Antropic opublikował raport indeksu gospodarczego 15 września 2025 r., Analizując nierówne wzorce adopcyjne AI geograficznie i w przedsiębiorstwach. Badanie analizuje zmiany użytkowania Claude.ai, wprowadza antropiczny wskaźnik użytkowania AI dla wskaźników na mieszkańca w ponad 150 krajach i wszystkich stanach USA, i zapewnia pierwszy duży widok ruchu API przedsiębiorstwa, czerpiąc z danych dotyczących pierwszej strony, aby ujawnić wdrożenia specyficzne dla zadań. Raport podkreśla bezprecedensową szybkość adopcyjną AI w porównaniu z technologiami historycznymi. W Stanach Zjednoczonych 40 procent pracowników zgłosiło korzystanie z AI w pracy do września 2025 r., Podwojenie z 20 procent w 2023 r., Zgodnie z ankietą Gallupa 2025 na temat użytkowania AI w pracy. Wzrost ten występuje dwa lata po linii bazowej 2023. Szybkie pobieranie wynika z użyteczności AI w różnych aplikacjach, jej integracji z istniejącą infrastrukturą cyfrową oraz jej dostępność poprzez proste pisanie lub mówienie, nie wymagające specjalistycznego szkolenia. Bieżące ulepszenia w modelach AI Frontier dodatkowo przyspieszają tę przyjęcie poprzez zwiększenie użyteczności, wdrażania i łatwości użytkowania. Technologie historyczne rozproszone wolniej. Energia elektryczna dotarła do obszarów miejskich najpierw, ale zajęło ponad 30 lat, aby przedłużyć gospodarstwa domowe, jak szczegółowo opisano w analizie Lewisa i Severnini w 2020 r. W ramach wdrażania amerykańskiej sieci energetycznej. Pierwszy komputer osobisty masowego rynku pojawił się w 1981 r. Dla wczesnych użytkowników, jednak zajęło kolejne 20 lat, aby wejść do większości amerykańskich domów. Internet, pomimo szybkiego rozprzestrzeniania się, wymagał około pięciu lat, aby osiągnąć wskaźniki adopcji, które AI dopasowało w ciągu zaledwie dwóch lat, według Bick, Blandin i Deminga w 2024 r. W sprawie testów naczyniach przyjęcia AI przeciwko komputerom PC i Internetowi. Kilka czynników wyjaśnia te wolniejsze harmonogramy historyczne. Nowe technologie potrzebują czasu na rozprzestrzenianie się w całej gospodarce, zmniejszenie koncentracji geograficznej w adopcji konsumentów i zachęcają firmy do restrukturyzacji operacji w celu optymalnego wykorzystania. Adopcja na poziomie firmy zaczyna się od wąskich zadań przed rozwinięciem się na aplikacje ogólne, proces, który napędza szerszą transformację gospodarczą, jak opisano w Kalyani, Bloom, Carvalho, Hassan, Lerner i Ahmeda Tahoun na temat dyfuzji technologii. Wcześniejsze fazy adopcyjne zwykle koncentrują się w określonych regionach geograficznych i ograniczonych zadaniach w ramach firm. Raport antropiczny dokumentuje AI po tym wzorze w XXI wieku, choć na skompresowanych osi czasu i o podwyższonej intensywności w stosunku do technologii XX wieku. Aby zbadać tę dynamikę, raport rozszerza antropiczny wskaźnik ekonomiczny poprzez włączenie analizy geograficznej rozmów Claude.AI i nowatorskie badanie wykorzystania interfejsu API przedsiębiorstwa. Śledzi ewolucję wykorzystania Claude’a, różnice regionalne i wdrożenia działalności AI Frontier w celu rozwiązywania problemów. W ciągu ośmiu miesięcy poprzedzających raport wzorce użycia Claude.ai przesunęły się wśród ulepszeń zdolności modelu, nowych funkcji i rozwijającej się bazy konsumenckiej. Kodowanie pozostało dominującą kategorią przy 36 procent całkowitego użycia. Zadania edukacyjne wzrosły z 9,3 procent do 12,4 procent, odzwierciedlając rosnące zależność od AI w zakresie działań edukacyjnych, takich jak podsumowanie materiałów, wyjaśnienie pojęć lub generowanie pomocy badawczych. Zadania naukowe wzrosły z 6,3 procent do 7,2 procent, obejmując zastosowania, takie jak analiza danych, sformułowanie hipotez lub przegląd literatury w dziedzinach takich jak biologia, fizyka i chemia. Użytkownicy coraz częściej