3 月 24 日，Anthropic 發表 Economic Index 系列的新報告，標題是《Learning curves》，分析對象是 2026 年 2 月整整一個月的 Claude 用量模式。
這個系列的特殊之處從第一份報告起就沒變過：資料不是問卷，不是訪談，而是 Anthropic 平台上的真實對話。一月出版的上一份報告（系列第四份）才剛引入 economic primitives 分類，把 56% 的對話歸為 augmentation、41% 歸為 automation；三月的《Learning curves》延續同一條線，把鏡頭對準二月。
用行為資料寫成的報告
問卷測的是人們「說自己怎麼用 AI」，用量資料測的是他們「實際怎麼用」。兩者的落差正是這類報告的價值所在：採用不是意向調查裡的百分比，而是每天重複發生的行為。
方法論的侷限也該放在旁邊一起讀。Claude 的用戶結構偏向技術與知識工作，結論不能直接外推到所有產業；樣本來自單一供應商，天然帶著產品設計的指紋。把它當成「AI 對工作影響」的長期序列來追蹤，比當成單期橫斷面來引用，有用得多。
讀《Learning curves》的正確姿勢
- 看趨勢，不看單點：一個月的分布會被事件干擾，連續幾期的走向才是訊號
- 對照產品時程：用量變化與新功能上線的時間關係，往往比絕對數字更有資訊量
- 注意任務類型的組成：哪些工作被交給 AI、哪些留在人手上，這條邊界的移動才是重點
二月恰好是個熱鬧的樣本月：Opus 4.6 在 2 月 5 日上線，Sonnet 4.6 在 2 月 17 日接棒並成為預設 model。當月的用量模式幾乎不可避免地帶著這兩個事件的印記，閱讀時把這層背景放進去，才不會把產品切換誤讀成行為改變。
對產品與招募決策的價值
產品團隊能從中看到真實的任務分布：哪些場景已經被大量交辦，哪些還在抵抗， roadmap 的優先順序多了一個行為證據。招募與訓練規劃同樣受用：技能需求的地板正在被什麼墊高，用量資料比主管的直覺誠實。
一份報告不會給出答案，但它把「AI 對工作的影響」從印象變成可追蹤的序列——在充斥概念股式論述的 2026 年，這已經比多數產業調查有用。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。