Claude Anthropic Economic Index 连接器让 AI 劳动力数据更易查询，却未让其更易泛化

Claude 新增了可直接使用的 Anthropic Economic Index 连接器，让用户能够通过对话探索有关 AI 在不同职业和任务中使用情况的数据。

据 Anthropic 称，Claude Anthropic Economic Index 连接器无需安装，并可与任何 Claude 模型配合使用。用户可以询问哪些职业使用 AI 最多，然后要求进行比较、获取解释或查看底层证据。

这种便利带来了核心矛盾。Anthropic 正在把一个专业研究数据集转化为普通 Claude 用户也能查询的资源。然而，这些答案反映的仍然是 Claude 的活动，而不是具有代表性的 AI 应用情况或就业结果普查。

因此，该连接器对两种常见的 AI 与工作讨论方式提出了挑战。静态报告如今有了交互式替代方案，而关于工作岗位被取代的宽泛论断，则要面对一个明确标注了方法论边界的数据集。

Google、OpenAI、Microsoft、劳动经济学家和公共机构都在收集同一幅图景的不同部分。Anthropic 如今拥有一项独特的分发优势：其研究能够在产生大量相关数据的产品内部直接回答问题。

Claude Anthropic Economic Index 连接器将研究带入对话

重要的变化并不是出现了一个新数据集，而是公众与 Anthropic 现有经济研究之间有了一个新界面。

Anthropic 于 2025 年推出 Economic Index，研究人们如何在各种职业任务中使用 Claude。其报告将匿名化的使用模式与美国劳工部职业数据库 O*NET 的分类体系关联起来。

在此之前，读者通常通过报告、图表、可下载文件和交互式网站接触这些研究。包括为外部研究发布的完整数据集在内，这些形式仍然可用。

连接器在同一套研究成果之上增加了一层对话界面。用户无需先下载文件、学习字段名称或复现 Anthropic 的计算，即可使用自然语言提问。

工作者可能会询问哪些职业表现出最高的已观测 AI 暴露程度。管理者可能会比较不同职业类别中的自动化与增强模式。研究人员则可能要求查看某项特定结果背后的来源。

Anthropic 表示，该连接器会引导用户查看原始数据，并解释相关限制。这种行为十分重要，因为流畅的回答可能显得比其证据实际支持的结论更加确定。

该连接器可通过 Claude.ai 使用，不需要单独安装，并兼容任何 Claude 模型。这些条件消除了通常限制公众使用研究数据集的多个障碍。

此次发布也紧随 Anthropic 扩展其底层测量系统之后。其 2026 年 6 月的 Economic Index 报告引入了持续抽样，可用于分析每日乃至每小时的使用模式。