przyznali Claude’a większą autonomię w interakcjach. Rozmowy dyrektywne, w których osoby przekazują całe zadania całe zadania, wzrosły z 27 do 39 procent. W kodowaniu tworzenie programu wzrosło o 4,5 punktu procentowego, podczas gdy debugowanie spadło o 2,9 punktu procentowego. Zmiany te wskazują, że użytkownicy bardziej wydajnie wykonują cele w pojedynczych wymianach, wykorzystując lepszą dokładność modelu w celu obejścia korekt iteracyjnych. Raport wprowadza podział geograficzny Claude.ai po raz pierwszy, obejmujący ponad 150 krajów i wszystkie państwa USA. Aby określić ilościowo dyfuzję, określa antropiczny wskaźnik użytkowania AI (AUI) jako miarę użycia Claude.ai w stosunku do populacji w wieku roboczym w każdym obszarze. AUI powyżej 1,0 sygnalizuje nadmierną reprezentację, podczas gdy poniżej 1,0 wskazuje na niedostateczną reprezentację, zapewniając znormalizowaną metrykę do porównywania intensywności adopcji w różnych gospodarkach. AUI wykazuje silną korelację z poziomem dochodów narodowych. Singapur odnotowuje najwyższy poziom 4,6 razy oczekiwany użycie w oparciu o populację w wieku produkcyjnym, a następnie Kanada o 2,9 razy. Liczby te sugerują solidną integrację sztucznej inteligencji z codziennymi przepływami pracy w ustawieniach o wysokim dochodzie. Natomiast gospodarki wschodzące wykazują niższe wskaźniki: Indonezja na 0,36 razy, Indie na 0,27 razy i Nigeria na 0,20 razy. Takie różnice podkreślają bariery, takie jak dostęp do infrastruktury, umiejętność czytania cyfrowego lub priorytety ekonomiczne, które ograniczają penetrację AI w regionach o niższych dochodach. W Stanach Zjednoczonych Waszyngton, DC, na szczycie użytkowania na mieszkańca z AUI 3,82-krotnym udziałem w populacji, ściśle podążanym przez Utah na 3,78 razy. Zmiany regionalne są zgodne z lokalnymi strukturami gospodarczymi. Kalifornia pokazuje podwyższone wykorzystanie zadań technologii informatycznych, w tym tworzenie oprogramowania i optymalizację systemu. Wzorce Florydy podkreślają usługi finansowe, takie jak ocena ryzyka i raportowanie zgodności. W Waszyngtonie dominują edycja dokumentów i pomoc kariery, wspieranie rządowych i profesjonalnych sektorów usług. Te wyrównania pokazują, w jaki sposób adopcja AI odzwierciedla specyficzne dla branży potrzeby i możliwości w każdym miejscu. Różnorodność użytkowania różni się w zależności od poziomu adopcji. Kraje o niższych wynikach AUI koncentrują się mocno na kodowaniu, co stanowi ponad 50 procent zadań w Indiach w porównaniu z około jedną trzecią na całym świecie. Kraje o wysokiej adopcji wykazują szersze zastosowania, obejmujące wykształcenie, naukę i zadania biznesowe. Ta dywersyfikacja wskazuje na bardziej dojrzałą integrację, w której AI obsługuje wiele aspektów wydajności zawodowej i osobistej, a nie pojedynczą funkcję. Po dostosowaniu do składu zadań w różnych krajach style współpracy różnią się. Niskie kraje AUI opowiadają się za automatyzacją, z wyższymi stawkami delegowania pełnych zadań dla AI. Obszary o wysokiej adopcji skłaniają się ku powiększaniu, podkreślając uczenie się z wyników AI i iteracyjnych interakcji człowieka-AI. Na przykład użytkownicy wiodących regionów mogą udoskonalić treści generowane przez AI poprzez dialog do przodu i w plecy, zwiększać wyniki podczas budowania umiejętności, podczas gdy użycie automatyzacji priorytetuje wykonanie ręczne w celu uzyskania wydajności. Te wzorce geograficzne odzwierciedlają historyczne trendy w technologiach transformacyjnych. Elektryfikacja, silnik spalania wewnętrznego i hydraulika wewnętrzna przyniosły nowoczesny wzrost gospodarczy na przełomie XIX i XX wieku, ale także poszerzyły globalne standardowe luki w Living Standard, jak udokumentowano w analizie rozbieżności gospodarczej Pritchetta z 1997 roku. Badanie Gordona