Mục lục lục
ToggleChỉ số Kinh tế Nhân sinh sử dụng hệ thống phân tích dữ liệu bảo mật của chúng tôi để theo dõi việc sử dụng Claude trên toàn bộ nền kinh tế. Đây là một phần trong nỗ lực của chúng tôi nhằm hiểu rõ tác động kinh tế của AI ngay từ giai đoạn đầu, giúp các nhà nghiên cứu và hoạch định chính sách có đủ thời gian chuẩn bị.
Báo cáo mới nhất này xem xét việc sử dụng Claude vào tháng 2 năm 2026, mở rộng khuôn khổ kinh tế cơ bản đã được thiết lập trong báo cáo trước đó của chúng tôi (sử dụng dữ liệu từ tháng 11 năm 2025). Mẫu nghiên cứu của chúng tôi bao gồm khoảng thời gian từ ngày 5 đến ngày 12 tháng 2, ba tháng sau khi phát hành Claude Opus 4.5 và trùng với thời điểm phát hành Claude Opus 4.6.
Trước tiên, chúng tôi đã ghi nhận những thay đổi trong cách sử dụng so với báo cáo trước đó: tỷ lệ tương tác tăng cường (tức là các tương tác hợp tác tận dụng khả năng hỗ trợ của AI) đã tăng nhẹ cả trên Claude.ai và lưu lượng truy cập API. Trên Claude.ai, các trường hợp sử dụng đang trở nên đa dạng hơn, với 10 nhiệm vụ hàng đầu chiếm tỷ lệ phần trăm tổng thể thấp hơn so với tháng 11 năm 2025. Do sự đa dạng hóa này, mức lương trung bình cho mỗi nhiệm vụ trong một cuộc hội thoại trên Claude.ai thấp hơn một chút so với báo cáo trước đó.
Tiếp theo, chúng ta tập trung vào một yếu tố quan trọng ảnh hưởng đến tác động của Claude đối với thị trường lao động và nền kinh tế nói chung: đường cong học tập trong việc áp dụng Claude. Chúng tôi cung cấp bằng chứng cho thấy những người dùng có kinh nghiệm cao đã phát triển các thói quen và chiến lược sử dụng cho phép họ tận dụng các khả năng của Claude hiệu quả hơn. Thật vậy, dữ liệu của chúng tôi cho thấy những người dùng có kinh nghiệm hơn không chỉ thực hiện nhiệm vụ có giá trị cao hơn mà còn có nhiều khả năng nhận được phản hồi thành công hơn trong các cuộc hội thoại.
Những thay đổi so với báo cáo trước
Trong Chương 1, chúng ta sẽ xem xét lại các kết quả của báo cáo chỉ số kinh tế trước đó, được công bố vào tháng 1 năm 2026. Chúng ta rút ra những kết luận sau:
- Các trường hợp sử dụng Claude.ai ngày càng đa dạng. Nhiệm vụ viết mã tiếp tục chuyển từ việc sử dụng mở rộng Claude.ai sang các quy trình làm việc tự động hơn trong lưu lượng truy cập API của chúng tôi. Trong báo cáo này, mức độ tập trung sử dụng Claude.ai giảm: 10 nhiệm vụ hàng đầu chiếm 19% tổng lưu lượng truy cập trong tháng Hai, giảm từ 24% trong tháng Mười Một. Tuy nhiên, hầu hết nhiệm vụ trong mẫu này đều xuất hiện trong mẫu trước đó của chúng tôi. Khoảng 49% các ngành nghề hiện nay hoàn thành ít nhất một phần tư nhiệm vụ bằng cách sử dụng Claude.
- Việc ứng dụng Claude đã mở rộng sang cả nhiệm vụ có mức lương thấp hơn. Khi các trường hợp sử dụng đa dạng hơn, giá trị kinh tế trung bình của công việc sử dụng Claude, được đo bằng tiền lương của người lao động Mỹ trong các ngành nghề liên quan, đã giảm nhẹ. Hiện tượng này được thúc đẩy bởi sự gia tăng các truy vấn cá nhân hóa liên quan đến thể thao, so sánh sản phẩm và sửa chữa nhà cửa. Mô hình này phù hợp với câu chuyện "đường cong áp dụng" tiêu chuẩn - những người áp dụng sớm tập trung vào các trường hợp sử dụng có giá trị cao cụ thể như lập trình, trong khi những người áp dụng sau này bao gồm nhiều loại nhiệm vụ hơn.
