν στη βάση χρηστών.
Πιο περιστασιακή χρήση εμφανίζεται όταν η ΤΝ έχει διαχυθεί σε ευρύτερο τμήμα του πληθυσμού. Πράγματι, μεταξύ των συστάδων αιτημάτων, οι εργασίες με τη μεγαλύτερη μέση διάρκεια χρήσης περιλάμβαναν: έρευνα στην ΤΝ, λειτουργίες git, αναθεώρηση χειρογράφων και άντληση κεφαλαίων για νεοφυείς επιχειρήσεις. Οι εργασίες με τη χαμηλότερη μέση διάρκεια χρήσης περιλαμβάνουν απλούστερες ροές εργασίας, όπως η συγγραφή χαϊκού, ο έλεγχος αθλητικών σκορ και η πρόταση φαγητών για ένα πάρτι.¹¹
Επιδράσεις της εμπειρίας
Εξετάζουμε αυτές τις σχέσεις πιο διεξοδικά στο Σχήμα 2.4 παρακάτω, χρησιμοποιώντας δεδομένα σε επίπεδο καταγραφής ώστε να ελέγξουμε με μεγαλύτερη λεπτομέρεια τα χαρακτηριστικά της συνομιλίας. Στο επάνω τμήμα, η Προδιαγραφή (1) δείχνει μια απλή διμεταβλητή παλινδρόμηση, όπου ως αποτέλεσμα λαμβάνεται η επιτυχία της εργασίας και ως προγνωστικός παράγοντας ο δείκτης μεγάλης διάρκειας χρήσης. Η επιτυχία είναι η εκτίμηση του Claude για το αν η συνομιλία ήταν επιτυχής, όπως περιγράφηκε στην προηγούμενη έκθεσή μας. Το διάγραμμα δείχνει ότι οι χρήστες μεγάλης διάρκειας χρήσης έχουν περίπου 5 ποσοστιαίες μονάδες περισσότερες πιθανότητες να έχουν μια επιτυχημένη συνομιλία.
Αυτό θα μπορούσε να αντανακλά το ότι οι χρήστες μεγαλύτερης διάρκειας χρήσης είναι καλύτεροι στη διατύπωση προτροπών. Τι γίνεται όμως αν αυτό οφείλεται στο ότι φέρνουν στο Claude διαφορετικές εργασίες — εργασίες που είναι πιθανότερο να στεφθούν με επιτυχία;
Στην Προδιαγραφή (2), περιλαμβάνουμε σταθερές επιδράσεις για συγκεκριμένες εργασίες O*NET και συστάδες αιτημάτων. Αυτό ισοδυναμεί με τη σύγκριση χρηστών μεγάλης και μικρής διάρκειας χρήσης μέσα στην ίδια στενά ορισμένη εργασία, αντί για σύγκριση μεταξύ διαφορετικών εργασιών. Για παράδειγμα, έχουμε μια συστάδα αιτημάτων με τίτλο «Εκτέλεση εταιρικής χρηματοοικονομικής ανάλυσης, αποτίμησης και μοντελοποίησης για συγκεκριμένες εταιρείες». Οι σταθερές επιδράσεις συγκρίνουν χρήστες μεγάλης και μικρής διάρκειας χρήσης μέσα σε αυτή τη συστάδα, και αντίστοιχα μέσα σε κάθε άλλη συστάδα. Θα παρατηρούσαμε θετικό συντελεστή μόνο αν, κατά μέσο όρο, οι χρήστες μεγάλης διάρκειας χρήσης ήταν πιο επιτυχημένοι σε αυτές τις ενδοεργασιακές συγκρίσεις. Αυτός ο έλεγχος μετριάζει κάπως την επίδραση, φέρνοντάς την πιο κοντά στις 3 ποσοστιαίες μονάδες.
