Антропик Экономический индекс: анализ последнего отчёта о использовании Claude в феврале 2026 года, выявлено, что сценарии применения Claude.ai продолжают диверсифицироваться, а средний уровень оплаты задач немного снизился. Этот материал основан на исследовательском отчёте Anthropic, переведён и отредактирован Движением за динамику рынка.
(Предыстория: Антропик запустил панель мониторинга влияния ИИ: введите профессию — за секунды узнайте, сколько работы у вас отнимает ИИ.)
(Дополнительный фон: CZ: расходы на криптовалютные транзакции в США слишком высоки, на пути к становлению крипто-столицей всё ещё не хватает конкуренции.)
Содержание отчёта
Переключить
- Изменения с предыдущего отчёта
- Кривая обучения
- Глава 1: Изменения с предыдущего отчёта
- Диверсификация сценариев использования Claude.ai
- Новые автоматизированные модели
- Повторный анализ географической конвергенции
- Глава 2: Обучение использованию ИИ
- Выбор модели
- Кривая обучения
- Обсуждение
- Примечания
Экономический индекс Anthropic использует нашу систему анализа данных с защитой конфиденциальности для отслеживания использования Claude в целом в экономике. Это одна из наших ранних попыток понять влияние ИИ на экономику, чтобы исследователи и политики могли подготовиться заранее.
В этом отчёте рассматривается использование Claude в феврале 2026 года, основанное на расширенной экономической модели, созданной по данным нашего предыдущего отчёта (на ноябрь 2025). Образец охватывает период с 5 по 12 февраля, через три месяца после релиза Claude Opus 4.5, и совпадает с выпуском Claude Opus 4.6.
Сначала фиксируем изменения в использовании по сравнению с предыдущим отчётом: доля расширенных взаимодействий (то есть совместных взаимодействий с помощью ИИ) в трафике Claude.ai и API немного выросла. В случае Claude.ai сценарии стали более разнообразными, доля топ-10 задач снизилась — с 24% в ноябре 2025 до 19% в феврале 2026. Несмотря на это, почти все задачи из нашего предыдущего образца встречались и в текущем. Около 49% профессий используют Claude для не менее четверти своих задач.
Далее, мы отмечаем расширение диапазона применения Claude на задачи с более низкой оплатой. В связи с диверсификацией сценариев, средняя экономическая ценность работы, измеренная по зарплатам в США, немного снизилась. Это связано с ростом запросов, связанных с учебой, товарами, домашним ремонтом и личными запросами. Такой паттерн соответствует классической «кривой принятия» — ранние пользователи сосредоточены на кодировании и высокоценных задачах, поздние — на более широком спектре задач.
Также сохраняется глобальное неравенство в использовании: трафик по-прежнему сильно сосредоточен — 20 крупнейших стран обеспечивают 48% использования на душу населения, что выше 45% в предыдущем отчёте. В США наблюдается постепенное сближение: доля топ-10 штатов снизилась с 40% до 38%.
Кривая обучения
Ключевым открытием является то, что раннее внедрение Claude было очень неравномерным: более интенсивное использование в странах с высоким доходом, в основном в регионах с большим числом специалистов, и лишь в ограниченном числе профессиональных задач.
Важный вопрос — как неравенство в принятии влияет на распределение выгод от ИИ. Например, если эффективное использование ИИ требует специальных навыков и знаний (как мы утверждали в предыдущем отчёте), и эти навыки можно приобрести через практику и эксперименты, то выгоды ранних пользователей могут усиливать существующие преимущества.
Во второй главе мы исследуем, как пользователи формируют свою ценность от Claude: как они подбирают модели под текущие задачи, как меняются их модели использования и эффективность с ростом опыта.
- Выбор модели и соответствие задачам. Мы обнаружили, что пользователи склонны выбирать для задач с высокой зарплатой наиболее мощные модели — Opus. Например, среди платных пользователей Claude.ai Opus используется на 4% чаще в кодировании, чем в среднем, и на 7% реже — в консультационных задачах. Эта модельный паттерн более выражен в API.
- Опытные пользователи переключаются на рабочие задачи. Пользователи с большим стажем (более 6 месяцев) чаще используют Claude для работы — на 7% выше вероятность, что они применяют Claude для профессиональных задач, и их задачи требуют более высокого уровня образования.