- Sự bất bình đẳng về mức độ sử dụng trên toàn cầu vẫn tồn tại. Mức độ sử dụng vẫn tập trung cao độ: 20 quốc gia hàng đầu chiếm 48% tổng mức sử dụng bình quân đầu người, tăng từ 45% trong báo cáo trước đó, cho thấy khoảng cách về mức độ sử dụng trên toàn cầu vẫn còn tồn tại. Tuy nhiên, mức sử dụng bình quân đầu người của Claude đang dần hội tụ tại Hoa Kỳ: kể từ báo cáo trước, chiếm tỷ lệ sử dụng của 10 tiểu bang hàng đầu đã giảm từ 40% xuống còn 38%.
Đường cong học tập
Một phát hiện quan trọng của chỉ số kinh tế là việc áp dụng sớm phương pháp của Claude diễn ra rất không đồng đều—mạnh mẽ hơn ở các quốc gia thu nhập cao và tập trung ở những khu vực có nhiều lao động tri thức tại Hoa Kỳ, và chỉ áp dụng cho một số ít nhiệm vụ và nghề nghiệp chuyên môn.
Một câu hỏi quan trọng là sự bất bình đẳng trong việc áp dụng trí tuệ nhân tạo có thể quyết định lợi nhuận của nó sẽ đến với ai và ở đâu. Ví dụ, nếu việc sử dụng hiệu quả trí tuệ nhân tạo đòi hỏi các kỹ năng và chuyên môn bổ trợ (một lập luận mà chúng tôi đã đưa ra trong báo cáo trước đây), và những kỹ năng đó có thể được học thông qua việc sử dụng và thử nghiệm, thì lợi nhuận của việc áp dụng sớm có thể tạo ra một chu kỳ tự củng cố.
Trong Chương Hai, chúng ta sẽ khám phá cách người dùng định hình giá trị mà họ nhận được từ Claude: cách họ kết hợp khả năng của mô hình với nhiệm vụ hiện tại, và cách các mô hình sử dụng và hiệu quả thay đổi khi họ tích lũy kinh nghiệm sử dụng nền tảng.
- Việc lựa chọn mô hình phù hợp với nhiệm vụ . Chúng tôi nhận thấy người dùng có xu hướng chọn sê-ri mô hình thông minh nhất của chúng tôi —Opus— nhiệm vụ thường có mức lương cao hơn trên thị trường lao động. Ví dụ, trong số người dùng trả phí của Claude.ai, tỷ lệ sử dụng Opus cao hơn 4 điểm phần trăm so với mức trung bình đối với nhiệm vụ lập trình và thấp hơn 7 điểm phần trăm so với mức trung bình đối với nhiệm vụ liên quan đến dạy kèm. Mô hình lựa chọn này thậm chí còn rõ rệt hơn trong các API.
- Người dùng lâu năm đang chuyển trọng tâm sang nhiệm vụ công việc. Những người dùng đã sử dụng Claude.ai trong thời gian dài hơn có nhiều khả năng sử dụng Claude cho công việc hơn. Người dùng Claude.ai có kinh nghiệm cao (những người đã sử dụng nền tảng này hơn 6 tháng) có khả năng sử dụng Claude cho công việc cao hơn 7 điểm phần trăm, và nhiệm vụ họ xử lý bằng Claude cũng đòi hỏi trình độ học vấn cao hơn.
- Học bằng cách thực hành. Người dùng có kinh nghiệm cao thường thành công hơn trong các cuộc trò chuyện với Claude. Cụ thể, ngay cả sau khi đã kiểm soát các yếu tố nhiệm vụ hoặc vị trí địa lý, họ vẫn có khả năng hoàn thành cuộc trò chuyện thành công cao hơn từ 3 đến 4 điểm phần trăm.
Chương 1: Những thay đổi so với báo cáo trước
Các trường hợp sử dụng đa dạng của Claude.ai
Chúng tôi đã nghiên cứu các loại nhiệm vụ mà Claude thực hiện bằng cách đối chiếu lần cuộc hội thoại với nhiệm vụ trong Mạng Thông tin Nghề nghiệp (O*NET) của Cục Thống kê Lao động Hoa Kỳ. Phương pháp đối chiếu này sử dụng cách thức bảo mật thông tin cá nhân, cho phép chúng tôi mô tả hành vi tổng thể mà không làm lộ các bản ghi cuộc hội thoại riêng lẻ.