dotyczącego wzrostu gospodarczego w USA w 2012 r. Porównuje wczesne i pod koniec XX wieku innowacje, odnotowując ich nierównomierne wpływy wydajności. Analiza korporacyjna raportu oferuje bezprecedensowe wgląd w ruch API pierwszej strony, w którym firmy uzyskują dostęp do Claude programowo, a nie za pośrednictwem interfejsu internetowego. Dane te ujawniają, w jaki sposób pierwsi użytkownicy integrują AI Frontier z operacjami. Zadania kodujące dominują zarówno w API, jak i Claude.ai, ale ruch API wypacza się w kierunku wyspecjalizowanych obszarów. Zastosowanie API przekracza claude.ai do zadań kodowania i biur/administracyjnych, takich jak wprowadzanie danych, harmonogram lub generowanie raportów. I odwrotnie, Claude.ai prowadzi w zadaniach edukacyjnych, takich jak korepetycje lub budowanie umiejętności oraz zadania pisania, w tym tworzenie treści lub edytowanie. Automatyzacja charakteryzuje 77 procent zastosowań API biznesowych, w porównaniu do około 50 procent dla użytkowników Claude.ai. Ta rozbieżność wynika z programowego projektu API, który umożliwia bezproblemową delegację zadań bez interwencji człowieka, idealna do skalowalnych procesów biznesowych. Przykłady obejmują zautomatyzowane generowanie kodu dla rurociągów oprogramowania lub przetwarzanie wsadowe dokumentów administracyjnych. Wdrożenie biznesowe priorytetowo traktuje możliwości modelu w porównaniu z rozważaniami kosztów. Często używane zadania w danych API ponoszą wyższe koszty z powodu wymagań obliczeniowych, ale użycie utrzymuje się. Ten wzór wskazuje na słabą wrażliwość cen, a decyzje związane z zdolnością AI do obsługi złożonych operacji i ekonomiczną wartością automatyzacji określonych funkcji. Na przykład zadania o wysokiej wartości, takie jak zaawansowane modelowanie finansowe, uzasadniają ceny premium ze względu na dostarczane korzyści. Czynniki kontekstowe ograniczają zaawansowane aplikacje. Kurowanie odpowiednich danych wejściowych danych okazuje się niezbędne dla skutecznej wydajności sztucznej inteligencji w skomplikowanych domenach, takich jak analiza prawna lub diagnostyka medyczna. Raport identyfikuje modernizację danych i inwestycje organizacyjne w celu przechwytywania szczegółów kontekstowych jako potencjalnych wąskich gardeł. Firmy mogą potrzebować inwestować w ustrukturyzowane bazy danych lub narzędzia do ekstrakcji wiedzy, aby zapewnić modele o odpowiednim tle, umożliwiając bardziej precyzyjne i wpływowe wyniki. Bez takich przygotowań rozmieszczenie AI pozostaje ograniczone do prostszych, mniej zależnych od kontekstu zadań. Aby ułatwić dalsze badania, Anthropic oprócz zestawu danych leżący u podstaw raportu. Obejmuje to wzorce użytkowania na poziomie zadań zarówno dla Claude.ai, jak i API First Starts, odwzorowane na taksonomię zawodową netto i niestandardowe kategorie oddolne. Obejmuje także tryby współpracy według zadań i pełnej dokumentacji metodologicznej. Dane geograficzne dotyczą obecnie tylko Claude.ai, z wyłączeniem ruchu API ze względów prywatności. Naukowcy mogą uzyskać dostęp do tego, aby niezależnie zbadać konsekwencje gospodarcze AI. Dane typu otwartego źródła wspierają badania kilku obszarów. Efekty lokalnego rynku pracy obejmują konsekwencje dla pracowników i firm z wykorzystania i adopcji AI, takie jak zmiany wymagań zawodowych lub struktury płac. Determinanty krajów rozpiętości adopcji i regionów USA, z potencjalnymi strategiami poszerzania korzyści poza gospodarką o wysokich dochodach. Koszt na zadanie wpływa na wzorce przedsiębiorstwa, wyjaśniając dynamikę substytucji. Automatyzacja wykonalność wyjaśnia, dlaczego niektóre zadania integrują AI, podczas gdy inne opierają się, informując potencjalnych klientów dla różnych typów pracowników. Struktura raportu zagłębia się w te tematy w rozdziałach. Rozdział 1 