- Обучение на практике. Пользователи с большим опытом достигают большего успеха в диалогах: даже с учётом типа задачи и региона, их вероятность успешного завершения диалога выше на 3–4%.
Глава 1: Изменения с предыдущего отчёта
Диверсификация сценариев использования Claude.ai
Анализируем задачи, соответствующие профессиям из базы данных O*NET, сопоставляя каждое взаимодействие с задачами, что позволяет описывать поведение без раскрытия личных данных.
Образец — по миллиону диалогов с Claude.ai (наша платформа для потребителей) и первой стороной API (для разработчиков).
Кодирование остаётся самым популярным сценарием, связанные с ИТ и математикой задачи составляют 35% диалогов Claude.ai.
Между ноябрем 2025 и февралем 2026 доля топ-10 задач снизилась — с 24% до 19%. Это связано с миграцией кодирования в API, где архитектура Claude Code разбивает задачи на множество API-вызовов. Несмотря на рост доли кодирования в API, распределение по категориям задач осталось относительно стабильным.
Это объясняет лишь часть снижения концентрации. Структура сценариев также изменилась: доля учебных задач снизилась с 19% до 12%, а личных — выросла с 35% до 42%. Снижение доли учебных задач связано с зимними каникулами в некоторых регионах, а также с ростом новых пользователей, пришедших для развлечений.
Диверсификация профессиональных задач основана на существующих моделях. Наши ранние отчёты показывали, что 49% профессий используют Claude хотя бы в четверти задач, и этот показатель практически не изменился. Скорость появления новых задач из базы данных также снизилась.
С момента первого отчёта мы классифицируем диалоги по пяти типам — командные, циклические, итеративные, верификационные и обучающие — и объединяем их в две категории: автоматизация и расширение. В Claude.ai доля расширенных взаимодействий выросла чуть-чуть, в основном за счёт увеличения верификационных и обучающих сценариев. В API доля автоматизации значительно снизилась.
Концентрация задач в области ИТ и математики в API выросла на 14% с августа 2025, в то время как в Claude.ai — снизилась на 18%. Анализ рынка труда показывает, что это может предвещать более прямое влияние на профессиональную сферу. Доля управленческих задач в Claude.ai выросла с 3% до 5%, включая подготовку инвестиционных меморандумов и работу с клиентами.
Использование задач по зарплатам показывает, что средняя ценность задач в Claude.ai снизилась с $49.30 до $47.90 в час, что связано с ростом простых фактических запросов (спорт, погода) и миграцией кодирования в API. Наши ранние исследования показывали, что задачи Claude требуют более высокого уровня образования и соответствуют более высоким зарплатам.
За период между отчётами основные показатели свидетельствуют о снижении средней сложности задач в Claude.ai: средний уровень образования, необходимый для выполнения задач, снизился с 12.2 до 11.9 лет; пользователи предоставляют Claude больше автономии; время, необходимое для выполнения задач без помощи ИИ, сократилось примерно на 2 минуты. В то же время, сложность задач без ИИ немного выросла.
Рисунок 1: Изменение концентрации топ-10 задач в Claude.ai и API, демонстрирующее диверсификацию сценариев в Claude.ai и рост концентрации в API
Рисунок 2: Распределение ценности задач по зарплатам в США, показывающее снижение средней стоимости задач в Claude.ai с $49.30 до $47.90
Рисунок 3: Сравнение распределения категорий задач в Claude.ai и API, демонстрирующее миграцию кодирования из Claude.ai в API
Новые автоматизированные модели
По мере миграции задач в API уровень автоматизации растёт. Рабочие процессы в API в основном командные, с минимальным вмешательством человека. Ранее мы подчёркивали популярность автоматизации клиентской поддержки — автоматизация платежей, выставление счетов — что увеличивает экспозицию сотрудников и ускоряет изменения в профессиях.
Два типа рабочих процессов в API за период выросли примерно вдвое:
- Продажи и маркетинг: автоматизация поддержки продаж, поиск B2B-клиентов, сбор информации о клиентах, подготовка холодных писем
- Торговля и рыночные операции: мониторинг рынков и позиций, инвестиционные рекомендации, уведомления трейдерам
Повторный анализ географической конвергенции
Ранее мы отметили, что индекс использования Anthropic (с поправкой на население) быстро сходится между штатами США: штаты с низким начальным уровнем внедрения догоняют лидеров.