Chúng tôi đã thu thập mẫu một triệu lần từ mỗi trong hai nền tảng: Claude.ai (giao diện người dùng) và API nội bộ (nền tảng dành cho nhà phát triển).
Viết mã vẫn là trường hợp sử dụng phổ biến nhất trên nền tảng của chúng tôi, với nhiệm vụ liên quan đến máy tính và toán học chiếm 35% các cuộc hội thoại trên Claude.ai.
Từ tháng 11 năm 2025 đến tháng 2 năm 2026, mức độ tập trung nhiệm vụ của Claude.ai giảm: 10 nhiệm vụ O*NET hàng đầu chiếm 19% số cuộc hội thoại trong tháng 2, giảm từ 24% trong tháng 11. Giảm này một phần là do việc chuyển nhiệm vụ viết mã sang các API của chính Claude.ai; thiết kế proxy của Claude Code chia nhỏ công việc viết mã thành nhiều lệnh gọi API độc lập. Mặc dù tỷ lệ viết mã trong API đã tăng lên, nhưng sự phân bố tổng thể giữa các loại nhiệm vụ vẫn tương đối ổn định.
Sự dịch chuyển này chỉ giải thích một phần giảm về mức độ tập trung. Cơ cấu các kịch bản sử dụng cũng thay đổi: tỷ lệ các cuộc trò chuyện liên quan đến học thuật giảm từ 19% xuống 12%, trong khi sử dụng cá nhân tăng từ 35% lên 42%. Một phần giảm trong các cuộc trò chuyện liên quan đến học thuật có thể là do kỳ nghỉ đông ở một số khu vực. Thêm vào đó, số lượng người dùng đăng ký mới tăng nhanh trong tháng Hai , thu hút thêm nhiều người dùng không thường xuyên.
Việc đa dạng hóa nhiệm vụ tại nơi làm việc của Claude dựa trên các mô hình hiện có. Báo cáo trước đây của chúng tôi chỉ ra rằng 49% các ngành nghề đã sử dụng Claude trong ít nhất một phần nhiệm vụ; chỉ báo này hầu như không thay đổi kể từ báo cáo trước. Tốc độ xuất hiện nhiệm vụ O*NET mới cũng chậm lại đáng kể so với các báo cáo trước đó.
Kể từ báo cáo đầu tiên, chúng tôi đã phân loại các cuộc hội thoại thành năm loại tương tác—hướng dẫn, vòng phản hồi, lặp lại nhiệm vụ, xác minh và học tập—và tiếp tục chia nhỏ chúng thành hai loại chính: tự động hóa và tăng cường. Việc sử dụng tăng cường trên Claude.ai đã tăng nhẹ, chủ yếu do tăng trưởng nhỏ trong các mô hình xác minh và học tập. Tuy nhiên, việc sử dụng tự động hóa giảm đáng kể trong tài liệu API của chính thức.
Sự tập trung của nhiệm vụ liên quan đến máy tính và toán học trên nền tảng API đã tăng lên. Kể từ tháng 8 năm 2025, hạng mục này đã tăng 14% trên API, trong khi giảm 18% trên Claude.ai. Phân tích thị trường lao động song song của chúng tôi cho thấy sự dịch chuyển này trên API có thể báo trước một tác động trực tiếp hơn đến nghề nghiệp. Tỷ lệ nhiệm vụ liên quan đến quản lý trên Claude.ai đã tăng từ 3% lên 5%, bao gồm nhiệm vụ phân tích (như chuẩn bị bản ghi nhớ đầu tư) và nhiệm vụ phản hồi khách hàng.
Chúng tôi đánh giá giá trị của nhiệm vụ dựa trên mức lương trung bình theo giờ của người lao động Mỹ trong các ngành nghề liên quan. Giá trị trung bình nhiệm vụ trên Claude.ai giảm nhẹ, từ 49,30 đô la xuống còn 47,90 đô la mỗi giờ, chủ yếu do sự gia tăng các truy vấn thực tế đơn giản (thể thao, thời tiết) và sự dịch chuyển trong nhiệm vụ lập trình. Phân tích trước đây của chúng tôi cho thấy nhiệm vụ trên Claude thường yêu cầu trình độ học vấn trên mức trung bình, và nhiệm vụ này tương ứng với mức lương trên mức trung bình.