Τέλος, εξετάζουμε αν αυτή η σχέση επηρεάζεται από το αν οι χρήστες μεγαλύτερης διάρκειας χρήσης επιλέγουν διαφορετικά μοντέλα, επικοινωνούν σε διαφορετικές γλώσσες, έχουν διαφορετικές περιπτώσεις χρήσης ή έχουν εγγραφεί σε διαφορετικές χώρες. Αυτή η παλινδρόμηση αποδίδει ελαφρώς μεγαλύτερη επίδραση της μεγάλης διάρκειας χρήσης, υποδεικνύοντας ποσοστό επιτυχίας υψηλότερο κατά 4 ποσοστιαίες μονάδες, αφού ληφθούν υπόψη όλοι οι έλεγχοι.
Τα αποτελέσματα αυτά υποδηλώνουν ότι οι χρήστες μεγάλης διάρκειας χρήσης έχουν μεγαλύτερη επιτυχία στις συνομιλίες τους με το Claude και ότι αυτό δεν οφείλεται σε απλούς παράγοντες, όπως η γλώσσα ή το είδος της εργασίας που εκτελείται. Μια ιδιαίτερα ενδιαφέρουσα πιθανή εξήγηση είναι ότι αυτοί οι χρήστες έχουν μάθει καλύτερα να αποσπούν από την ΤΝ αυτό που επιθυμούν. Η ευχέρεια στη χρήση αυτών των πλατφορμών μπορεί να αποτελεί καθοριστικό παράγοντα επιτυχίας, ο οποίος φαίνεται να κλιμακώνεται με την εμπειρία.
Συζήτηση
Η παρούσα έκθεση επανεξέτασε τα βασικά μέτρα που χρησιμοποιούμε για να παρακολουθούμε τη χρήση του Claude και ανέλυσε για πρώτη φορά την επιλογή μοντέλου και την επιτυχία. Από τον Αύγουστο του 2025, η χρήση του 1P API έχει γίνει πιο συγκεντρωμένη, με τις 10 κορυφαίες εργασίες O*NET να αντιστοιχούν πλέον στο 33% της κίνησης, από 28% προηγουμένως. Αντιθέτως, οι εργασίες στο Claude.ai έχουν διαφοροποιηθεί από τα δεδομένα μας του Νοεμβρίου 2025. Η ταχύτερη υιοθέτηση στις πολιτείες των ΗΠΑ με χαμηλότερη χρήση συνεχίστηκε, αν και με βραδύτερο ρυθμό από ό,τι στην προηγούμενη έκθεση. Οι χώρες με χαμηλή υιοθέτηση έμειναν ελαφρώς ακόμη πιο πίσω.
Με την έκθεση αυτή μπορούμε να αρχίσουμε να ιχνηλατούμε πώς έχουν μεταβληθεί διάφορα οικονομικά πρωταρχικά στοιχεία. Οι εργασίες μαθημάτων μειώθηκαν ως ποσοστό της χρήσης, ενώ οι προσωπικές συνομιλίες αυξήθηκαν. Παρατηρούμε επίσης μια ελαφρά μείωση της συνολικής πολυπλοκότητας των προτροπών στο Claude.ai, με τις συνομιλίες στο Claude.ai να εμφανίζουν λιγότερο σύνθετες εισόδους και μικρότερους εκτιμώμενους χρόνους ολοκλήρωσης.
Συνολικά, το Claude χρησιμοποιείται για εργασία υψηλής αξίας και υψηλής πολυπλοκότητας, η οποία δεν είναι ευρέως αντιπροσωπευτική της οικονομίας των ΗΠΑ. Ωστόσο, καθώς η βάση χρηστών έχει αυξηθεί, οι λιγότερο αμειβόμενες εργασίες έχουν καταστεί ελαφρώς μεγαλύτερο μερίδιο της κίνησης. Η μέση αξία των εργασιών, μετρούμενη ως ο εκτιμώμενος μισθός που καταβάλλεται σε εργαζομένους επαγγελμάτων που συνδέονται με αυτές τις εργασίες, έχει μειωθεί στο Claude.ai από την πρώτη μας έκθεση, ενώ αυξήθηκε μεταξύ των χρηστών του API. Και στις δύο επιφάνειες χρήσης, οι χρήστες αναθέτουν τις πιο πολύπλοκες εργασίες τους στην ισχυρότερη κατηγορία μοντέλων μας, το Opus. Αυτή η καμπή είναι εντονότερη για τους πελάτες του API.
