-
• AI应用转向：编程、教育、科学领域因 Claude 3.7 Sonnet 增长。 -
• 深度工作AI化：“扩展思考”模式助力复杂技术与创意任务。 -
• 协作模式：增强人类（57%）仍是主流，但因职业/任务差异巨大。 -
• 关键启示：AI整合倾向人机协作，关注任务级影响而非仅职业替代。
AI时代，工作如何演变？数据给你答案
人工智能（AI）正以前所未有的速度发展，渗透到我们工作和生活的方方面面。每一次技术突破都引发广泛关注和讨论，核心问题直指未来：AI究竟在如何改变我们的工作？是颠覆性的取代，还是渐进式的融合？
与其依赖猜测，不如寻求基于真实数据的洞察。AI安全与研究公司Anthropic推出的Anthropic经济指数 (Anthropic Economic Index)，正致力于通过持续的数据追踪和分析，揭示AI对劳动力市场和经济的实际影响。
本文将深度解读该指数的最新报告，聚焦于其先进模型Claude 3.7 Sonnet发布后的真实用户数据。报告不仅揭示了AI应用的最新趋势，还深入剖析了人机交互中“增强”与“自动化”的复杂关系，并引入了一种创新的视角——“自下而上”的应用分类法，帮助我们更全面地理解AI如何重塑职业与任务。让我们用数据说话，探寻AI影响下工作的真实图景。
Claude 3.7 Sonnet驱动的应用新风向
模型的能力直接影响用户行为。Claude 3.7 Sonnet的推出，带来了哪些具体的应用变化？
研究基于模型上线后11天内收集的100万次匿名用户对话，并使用隐私保护工具Clio进行分析。通过将对话映射到美国劳工部O*NET数据库(一个包含详细职业描述、任务和所需技能的官方资源库)中的17000个任务，研究得以观察宏观的应用模式。
分析显示，与前期数据相比：
-
• 编程相关任务（计算机与数学职业）使用份额显著增长（约3%）。这符合Claude 3.7 Sonnet在编码能力上的提升预期。 -
• 教育和科学领域的任务使用占比也呈现明显增长。
图1：自上次报告以来（灰色条），编码、教育和科学领域的使用份额有所增加（绿色部分表示增加，蓝色表示减少）。
图1：自上次报告以来（灰色条），编码、教育和科学领域的使用份额有所增加（绿色部分表示增加，蓝色表示减少）。
编码应用的增加是“意料之中”，而教育、科学领域的增长则可能反映了AI技术的持续扩散、编码能力在新场景的应用，或是模型在这些领域超出预期的能力表现。这些变化清晰表明，模型迭代正实实在在地引导和塑造着AI的实际应用格局。
“扩展思考”模式：赋能深度技术与创意工作
Claude 3.7 Sonnet引入的“扩展思考”（Extended Thinking）模式，允许模型为复杂问题投入更多“思考时间”。这一功能正被谁以及如何使用？
数据显示，“扩展思考”主要服务于技术和创意问题的深度解决场景。使用该模式比例最高的职业相关任务包括：
-
1. 计算机与信息研究科学家：接近 10% 的相关任务使用，居于首位，显示其在前沿科研探索中的价值。 -
2. 软件开发者：约 8% 使用，表明在复杂软件工程中，AI的深度辅助受欢迎。 -
3. 多媒体艺术家与动画师：约 7% 使用。 -
4. 视频游戏设计师：约 6% 使用。
后两者的较高使用率说明，“扩展思考”不仅适用于技术难题，在复杂的创意构思和设计中同样重要。
图2：“扩展思考”模式使用率最高的O*NET职业，集中于需要深度技术分析或复杂创意构思的领域。
图2：“扩展思考”模式使用率最高的O*NET职业，集中于需要深度技术分析或复杂创意构思的领域。
“扩展思考”的早期应用模式表明，AI正从快速问答工具演变为能够参与深度思考、辅助复杂决策的智能伙伴，精准满足了专业用户在高复杂度任务上的需求。
人机协作新范式：增强为主，但因任务而异
AI究竟是增强人类，还是自动化任务？这是关于AI职业影响的核心问题。Anthropic的数据提供了迄今最细致的答案。这里的“增强”(Augmentation)** 指AI帮助学习、迭代、验证，而“自动化”(Automation)** 指AI直接执行任务或修正错误。
关键发现：尽管模型能力提升，AI应用的整体模式仍以“增强”为主，占比约57%，与前期数据基本持平。“自动化”占比约43%。
图3：增强与自动化的整体平衡（顶部）保持相对稳定。“学习”（Learning）类互动（底部）占比从约23%显著增长到约28%。
图3：增强与自动化的整体平衡（顶部）保持相对稳定。“学习”（Learning）类互动（底部）占比从约23%显著增长到约28%。
在增强模式内部，“学习”（Learning）互动——用户向AI请教、寻求解释——占比从约23%上升到约28%。这表明用户日益将AI视为可靠的知识来源和学习工具。
【洞见1】模型升级 ≠ 自动化浪潮：AI整合更倾向协作
“增强为主且格局稳定”这一发现，是对“AI将快速取代人类工作”焦虑的有力回应。数据显示，更强大的AI并未立即引发自动化应用的激增。用户更倾向于利用AI拓展能力、提升效率，而非简单“外包”任务。
这表明AI的整合更像是一个人机协同能力的共同进化过程。以**“增强”为主导的模式可能比预期更具韧性**，并将在未来一段时间内持续成为主流。这意味着，促进有效的人机协作或许比单纯担忧岗位消失更为关键。
当然，整体数据之下，不同职业领域的协作模式差异巨大：
-
• 高度增强型：社区与社会服务相关任务（如教育、咨询）的增强比例接近75%，AI在此更多扮演辅助角色。 -