Giữa hai báo cáo, những thay đổi trong một số chỉ báo quan trọng phản ánh giảm độ phức tạp trung bình của nhiệm vụ mà Claude.ai thực hiện. Trình độ học vấn trung bình cần thiết để người dùng nhập liệu một cách thông thường đã giảm từ 12,2 năm xuống còn 11,9 năm; người dùng cũng trao cho Claude nhiều quyền tự chủ hơn; và thời gian ước tính để hoàn thành nhiệm vụ một cách độc lập đã giảm khoảng 2 phút. Trong khi đó, độ khó hoàn thành nhiệm vụ mà không cần sự hỗ trợ của AI lại tăng nhẹ.
Các mô hình tự động hóa mới nổi
Khi ngày càng nhiều nhiệm vụ được chuyển sang sử dụng API, mức độ tiếp xúc với tự động hóa cũng tăng lên. Quy trình làm việc của API chủ yếu dựa trên hướng dẫn, với sự can thiệp tối thiểu của con người. Chúng tôi đã từng nhấn mạnh sự phổ biến của các ứng dụng dịch vụ khách hàng—bao gồm thanh toán tự động và hỗ trợ lập hóa đơn—cho thấy các nhân viên dịch vụ khách hàng phải đối mặt với mức độ tiếp xúc cao, có khả năng đẩy nhanh quá trình thay đổi nghề nghiệp.
Tần suất của hai quy trình API này tăng gấp đôi giữa các khoảng thời gian lấy mẫu:
- Bán hàng và tiếp cận khách hàng doanh nghiệp: Tự động hóa nội dung hỗ trợ bán hàng, nghiên cứu khách hàng tiềm năng B2B, làm phong phú thông tin khách hàng và soạn thảo email tiếp cận khách hàng mới.
- Giao dịch tự động và vận hành thị trường: giám sát thị trường và các vị thế, cung cấp tư vấn đầu tư và thông báo cho người giao dịch về điều kiện thị trường.
Xem xét lại sự hội tụ địa lý
Trong báo cáo trước đó, chúng tôi đã lưu ý rằng chỉ số sử dụng Trí tuệ Nhân tạo Nhân sinh (đã điều chỉnh theo dân số) đang nhanh chóng hội tụ trên khắp các tiểu bang của Hoa Kỳ, với các tiểu bang ban đầu có tỷ lệ áp dụng thấp hơn hiện đang bắt kịp nhanh chóng.
Dữ liệu hiện tại xác nhận xu hướng hội tụ vẫn tiếp tục, nhưng với tốc độ chậm hơn so với những quan sát trước đây. Từ tháng 8 năm 2025 đến tháng 2 năm 2026, chiếm tỷ lệ sử dụng bình quân đầu người của năm tiểu bang hàng đầu đã giảm từ 30% xuống 24%. Mặc dù Hệ số Gini giảm kể từ tháng 8 năm 2025, tốc độ hội tụ đã chậm lại. Các dự báo cập nhật của chúng tôi hiện ước tính rằng sẽ mất khoảng 5 đến 9 năm để tất cả các tiểu bang đạt được mức sử dụng bình quân đầu người tương đương, so với ước tính trước đó là 2 đến 5 năm. 6
Ở cấp độ quốc tế, tình hình hoàn toàn ngược lại: mức độ tập trung đã tăng lên, và Hệ số Gini tăng theo. Các quốc gia có mức sử dụng bình quân đầu người cao nhất hiện chiếm tỷ trọng lớn hơn trong tổng mức sử dụng, với mức sử dụng bình quân đầu người đã điều chỉnh của 20 quốc gia hàng đầu tăng từ 45% lên 48%.
Chương Hai: Học cách sử dụng Trí tuệ nhân tạo
Chương này khám phá hai đặc điểm sử dụng phản ánh cách người dùng triển khai và học hỏi AI: lựa chọn mô hình và mô hình sử dụng của người dùng có kinh nghiệm hơn.
Khía cạnh đầu tiên, lựa chọn mô hình, hé lộ những hiểu biết sâu sắc về nhu cầu trí tuệ nhân tạo. Hiện nay, hầu như không có nghiên cứu nào về hành vi người dùng trong hoàn cảnh đa mô hình, hoàn cảnh người dùng có thể cân nhắc giữa tốc độ, hiệu quả và chi phí. Việc Opus tập trung lựa chọn nhiệm vụ phù hợp sẽ phản ánh hành vi giao nhiệm vụ khó khăn hơn, có giá trị cao hơn cho mô hình này.