Текущие данные подтверждают продолжение этого тренда, но с меньшей скоростью. С августа 2025 по февраль 2026 доля на душу населения в пяти ведущих штатах снизилась с 30% до 24%. Коэффициент Джини снизился, но темпы сближения замедлились. По нашим прогнозам, чтобы все штаты достигли равного уровня использования, потребуется около 5–9 лет, тогда как ранее оценивали 2–5 лет.
На международном уровне ситуация противоположная: концентрация растёт, коэффициент Джини увеличивается. Страны с наибольшим средним использованием теперь обеспечивают большую долю общего объёма — с 45% до 48% у 20 крупнейших стран.
Рисунок 4: Тренд сближения по среднему использованию Claude в штатах США, доля топ-5 снизилась с 30% до 24%, скорость замедлилась
Рисунок 5: График глобального коэффициента Джини по использованию Claude, показывающий рост глобального неравенства по сравнению с предыдущим отчётом
Глава 2: Обучение использованию ИИ
В этой главе рассматриваем два аспекта — как пользователи выбирают модели и как опытные пользователи меняют свои сценарии.
Первое — выбор модели, который отражает потребность в эффективности. В условиях многомодельной среды, где можно балансировать между скоростью, качеством и ценой, выбор модели для конкретной задачи показывает стратегию распределения ресурсов. Например, Opus — наиболее мощная модель с максимальным контекстом, отлично подходит для сложных задач, но и самая дорогая. Пользователи с ограниченным бюджетом склонны использовать Opus для сложных, высокоценных задач, а для простых — выбирать более дешёвые модели. Это подтверждается нашими данными: среди платных пользователей Claude.ai 55% кодирующих задач используют Opus, тогда как для образовательных задач — только 45%.
Технически продвинутые пользователи могут сознательно переключаться на более эффективные модели, чтобы повысить производительность. Пользователи, ориентированные на экономию, используют более лёгкие модели для рутинных задач, чтобы не исчерпать лимиты.
Более тонкий анализ показывает, что для задач с высокой зарплатой и сложностью чаще выбирают Opus: например, у разработчиков доля Opus — 34%, у репетиторов — 12%. После контроля за другими факторами, при увеличении зарплаты на $10 в час доля Opus в диалогах возрастает примерно на 1.5%. Аналогично, в API эффект примерно вдвое выше: при росте зарплаты на $10 долл. доля Opus увеличивается на 2.8%.
Рисунок 6: Доля Opus по типам задач, показывающая, что для высокооплачиваемых технических задач (например, программирование) предпочтение отдаётся Opus, а для образовательных — меньше
Рисунок 7: Корреляция между уровнем зарплаты и выбором Opus, где при увеличении зарплаты на $10 долл. доля Opus растёт примерно на 1.5%, в API — вдвое больше
Обучение на практике
Первый модельный запуск Claude состоялся в марте 2023. Быстрый рост привёл к диверсификации опыта пользователей — от тех, кто начал использовать сразу с момента запуска, до новых зарегистрировавшихся в последние месяцы. Важен вопрос — как опыт влияет на эффективность.
Пользователи с большим стажем (более 6 месяцев) чаще используют Claude для работы, их доля — примерно на 7% выше, они чаще выбирают задачи с более высоким уровнем образования, и их диалоги более разнообразны. В топ-10 задач по базе O*NET у таких пользователей доля — 20.7%, у новых — 22.2%.
Опытные пользователи склонны к более сложным задачам, требуют больше образования, реже используют Claude для личных целей. Например, у пользователей, использующих платформу более года, 38% диалогов — личные, у новых — 44%.
Это можно интерпретировать по-разному: опытные — это, скорее, профессионалы, которые изначально выбирали сложные задачи, или же это эффект выживания — те, кто продолжает использовать Claude, — те, кто считает его полезным.
Ранее мы заметили, что в странах с низким уровнем дохода и образования использование Claude было более сложным. Это связано с тем, что первые пользователи в любой стране — это, как правило, те, кто использует технологию для высокоценных задач. По мере роста внедрения, доля развлечений и личных запросов увеличивается.
Кластерный анализ показывает, что среди самых опытных пользователей самые высокие зарплаты у тех, кто занимается AI-исследованиями, git-операциями, редактированием рукописей и финансированием стартапов. А у новичков — создание хайку, спортивные прогнозы, советы по вечеринкам.