• 趋向平衡型：生产、计算机与数学等技术导向职业，增强与自动化比例更接近50/50。 -
• 无自动化主导型：值得注意的是，没有任何职业大类显示出自动化占绝对主导。
图4：不同职业大类的交互模式比例，显示出显著差异。“社区与社会服务”类的增强比例（绿+黄）最高。
图4：不同职业大类的交互模式比例，显示出显著差异。“社区与社会服务”类的增强比例（绿+黄）最高。
进一步细分到具体任务，AI的角色更加清晰：
-
• 文案与编辑：呈现最高比例的“任务迭代”（Task Iteration，约58%），即人机反复协作共同创作。这是典型的增强模式，AI如同写作伙伴。这对文字工作者意味着，掌握与AI高效协作共同产出的技能变得日益重要。
图5：文案撰稿人与编辑在“任务迭代”交互中占比最高，凸显人机协作创作。
- 图5：文案撰稿人与编辑在“任务迭代”交互中占比最高，凸显人机协作创作。
-
• 笔译与口译：显示出很高比例的“指令性”（Directive）行为，即用户让模型直接完成任务，人类介入较少。这更偏向自动化模式。对于翻译从业者，这可能意味着工作重心从直接翻译转向利用AI进行初翻后的审校、优化，或处理更复杂、更需文化理解的翻译任务。
图6：翻译人员在“指令性”交互中占比较高，显示AI在翻译任务中更多被用于直接执行。
图6：翻译人员在“指令性”交互中占比较高，显示AI在翻译任务中更多被用于直接执行。
其他模式如“学习”（图书管理员相关任务占比高）、“验证”（校对员相关任务占比高）、“反馈循环”（程序员相关任务占比高）等也揭示了不同职业与AI互动的多样性。（见附录图7-9）
图9：“验证”（Validation）交互模式中占比最高的职业。
图10：“反馈循环”（Feedback Loop）交互模式中占比最高的职业。
（数据解读注意：O*NET的标准化描述可能与AI实际用途略有偏差，如“美术家”可能指数字艺术创作。）
超越O*NET：AI应用的真实“微观渗透”
传统的O*NET职业框架虽权威，却难以完全覆盖通用AI模型的广泛、细碎的应用场景。
为弥补不足，研究团队基于真实对话数据，创建了一个全新的“自下而上”(Bottom-up)的AI使用分类法。该方法不依赖预设框架，通过算法自动聚类，形成了630个细粒度的使用集群，每个集群都包含描述、流行度及增强/自动化数据。
【洞见2】AI的“微观渗透”：在细微之处重塑工作与生活
这个自下而上的分类法极具价值，它揭示了AI正以一种“微观渗透”的方式融入我们的工作和生活，解决着大量传统职业框架难以描述的具体、细小的问题。
这对于理解AI的真实影响至关重要。以往讨论多聚焦于AI对整个“职业”的冲击，但新发现表明，AI的价值创造和影响扩散，可能更多发生在这些“微观任务”层面。它可能不会立刻“消灭”一个职业，但会悄无声息地改变该职业内部无数任务的执行方式，甚至创造新任务。
因此，全面评估AI影响，必须超越宏观职业替代视角，深入观察其在细粒度应用场景中的作用。这种“自下而上”的视角，为我们提供了理解AI真实经济社会效应的关键钥匙。
新分类法揭示了许多生动甚至意想不到的应用场景：
-
• 生活帮手：“帮我处理家里水管、供水和维护问题” -
• 技术探索：“创建具有交互式可视化能力的基于物理的模拟” -
• 设计辅助：“帮我进行字体选择、实现和故障排除” -
• 求职助力：“帮我创建或改进求职申请材料” -
• 专业咨询：“提供有关电池技术和充电系统的指导” -
• 编程细节：“帮助处理代码和数据库中的时区问题”
这些例子说明AI应用的广泛性和实用性远超想象。
未来展望：持续追踪AI影响的动态演进
AI的技术与应用日新月异，今天的观察只是一个快照。Anthropic经济指数旨在通过持续的数据追踪与分析，理解这一动态过程。
未来需要关注AI在不同职业任务中的渗透率演变、增强与自动化的平衡的变化、新AI能力带来的影响，以及自下而上应用集群的演化。
本次报告的其他数据点（如任务使用深度曲线，图7）也显示，AI任务覆盖广度短期内变化不大。
图7：任务使用深度曲线与上次报告类似，显示AI应用广度相对稳定。
图8：各职业大类使用份额的完整变化图。
拥抱协作，关注细节
总而言之，基于Claude 3.7 Sonnet数据的最新Anthropic经济指数报告揭示：AI正切实推动特定领域应用增长，并开始辅助深度工作。然而，人机协作中“增强为主”的模式依然稳固。要真正理解AI的广泛影响，我们必须超越宏观职业框架，关注其在无数“微观任务”层面的渗透和价值创造。理解AI演进之路，需要持续的数据追踪和细致入微的分析视角。对于个体和组织而言，学习如何与AI高效协作，可能比担忧被取代更为紧迫和实际。
推荐阅读
-
• Anthropic Economic Index 官方页面: https://www.anthropic.com/economic-index(获取最新报告和数据的入口) -
• 本次报告的数据集 (Hugging Face): https://huggingface.co/datasets/Anthropic/EconomicIndex/(包含O*NET映射数据、扩展思考模式数据、增强/自动化细分数据及自下而上分类法数据) -
• Anthropic关于隐私保护工具Clio的研究: https://www.anthropic.com/research/clio(了解报告分析工具的技术背景) -
• 美国劳工部O*NET数据库: https://www.onetonline.org/(了解报告中使用的职业与任务分类标准)
（文：子非AI）