Anthropic 发布了 2026 年 6 月版经济指数报告，主题是"节奏"（Cadences）。随着 Claude Code 和 Cowork 的快速增长，Claude 的使用模式已经从"对话式问答"转向"长周期 Agentic 任务"，这迫使 Anthropic 重新设计了数据收集和分析方法。
新方法论
本次报告做了三项关键升级：
- 更高采样率：可以看到小时级的使用模式
- 输出分类器：自动标注每次对话的产出类型
- 更细粒度数据：区分 Chat/Cowork 对话和 1P API 流量
此外，Anthropic 在 2026 年 4 月启动了经济指数调查（Economic Index Survey），首次把用户的主观感知与使用数据关联起来，样本约 9700 人。
第一章：外部世界的节奏
工作周的镜像
Claude 的使用严格跟随工作周节律。Chat 和 Cowork 对话中，个人使用占比从工作日的约 35% 飙升到周末的近 50%。
周末时，用户的话题从商务邮件、营销文案、PPT 转向情感支持、医疗咨询和投资建议。高收入国家的这种切换更明显。
有趣的是，Claude Code 和 API 流量的个人使用基线更低，但周末的相对增幅模式类似。
周末的 Agent 设计热
周末的 Claude Code 使用呈现明显的"主题切换"：
- 下降最多：后端架构、API 调试、数据存储
- 上升最多：AI Agent 设计、量化交易、游戏开发
这说明周末为很多人创造了探索新领域的空间。跨国数据显示，与创业相关的对话在周六周日达到峰值。但求职活动在周末同步下降——人们周末想创业，不想找工作。
一天内的节律
小时级数据揭示了更细腻的生活镜像：
- 早上 7 点：新闻请求高峰
- 上午 10-11 点：商务邮件起草高峰
- 下午 6 点：食谱请求是平均水平的 2.3 倍
- 傍晚：媒体推荐集中
- 凌晨 5 点前后：睡眠建议请求激增
高收入职业的"加班"模式
夜间和周末使用 Claude 工作的任务，明显偏向高收入职业。Anthropic 推测这是因为营销经理、程序员等高收入群体更可能在非传统工作时间工作。即使排除计算机和数学类职业，高收入群体的非工作时间使用占比仍然显著更高。
报税截止日的 spikes
4 月 14 日（美国报税截止日前一天），税务相关对话是 5 月平均水平的 8 倍。4 月 15 日维持高位，4 月 16 日急剧下降。AI 使用的日历敏感性，和真实世界的经济节奏完全同步。
第二章：AI 产出了什么？
93% 的对话产生"产物"
Anthropic 的新分类器发现，93% 的 Claude 对话都会产生某种可识别的"产物"（artifact）。最常见的三类：
- 解释说明（17%）
- 文档和报告（15%）
- 指导建议（11%）
对话式输出和书面交付物各占约三分之一；代码和技术工作约占六分之一。
个人 vs 工作用途的分化
某些产物类型几乎全是个人用途：创意写作、指导建议、食谱，80% 以上被归类为个人使用。
工作属性最强的：营销内容创作（80%）、博客/文章写作（81%）、数据库查询（82%）。
计算成本与价值正相关
Anthropic 发现了一个有趣的模式：计算消耗（token 数）与工作的经济价值正相关。
营销经理时薪约 80 美元，编辑约 37 美元——前者的对话 token 消耗是后者的约 2.5 倍。构建 App 的对话 token 消耗是中位数的 3 倍以上，而简单的解释说明只用到中位数的五分之一。
约 44% 的"工资梯度"可以用产出类型差异解释：高收入职业更可能产生计算密集型产物。
更重要的是，在高收入职业映射的对话中，Claude 产出更多（每轮 1.34 倍），用户参与更多（轮数 1.53 倍），且更频繁启用扩展思考（34% vs 31%）。人类在最高价值任务中仍然深度参与——这看起来更像是"劳动增强"而非"劳动替代"。
Claude Code 的自主性显著更高
Anthropic 用 1-5 分 scale 测量 AI 自主性（从"无"到"极端"）。低自主性任务：数学计算、翻译、问答。高自主性任务：构建 App/网站、游戏、演示文稿。
关键发现：在 31 种产出类型中的 26 种，Claude Code 的自主性显著高于 Chat/Cowork。
比如，生成脚本和代码片段，Claude Code 比 Chat/Cowork 平均高 0.53 分。整体差距 0.37 分，其中约 2/3 来自"同一任务在不同产品上被委派的程度不同"——博客写作是个典型例子：Chat/Cowork 中位对话有 13 轮来回，Claude Code 中位会话只有 1 个人类 prompt。
即使控制模型变量（同样用 Sonnet），Claude Code 仍然高 0.26 分。产品形态比底层模型更能决定 AI 的自主性边界。
Claude 的回答水平高于提问水平
Anthropic 用教育年限衡量文本理解难度。平均而言，Claude 的输出比用户的 prompt 高约 1 年教育水平。
差距最大的是"描述要构建的东西"类任务：图像和图形（+2.6 年）、游戏（+1.9 年）、App 和网站（+1.7 年）。面向受众的写作（博客、学术论文、邮件）差距接近零，因为用户 prompt 通常已经包含目标 register 的文本。
第三章：用户的感知与期待
"涨潮"效应
大多数受访者预期未来一年 AI 会有显著进步。尽管人们对 AI 能力的感知因经验、地域、职业暴露度而异，对未来进步速度的预期却出奇地一致——Anthropic 称之为"rising tide"（涨潮）效应。
越自动化，越乐观
一个反直觉的发现：用 Claude 最自动化的人，反而对未来最乐观。
这些人预期 AI 会接管更多任务，但也相信这会带来更好的薪酬、工作安全感和工作意义感。早期职业工作者报告 AI 能完成他们最高比例的工作，也表达最多的失业担忧——但恰恰是那些把最多任务委派给 AI 的人，对劳动市场结果最乐观。
对他人的担忧 > 对自己的担忧
平均而言，人们更担心别人失业，而不是自己。对初级同事的失业担忧尤其强烈：超过三分之一受访者认为初级同事明年失业概率超过 60%。
经验与感知负相关
工作年限越长，对 AI 当前能力的评估越低（15 年以上经验者比第一年工作者低约 10 个百分点）。后续追问显示，经验丰富的人认为 AI 缺乏判断力、情境感知和情境推理能力——这些是多年积累的内隐知识，难以被 AI 模仿。
核心启示
这份报告的数据密度很高，但几个信号特别值得关注：
-
产品形态决定自主性边界：Claude Code 和 Chat 用同样的模型，但自主性差距显著。对于 Agent 产品设计，这比模型能力提升更关键。
-
自动化 ≠ 悲观：最依赖 AI 自动化的人最乐观。这可能意味着，真正体验过 AI 能力边界的人，反而更清楚什么是 AI 做不到的——以及人类在其中的不可替代角色。
-
AI 使用的节律 = 经济生活的节律：从工作周到报税截止日，AI 使用模式精确映射真实世界的经济节奏。这意味着 AI 已经深度嵌入日常工作流，不是边缘工具。