Khảo sát thứ hai xem xét việc sử dụng theo thâm niên, khám phá sự khác biệt liên quan đến thời gian người dùng đã sử dụng Claude.ai, nhằm mục đích làm rõ đường cong học tập. Người dùng có trở nên thành thạo hơn với Claude không? Các mô hình sử dụng thay đổi như thế nào? Chúng tôi tìm thấy bằng chứng phù hợp với "học bằng cách thực hành": người dùng có kinh nghiệm hơn làm việc hiệu quả hơn trong các cuộc trò chuyện, cộng tác sâu sắc hơn với Claude, thử sức với nhiệm vụ khó khăn hơn và áp dụng Claude rộng rãi hơn vào các tình huống công việc đa dạng.
Lựa chọn mô hình
Sê-Ri mô hình của Claude — Haiku, Sonnet và Opus — mỗi mô hình đều có sự đánh đổi giữa chi phí, tốc độ và hiệu suất. Opus có các ràng buộc ngữ cảnh cao nhất, vượt trội trong nhiệm vụ phức tạp, nhưng cũng có chi phí trên mỗi token cao nhất trong API. Người dùng quan tâm đến chi phí và sắp đạt đến giới hạn sử dụng sẽ ưu tiên sử dụng Opus cho nhiệm vụ khó khăn, có giá trị cao và chọn các giải pháp thay thế cho các tác vụ đơn giản hơn. Điều này phần lớn phù hợp với những gì chúng tôi đã quan sát được trong tài liệu của mình. 3
Trong số những người dùng trả phí của Claude.ai trên tất cả sê-ri sản phẩm, 55% nhiệm vụ máy tính và toán học (như lập trình phần mềm) sử dụng Opus, so với chỉ 45% đối với nhiệm vụ giáo dục.
Người dùng am hiểu công nghệ có thể nhận ra lợi thế về hiệu năng và chủ động chuyển đổi từ trình soạn thảo Sonnet mặc định. Mặt khác, người dùng chú trọng hiệu quả có thể sử dụng Sonnet cho các tác vụ thường ngày để tránh sử dụng hết dung lượng lưu trữ. Những khác biệt này cũng có thể phản ánh nhiệm vụ giáo dục tương đối đơn giản hoặc nhóm sinh viên có độ nhạy cảm về chi phí cao hơn.
Phân tích chi tiết hơn cho thấy mối tương quan giữa nhiệm vụ công việc có mức lương cao hơn và nhiều tùy chọn Opus hơn. Ví dụ, trên Claude.ai, nhiệm vụ phát triển phần mềm có tỷ lệ sử dụng Opus là 34%, so với chỉ 12% đối với nhiệm vụ dạy kèm. Sau khi kiểm soát các yếu tố khác, cứ mỗi 10 đô la tăng thêm trong mức lương trung bình theo giờ, chiếm tỷ lệ Opus trong các cuộc hội thoại trên Claude.ai tăng thêm 1,5 điểm phần trăm. Lưu lượng truy cập API bên thứ nhất nhạy cảm với độ phức tạp nhiệm vụ gấp đôi; cứ mỗi 10 đô la tăng thêm nhiệm vụ, chiếm tỷ lệ Opus tăng thêm 2,8 điểm phần trăm. Người dùng triển khai quy trình làm việc có thể có nhiều lý do để chuyển đổi mô hình hơn so với người dùng giao diện web.
Đường cong học tập
Mô hình đầu tiên của Claude được ra mắt vào tháng 3 năm 2023. Sự phát triển nhanh chóng kể từ đó đã tạo ra một hồ sơ người dùng đa dạng—từ những người dùng đã sử dụng mô hình từ khi ra mắt ban đầu đến những người mới đăng ký trong thời gian đo lường. Trong đó hưởng của hồ sơ người dùng Claude đến trải nghiệm người dùng là một chủ đề đáng được nghiên cứu sâu hơn.