Οι πιο έμπειροι χρήστες τείνουν να χρησιμοποιούν το Claude με πιο συνεργατικό τρόπο, για περισσότερο επαγγελματικούς λόγους, σε πιο σύνθετες εργασίες και με μεγαλύτερη επιτυχία. Αυτό αντιστρατεύεται μια υπόθεση που είχαμε διατυπώσει πέρυσι, ότι δηλαδή η αυτοματοποιημένη χρήση μπορεί να είναι πιο χαρακτηριστική των πιο έμπειρων και εξειδικευμένων χρηστών· αντίθετα, διαπιστώνουμε ότι οι πιο προχωρημένοι χρήστες είναι πιθανότερο να εργάζονται επαναληπτικά με το Claude. Είναι επίσης συμβατό με τη μάθηση μέσω της πράξης: όσο περισσότερο χρόνο αφιερώνει κανείς στη χρήση της ΤΝ, τόσο πιο αποτελεσματικός γίνεται στην αξιοποίησή της.
Μια εναλλακτική ερμηνεία, βεβαίως, είναι ότι αυτά τα αποτελέσματα οφείλονται σε επιδράσεις κοόρτης ή σε μεροληψία επιβίωσης. Οι πρώιμοι υιοθετούντες μπορεί να είναι πιο τεχνικοί. Εκείνοι που συνεχίζουν να χρησιμοποιούν το Claude μπορεί να είναι όσοι έχουν εργασίες για τις οποίες αυτό είναι ιδιαίτερα κατάλληλο. Ωστόσο, προσεκτικά ελεγχόμενες παλινδρομήσεις αποκλείουν απλές εκδοχές αυτής της συγχυτικής επίδρασης, όπως ότι οι χρήστες μεγάλης διάρκειας χρήσης φέρνουν απλώς διαφορετικού τύπου εργασίες. Με την πάροδο του χρόνου, θα μπορέσουμε να απομονώσουμε καθαρότερα την επίδραση της κοόρτης και της μεροληψίας επιβίωσης από τη μάθηση μέσω της πράξης.
Αυτές οι παρατηρούμενες διαφορές στα ποσοστά επιτυχίας θα μπορούσαν να εντείνουν τις ανισότητες στην αγορά εργασίας. Οι οικονομολόγοι εδώ και καιρό επισημαίνουν τη δυνατότητα μιας τεχνολογικής μεταβολής μεροληπτικής υπέρ των δεξιοτήτων: καινοτομίες που αυξάνουν τους μισθούς των εργαζομένων υψηλής ειδίκευσης, ενώ συμπιέζουν τους μισθούς των υπολοίπων. Η ανάλυσή μας σε αυτή την έκθεση εντοπίζει έναν δίαυλο μέσω του οποίου ένας τέτοιος μετασχηματισμός μεροληπτικός υπέρ των δεξιοτήτων μπορεί ήδη να βρίσκεται σε εξέλιξη: οι πρώιμοι υιοθετούντες με εργασίες υψηλής ειδίκευσης έχουν πιο επιτυχημένες αλληλεπιδράσεις με το Claude από ό,τι οι μεταγενέστεροι, λιγότερο τεχνικοί υιοθετούντες. Αυτοί οι πρώιμοι χρήστες μπορεί ταυτόχρονα να είναι και οι περισσότερο εκτεθειμένοι σε ανατροπές που προκαλεί η ΤΝ και οι περισσότερο ωφελημένοι από την ΤΝ σε αυτά τα αρχικά, ενισχυτικά κύματα υιοθέτησης.
Παράρτημα
Διαθέσιμο εδώ.
Διαθεσιμότητα δεδομένων
Τα δεδομένα της παρούσας έκθεσης είναι διαθέσιμα εδώ.