Рисунок 8: Связь между стажем и типами задач, показывающая, что опытные (более 6 мес.) предпочитают более высокооплачиваемые и требующие образования задачи, а новые — личные и развлекательные
Эффект опыта
Анализируем с помощью логов диалогов, учитывая их особенности. Простая регрессия показывает, что у пользователей с большим стажем вероятность успешного завершения диалога выше примерно на 5%. Это может быть связано с навыками ведения диалогов, которые можно научиться. Но если более опытные используют Claude для более сложных задач, то причина — в типе задач, а не в навыках.
Контроль за задачами и регионом показывает, что разница в успехе сохраняется: при одинаковых задачах и моделях, опытные пользователи достигают успеха на 3–4% лучше.
Результаты подтверждают, что опыт влияет не только на навыки, но и на выбор задач. Более опытные чаще используют сложные задачи, требуют больше образования, и их диалоги более успешны.
Рисунок 9: Регрессия успеха диалогов по стажу, показывающая, что после учёта типа задачи, модели, языка и региона, стаж всё равно повышает вероятность успеха на 3–4%
Обсуждение
Этот отчёт переосмысливает ключевые показатели использования Claude и впервые анализирует связь между выбором модели и успехом диалогов. С августа 2025 наблюдается рост концентрации в API — топ-10 задач увеличились с 28% до 33%. В то же время сценарии в Claude.ai стали более разнообразными. Географическая конвергенция продолжается, но медленнее. Страны с меньшим внедрением имеют небольшие отставания.
Экономическая модель позволяет проследить динамику использования Claude: доля учебных задач снижается, личных — растёт. Средняя сложность входных данных немного снизилась, а время выполнения — уменьшилось. В целом, Claude занимается более сложными и ценными задачами, чем в среднем по экономике, что не отражает всю картину. По мере расширения базы пользователей, доля задач с меньшей оплатой немного выросла. В ценах по зарплатам — в Claude.ai снижение средней стоимости задач, в API — рост. Оба платформы сосредотачивают сложные задачи на мощных моделях Opus, что усиливает эффект.
Опытные пользователи работают более коллаборативно, используют Claude для работы, решают более сложные задачи и достигают лучших результатов. Это противоречит ожиданиям о том, что автоматизация — это преимущество новичков; скорее, опытные используют Claude для итеративной работы. Это подтверждает идею, что «от практики — к мастерству»: больше взаимодействий — больше выгоды.
Другая причина — эффект группировки или выживших: ранние adopters — это, как правило, более технически подкованные, и те, кто продолжает использовать Claude, — те, кто считает его полезным. Контроль за переменными показывает, что после учёта задач, модели, региона, опыт всё равно повышает успех.
Это может усугублять неравенство на рынке труда: навыки и опыт работы с Claude усиливают преимущества высококвалифицированных работников, что способствует росту разрыва. Анализ показывает, что ранние adopters — это те, кто наиболее успешно взаимодействует с Claude, и они получают наибольшие выгоды, что усиливает социальное неравенство.
Рисунок 10: Итоговая схема, показывающая связь между неравенством в использовании Claude, эффектом обучения и влиянием на рынок труда
Примечания
- В задачи автоматизации кодирования в Claude Code включены те, что исходят из Claude.ai, поскольку они основаны на подписке Claude.ai.
- Определение «личных» задач — это задачи из категорий: 1) приготовление пищи и услуги (35-0000); 2) уход и услуги (39-0000); 3) искусство, дизайн, развлечения, спорт и медиа (27-0000), только для развлечений/спорта; 4) сельское хозяйство, рыболовство, лесное хозяйство (45-0000); 5) строительство и уборка (37-0000); 6) социальные службы (21-0000), в основном для личного здоровья/семьи. Образовательные задачи не считаются личными.
- В этом анализе исключены пользователи Claude.ai на бесплатной подписке.
- Для оценки средней зарплаты по задачам, связанных с профессиями, мы используем взвешенные по численности и времени затраченного на задачу показатели.
- Для выявления новых сценариев мы выбрали задачи, встречающиеся не менее 300 раз и выросшие в два и более раз по сравнению с предыдущим отчётом.
- Диапазоны — это оценки, основанные на моделях с весами (или без них) из предыдущего отчёта.
- В этом анализе использованы лог-записи с сохранением конфиденциальности, подробнее — в приложении.
- Вне зависимости от определения «опытности», результаты схожи.
- В период сбора данных совпадает с выпуском рекламы на Супербоул, что привело к росту новых пользователей.