Những người dùng có kinh nghiệm cao (những người tham gia ít nhất 6 tháng trước thời gian lấy mẫu) thể hiện cách tiếp cận lặp đi lặp lại hơn đối với Claude, trong khi việc ủy quyền sử dụng giảm đáng kể. Họ sử dụng Claude cho công việc với tỷ lệ cao hơn khoảng 7 điểm phần trăm, ưu tiên nhiệm vụ yêu cầu trình độ học vấn cao hơn và có sự phân bổ nhiệm vụ ít tập trung hơn. 10 nhiệm vụ O*NET hàng đầu chiếm 20,7% cuộc hội thoại của họ, so với 22,2% ở nhóm đối chứng.
Phân bổ nhiệm vụ của người dùng có kinh nghiệm cao tương ứng với việc cần thêm khoảng một năm nhiệm vụ cho mỗi năm kinh nghiệm sử dụng. Hơn nữa, họ sử dụng Claude ít hơn cho mục đích cá nhân: 38% cuộc trò chuyện giữa những người dùng có một năm kinh nghiệm sử dụng nền tảng là về cá nhân, so với 44% đối với người dùng mới.
Những mô hình này có thể được diễn giải theo nhiều cách. Người dùng có trình độ cao đại diện cho một nhóm tự chọn, có khả năng phản ánh những đặc điểm vốn có—chẳng hạn như các lập trình viên là những người tiên phong sử dụng sản phẩm, đây có thể là một yếu tố gây nhiễu tiềm ẩn. Hơn nữa, còn có hiện tượng thiên lệch do người sống sót: những người dùng đã đăng ký cách đây một năm có nhiều khả năng cho rằng Claude hữu ích hơn, trong khi những người không tiếp tục sử dụng nó thì không được ghi nhận.
Các phân tích ban đầu đã chỉ ra rằng các quốc gia thu nhập và trình độ giáo dục thấp hơn thường có độ phức tạp khi sử dụng cao hơn. Điều này có thể được giải thích bởi các mô hình áp dụng ban đầu: những người dùng đầu tiên của Claude ở bất kỳ quốc gia hoặc nhóm người dùng nào đều có khả năng là những người tiên phong sử dụng Claude trong các ứng dụng công nghệ có giá trị cao; khi việc áp dụng tăng trưởng, ngày càng nhiều người tham gia và cơ sở người dùng mở rộng để bao gồm nhiều trường hợp sử dụng thông thường hơn.
Phân tích nhóm yêu cầu cho thấy nhiệm vụ được trả lương cao nhất thuộc về những người dùng có kinh nghiệm nhất: nghiên cứu AI, vận hành Git, chỉnh sửa bản thảo và gọi vốn khởi nghiệp. Trong số những người dùng ít kinh nghiệm nhất, các nhiệm vụ được trả lương cao nhất là: sáng tác thơ haiku, tra cứu tỷ số thể thao và đề xuất món ăn cho bữa tiệc.
Trải nghiệm hiệu ứng
Để tìm hiểu sâu hơn về các mối quan hệ này trong khi kiểm soát các biến số, chúng tôi đã sử dụng dữ liệu ở cấp độ logarit với các đặc điểm cụ thể của cuộc hội thoại để phân tích. Một phép hồi quy hai biến đơn giản, với tỷ lệ thành công của cuộc hội thoại là biến kết quả và chỉ báo thâm niên là biến dự báo, cho thấy người dùng lớn tuổi có khả năng hoàn thành cuộc hội thoại thành công cao hơn khoảng 5 điểm phần trăm.
Thành công có thể đơn giản chỉ phản ánh kỹ thuật hướng dẫn tốt, điều này có thể được bắt chước. Tuy nhiên, nếu người dùng có kỹ năng cao tham gia vào nhiệm vụ khác biệt về cơ bản với tỷ lệ thành công cơ bản cao hơn, thì việc phân bổ nhiệm vụ có thể là lời giải thích thực sự cho những phát hiện này.
Bản mô tả kỹ thuật, kết hợp các hiệu ứng cố định cho các cụm nhiệm vụ và yêu cầu O*NET, so sánh người dùng có nhiều kinh nghiệm và người dùng ít kinh nghiệm thực hiện cùng một loại nhiệm vụ— ví dụ, so sánh người dùng có nhiều kinh nghiệm và người dùng ít kinh nghiệm trong cụm "Thực hiện phân tích, định giá và mô hình hóa tài chính doanh nghiệp". Các hiệu ứng cố định kết hợp lợi thế trung bình của người dùng có nhiều kinh nghiệm trong cụm đó, dẫn đến hiệu quả tác động là 3 điểm phần trăm.