analizuje Claude.AI w czasie, szczegółowo opisując zmiany zadań ekonomicznych, rosnącą rolę zastosowań edukacyjnych i naukowych oraz sposób, w jaki nowe możliwości wpływają na wzorce. Podkreśla automatyzację dyrektywy przyspieszającej, w której użytkownicy przypisują pełne obowiązki AI w celu usprawnienia wyników. Rozdział 2 obejmuje użycie Claude w Stanach Zjednoczonych i na całym świecie, analizując dyfuzję, wskaźniki na mieszkańca, kontrasty między krajami wiodącymi i wschodzącymi oraz różnice geograficznie współpracy między ludźmi-AI. Podkreśla, w jaki sposób poziomy dochodów kształtują szerokość i głębokość przyjęcia. Rozdział 3 koncentruje się na wdrażaniu API Enterprise, podkreślając wyspecjalizowane zastosowania wśród klientów antropicznych, różnice w segmentacji zawodowej w porównaniu z skupieniem zadań, automatyzacji w porównaniu z powiększaniem transkryptów, analiz kosztów na zadanie i wzorcami podstawienia. Podsumowuje to, łącząc je z szerszymi wyzwaniami wdrażania. Autorami raportu są Ruth Appel, Peter McCrory i Alex Tamkin jako potencjalni klienci, z wkładem Milesa McCaina, Tylera Neylona i Michaela Sterna. Podziękowania rozciągają się na obszerną drużynę, w tym Alex Sanchez, Andrew Ho, Ankur Rathi, Asa Kittner, Ben Merkel, Bianca Lindner, Biran Shah, Carl de Torres, Cecilia Callas, Daisy McGregor, Dario Amodei, Deep Banguli, Dexter Callender III, Jakob Kerr, Janel Thamkul, Jared Kaplan, Jared Mueller, Jennifer Martinez, Kaileen Kelly, Kamya Jagadish, Katie Streu, Keir Bradwell, Kelsey Nanan, Kevin Troy, Kim O’Rourke, Kunal Handa, Landon Goldberg, Linsey Fields, Lisa Cohen, Lisa Rager, Maria, Maria, Maria, Maria. Gonzalez, Mengyi Xu, Michael Sellitto, Mike Schiraldi, Olivia Chen, Paola Renteria, Rebecca Jacobs, Rebecca Lee, Ronan Davy, Ryan Donegan, Saffron Huang, Sarah Heck, Stuart Ritchie, Sylvie Car, Tim Belonax, Tina Chin i Zoe Richards. W przypadku cytowania w raporcie jest odwoływany jako: Appel, McCrory, Tamkin i in. (2025). Raport indeksu antropicznego: nierównomierne przyjęcie geograficzne i przedsiębiorstwa. Dostępne na stronie https://www.antropic.com/research/Antropic-economic-Index-Septor-2025-Report. Przypisy zapewniają wspierające odniesienia. Statystyka wykorzystania przez pracownika amerykańskiego wyciągania z Gallupa (2025) użytkowanie AI w pracy prawie podwoiło się w ciągu dwóch lat. Historyczne testy porównawcze adopcji pochodzą z Bick, Blandin i Deming (2024), szybkiego przyjęcia generatywnej AI oraz Lewis i Severnini (2020), krótkookresowej i długoterminowej wpływu elektryfikacji obszarów wiejskich. Spostrzeżenia dyfuzji technologii pochodzą z Kalyani i in. (2025), Dyfuzja nowych technologii. Dyskusje na rzecz rozbieżności gospodarczej Referencje Gordon (2012), czy wzrost gospodarczy USA? i Pritchett (1997), divergence, wielki czas. Ostatnie dowody zbieżności pojawiają się w Kremer, Willis i ty (2022), zbieżne do konwergencji, obok Jonesa, Jonesa i Aghiona (2017) na temat AI i wzrostu gospodarczego. Ta trzecia iteracja antropicznego indeksu ekonomicznego uchwyca dynamikę adopcji AI w kluczowym momencie. Claude i podobne systemy graniczne mają zastosowanie szeroko do działalności gospodarczej, przy czym postępowanie w zakresie zwiększają ich zasięg. Zastosowanie koncentruje się na wybranych zadaniach i regionach, silnie korelując z dochodem, szczególnie na arenie międzynarodowej. Dane API ujawniają 77 -procentową automatyzację w kontekstach biznesowych, wyższa niż 50 procent w użyciu konsumentów, z występami kodowania i administratora. Otwarty zestaw danych, w tym detale geograficzne Claude.ai i wzorce API sklasyfikowane według kategorii NET i niestandardowych, umożliwia rygorystyczną analizę wpływu na pracę, sterowników adopcyjnych, ról kosztów i barier automatyzacji zadań.