Συγγραφείς και ευχαριστίες
Πρώτο μπλοκ συγγραφέων*:
Maxim Massenkoff, Eva Lyubich, Peter McCrory
*Κύριοι συγγραφείς της έκθεσης
Δεύτερο μπλοκ συγγραφέων:
Ruth Appel, Ryan Heller
Ευχαριστίες
Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark
Παραπομπή
@online{anthropic2026aeiv5,
author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller},
title = {Anthropic Economic Index report: Learning curves},
date = {2026-03-24},
year = {2026},
url = {https://www.anthropic.com/research/economic-index-march-2026-report},
}
Αντιγραφή
Υποσημειώσεις
- Ο όρος «First-party API» ή 1P API αναφέρεται στην κίνηση προγραμματιστών που δρομολογείται απευθείας μέσω της ίδιας της διεπαφής προγραμματισμού της Anthropic, και διακρίνεται τόσο από την καταναλωτική εφαρμογή Claude.ai της Anthropic όσο και από πλατφόρμες τρίτων, όπως το Amazon Bedrock ή το Google Cloud Vertex.
- Αυτό περιλαμβάνει δεδομένα από το Claude Code.
- Ο αριθμός αυτός χρησιμοποιεί τους κωδικούς 2019 O*NET-SOC, ενώ οι προηγούμενες εκθέσεις χρησιμοποιούν την έκδοση του 2010.
- Η μείωση στις συνομιλίες σχετικές με μαθήματα ήταν 5 ποσοστιαίες μονάδες στις χώρες όπου η σχολική περίοδος ήταν ενεργή και 12 ποσοστιαίες μονάδες στις χώρες όπου οι περισσότεροι φοιτητές βρίσκονταν σε διακοπές.
- Βλ. το Παράρτημα για τους ορισμούς των τύπων αλληλεπίδρασης.
- Για παράδειγμα, η εργασία «Υπολογισμός της υγρασίας ή της περιεκτικότητας σε άλατα, των ποσοστών συστατικών, των συνθέσεων ή άλλων παραγόντων προϊόντος, με χρήση μαθηματικών και χημικών διαδικασιών» εκτελείται μόνο από τεχνικούς επιστήμης τροφίμων, οι οποίοι έχουν μέσο μισθό 26,15 δολάρια, και αυτή είναι συνεπώς η αξία της συγκεκριμένης εργασίας. Η πηγή δεδομένων για αυτή την άσκηση είναι οι πίνακες Occupational Employment and Wage Statistics (OEWS) του BLS για τον Μάιο του 2024. Όταν η ίδια εργασία εκτελείται από περισσότερους εργαζομένους, υπολογίζουμε τον μέσο μισθό τους σταθμίζοντας με βάση την απασχόληση και το ποσοστό του χρόνου που αφιερώνεται στην εργασία αυτή.
- Για να εντοπίσουμε τα αναδυόμενα πρότυπα, φιλτράραμε για εργασίες O*NET που (i) εμφανίστηκαν τουλάχιστον 300 φορές στα τρέχοντα δεδομένα και (ii) εμφάνισαν τουλάχιστον διπλάσια αύξηση σε σύγκριση με την προηγούμενη έκθεση.
- Το εύρος αυτό δίνεται ώστε να αποτυπώνει τις διαφορετικές εκτιμήσεις που προκύπτουν όταν εφαρμόζουμε το μοντέλο της προηγούμενης έκθεσής μας με σταθμίσεις (5 έτη) ή χωρίς σταθμίσεις (9 έτη).
- Σε αυτή την ανάλυση χρησιμοποιούμε δεδομένα σε επίπεδο καταγραφής για να εκτιμήσουμε τα μοντέλα με τα ίδια κατώφλια ιδιωτικότητας. Βλ. το Παράρτημα για περισσότερα σχετικά με τη μεθοδολογία.
- Τα αποτελέσματα αυτά είναι παρόμοια ανεξαρτήτως του πώς ορίζουμε τη μεγάλη διάρκεια χρήσης.
- Η περίοδος δειγματοληψίας μας συνέπεσε με την κυκλοφορία των διαφημίσεών μας για το Super Bowl, γεγονός που έφερε πολλούς χρήστες για πρώτη φορά.