Các thông số kỹ thuật cuối cùng đã tích hợp thêm các yếu tố cố định về mô hình, trường hợp sử dụng và địa lý để tìm hiểu xem liệu người dùng có trình độ cao có lựa chọn các mô hình khác nhau, giao tiếp bằng các ngôn ngữ khác nhau, duy trì các ứng dụng khác nhau hay đăng ký từ các khu vực khác nhau hay không. Kết quả cho thấy sự cải thiện nhẹ về hiệu quả của người dùng có trình độ cao, cho thấy tỷ lệ thành công tăng 4 điểm phần trăm sau khi kiểm soát tất cả các yếu tố này.
Những kết quả này cho thấy người dùng có kinh nghiệm cao hơn thường thành công hơn trong các cuộc hội thoại Claude, và hiện tượng này không phải do các yếu tố đơn giản như ngôn ngữ hay nhiệm vụ đang thực hiện.
Sự thành công vượt trội của những người dùng có kinh nghiệm cao khi tương tác với Claude không thể chỉ được giải thích bằng những yếu tố đơn giản như ngôn ngữ họ sử dụng hoặc nhiệm vụ họ thực hiện. Một lời giải thích thuyết phục hơn liên quan đến khả năng học hỏi được nâng cao trên nền tảng này—một yếu tố tiềm năng quan trọng giúp mở rộng bộ công cụ khi kinh nghiệm của người dùng tăng lên.
bàn luận
Báo cáo này xem xét lại chỉ báo chính về việc sử dụng Claude và lần đầu tiên phân tích việc lựa chọn mô hình và tỷ lệ thành công của hội thoại. Việc sử dụng API bên thứ nhất ngày càng tập trung hơn kể từ tháng 8 năm 2025: 10 nhiệm vụ O*NET hàng đầu đã tăng từ 28% lên 33% lưu lượng truy cập. Nhiệm vụ của Claude.ai đã trở nên đa dạng hơn kể từ dữ liệu tháng 11 năm 2025. Sự hội tụ về mặt địa lý tại Hoa Kỳ vẫn tiếp tục, nhưng với tốc độ chậm hơn so với báo cáo trước đây. Các quốc gia có tỷ lệ áp dụng thấp hơn phải đối mặt với một bất lợi tương đối nhỏ.
Khung kinh tế cơ bản cho phép chúng ta theo dõi những thay đổi theo thời gian trong việc sử dụng Claude. Chiếm tỷ lệ mục đích học thuật đã giảm, trong khi các cuộc hội thoại cá nhân lại tăng lên. Độ phức tạp trung bình của dữ liệu đầu vào trên Claude.ai đã giảm nhẹ, với các cuộc hội thoại cho thấy dữ liệu đầu vào ít phức tạp hơn và ước tính thời gian hoàn thành độc lập thấp hơn.
Claude chủ yếu xử lý nhiệm vụ phức tạp, giá trị cao , nhiệm vụ phản ánh hoạt động kinh tế tổng thể của Hoa Kỳ. Khi số lượng người dùng tăng lên, tỷ lệ lưu lượng truy cập cho các loại nhiệm vụ có mức lương thấp hơn đã tăng nhẹ. Giá trị ước tính của nhiệm vụ , được đo lường bằng mức lương nghề nghiệp làm chỉ báo , đã giảm trên Claude.ai kể từ báo cáo đầu tiên của chúng tôi, nhưng lại tăng trên API. Cả hai nền tảng đều đang tập trung vào nhiệm vụ phức tạp bằng cách sử dụng sê-ri mô hình Opus mạnh mẽ nhất, một sự thay đổi rõ rệt hơn trên API.
Người dùng có kinh nghiệm sử dụng Claude một cách cộng tác hơn, dùng nó nhiều hơn cho công việc, thử sức với nhiệm vụ khó khăn hơn và đạt được kết quả tốt hơn. Điều này trái ngược với kỳ vọng rằng việc sử dụng tự động sẽ vị trí chủ đạo ưu thế trong số những người dùng tiên tiến và giàu kinh nghiệm nhất; thay vào đó, người dùng có kinh nghiệm thể hiện sự ưa thích việc sử dụng lặp đi lặp lại. Những kết quả này phù hợp với lập luận "học bằng cách làm": tiếp xúc nhiều hơn với AI dẫn đến rút kỹ năng tốt hơn.
Một lời giải thích khác là hiệu ứng nhóm hoặc thiên lệch chọn lọc có thể là những yếu tố góp phần vào kết quả này. Những người dùng đầu tiên có thể có kỹ năng kỹ thuật trên mức trung bình; những người tiếp tục sử dụng Claude có thể đại diện cho những người cho rằng nhiệm vụ phù hợp nhất với Claude. Phân tích hồi quy được kiểm soát tốt đã giải thích các yếu tố gây nhiễu đơn giản (người dùng có trình độ cao thực hiện các loại nhiệm vụ khác nhau); theo thời gian, chúng tôi kỳ vọng sẽ có thể phân biệt rõ hơn giữa hiệu ứng nhóm, thiên lệch chọn lọc và "học hỏi qua thực hành".
Sự chênh lệch về tỷ lệ thành công có thể làm trầm trọng thêm tình trạng bất bình đẳng trên thị trường lao động. Các nhà kinh tế từ lâu đã nhận ra tác động tiềm tàng của sự thay đổi công nghệ thiên về kỹ năng: những đổi mới như vậy làm tăng lương cho những người lao động có kỹ năng cao trong khi kìm hãm mức lương của những người khác. Phân tích này xác định một kênh mà qua đó hiện tượng này có thể xảy ra: những người tiên phong, thường là những người lao động có kỹ năng cao, thành công hơn trong tương tác với Claude so với những người áp dụng sau này có trình độ kỹ năng thấp hơn. Mặc dù cả hai nhóm đều chịu tác động của sự đổi mới do AI thúc đẩy, nhưng những người tiên phong là những người hưởng lợi lớn nhất trong giai đoạn mở rộng.
chú thích cuối trang
- Nhiệm vụ viết mã tự động trong Claude Code được tổng hợp và tính là lưu lượng truy cập của Claude.ai vì chúng bắt nguồn từ các gói đăng ký của Claude.ai.
- Chúng tôi định nghĩa các danh mục nhiệm vụ O*NET sau đây là sử dụng "Cá nhân" (hoặc mục đích cá nhân): 1) Chuẩn bị thực phẩm và các dịch vụ liên quan (35-0000); 2) Chăm sóc và dịch vụ cá nhân (39-0000); 3) Nghệ thuật, thiết kế, giải trí, thể thao và truyền thông (27-0000), chủ yếu dành cho nhiệm vụ giải trí/thể thao; 4) Nông nghiệp, thủy sản và lâm nghiệp (45-0000); 5) Vệ sinh và bảo trì tòa nhà và địa điểm (37-0000); 6) Dịch vụ cộng đồng và xã hội (21-0000), chủ yếu dành cho nhiệm vụ sức khỏe cá nhân/gia đình. Chúng tôi không bao gồm nhiệm vụ giáo dục trong mục đích sử dụng cá nhân.
- Trong phân tích này, chúng tôi đã loại trừ những người dùng gói miễn phí của Claude.ai khỏi mẫu nghiên cứu.
- Để tổng hợp mức lương O*NET liên quan đến nhiều ngành nghề thực hiện cùng một nhiệm vụ , chúng tôi tính toán mức lương trung bình có trọng số, tỷ trọng dựa trên số lượng người lao động và tỷ lệ thời gian dành cho nhiệm vụ đó.
- Để xác định các mô hình mới nổi, chúng tôi đã chọn nhiệm vụ O*NET sau: (i) xuất hiện ít nhất 300 lần trong dữ liệu hiện tại; (ii) tăng trưởng ít nhất gấp đôi so với báo cáo trước đó.
- Các phạm vi được đưa ra phản ánh các ước tính khác nhau trong báo cáo trước đó được thực hiện có (5 năm) hoặc không có (9 năm) tỷ trọng.
- Trong phân tích này, chúng tôi sử dụng dữ liệu cấp độ logarit với cùng mô hình ước tính ngưỡng bảo mật. Xem phụ lục để biết phương pháp luận chi tiết.
- Bất kể thâm niên được định nghĩa như thế nào, kết quả đều tương tự.
- Thời gian lấy mẫu của chúng tôi trùng với thời điểm phát sóng quảng cáo Super Bowl, thu hút nhiều người dùng lần đầu.