早期报告采用为期七天的样本。新的数据管线每天对一部分对话进行抽样，使 Anthropic 能够更细致地了解使用情况如何随时间变化。

该报告还区分了来自 Claude 对话的数据和 Anthropic 第一方 API 的数据。这种区分有助于揭示对话式辅助、智能体工作和软件驱动自动化之间的差异。

连接器不会把这些观测结果转化为官方劳动力统计数据。它只是让这些观测结果更容易被探索和质询。

这仍然是一项意义重大的产品决策。数据访问不再随着 Anthropic 发布报告而终止，而是成为 Claude 内部持续进行的对话，后续问题可以不断重塑分析。

这一转变也改变了 Index 的用户群体。经济学家可能仍然偏好可下载的数据和可复现的代码，而记者、政策工作人员、工作者和管理者如今可以从一个通俗的问题入手。

更广泛的访问也意味着更大的责任。Claude 在简化复杂方法论的同时，必须保留定义、抽样边界和不确定性。

Anthropic 为何现在让 AI 就业数据可供查询

Anthropic 正在将其研究产品化，因为 AI 使用情况已经变得十分复杂，难以用一张静态图表完整解释。

早期的聊天机器人活动通常是用户提出问题并收到回答。Claude Code、Cowork、API 和持续时间更长的智能体会话扩展了单次交互所能包含的内容。

Anthropic 的 6 月报告承认了这一测量难题。仅靠聊天记录已无法捕捉那些会创建文件、网站、代码、分析或其他产物的会话所产生的所有重要输出。

该公司增加了一个会话输出分类器，并提高了抽样频率。它还通过隐私保护系统，引入了与观测使用情况相关联的调查数据。

这些变化增加了读者需要理解的维度。数据可能因产品、时间、国家、职业、任务、输出和协作模式而有所不同。

传统报告必须决定哪些数据切片值得制成图表。对话式界面则可以根据读者的具体问题生成范围更窄的视图。

以一位评估 AI 应用情况的产品负责人为例。显示计算机相关职业位居前列的宽泛图表能提供背景信息，却无法回答观测到的暴露程度与理论能力之间有何差异。

借助连接器，这位负责人可以直接提出这一问题。Claude 可以解释，理论暴露程度估算的是在特定条件下语言模型能够完成或加速哪些任务。

观测暴露程度提出的是另一个问题。它考察理论上可行的任务是否已经出现在与工作相关的 Claude 活动中，并为自动化使用赋予更高权重。

这一区别是 Anthropic 劳动力影响衡量指标的核心。该公司结合了 O*NET 任务、Claude 使用情况以及此前对技术可行性的估计。

Anthropic 发现，在该分析中，被判定为语言模型完全可以胜任的任务占观测到的 Claude 使用量的 68%。被判定为不可行的任务占 3%。

然而，技术可行性的范围仍然远大于实际应用。理论上，语言模型可覆盖计算机和数学职业中 94% 的任务，而 Claude 的观测覆盖率仅为 33%。

这一差距说明了交互式研究工具为何有用。“AI 能做到这一点吗？”和“工作者正在使用 AI 完成这一任务吗？”听起来相似，但它们描述的是两种不同的测量指标。

Economic Index 也已经不再局限于单一快照。其研究如今涵盖地理分布、企业应用、协作模式、任务成功率、观测暴露程度、用户预期和使用节律。

最初发布的 Index分析了大约 100 万次 Claude.ai 对话。Anthropic 使用其 Clio 系统，将私密对话映射到约 20,000 项 O*NET 任务。

Clio 是一个能够识别汇总模式而不暴露单独对话的分析系统。它让 Anthropic 能够在对源材料实施隐私保护的同时研究使用情况。

在首个数据集中，计算机和数学任务占相关 Claude 对话的 37.2%。艺术和媒体任务以 10.3% 位居其后，教育和图书馆任务则占 9.3%。

只有约 4% 的职业在至少 75% 的相关任务中表现出 AI 使用情况。约 36% 的职业在至少 25% 的相关任务中出现了一定程度的使用。

这些发现表明，不应把职业视为会被一次性自动化的单一单位。AI 出现在某些特定任务中，不同工作之间的应用深度差异巨大。

该连接器推出之际，Anthropic 已经积累了足够多的报告，以至于如何浏览这些报告本身也成了一个问题。它给出的答案是让 Claude 充当入口。

真正的较量在于易于获取的证据与轻率的过度解读

连接器让证据更容易获取，但对话的流畅性可能会模糊观测结果与经济因果关系之间的界线。

Anthropic 的优势来自第一方行为数据。调查询问人们认为自己做了什么，而使用日志则可以显示产品实际上是如何被使用的。

然而，第一方可见性带来的观察窗口十分狭窄。Index 观测的是 Claude，而不是所有生成式 AI 系统、所有工作场所工具，或所有在没有 AI 助手参与的情况下完成的任务。

Claude 用户也不是劳动力人口的代表性样本。他们是有权访问并选择使用该产品的人，通常从事适合文本模型的工作。

Anthropic 直接说明了这一限制。其 2026 年 6 月的调查面向随机抽取的 Claude 用户，排除了不常使用的用户，并且仍容易受到响应选择偏差的影响。

计算机和数学职业约占调查受访者的 30%。而同一类别仅占美国就业人口的约 4%。

管理职业也存在另一种不匹配。管理者占调查受访者的 23%，相比之下，他们占美国就业人口的 7%，占被测量会话的 4%。

这些差异并不会使数据失效。它们决定了这些数据能够负责任地回答哪些问题。

Index 可以描述观测到的 Claude 用户中的模式。它可以识别频繁出现的任务、分析交互方式，并追踪 Anthropic 测量系统内部的变化。

它无法独立证明相同模式适用于所有劳动力群体，也无法证明 Claude 导致了工资、就业、生产率或工作保障方面的变化。

对话式回答需要维持这些边界。否则，“哪些工作最常使用 Claude？”可能会在缺乏充分证据的情况下，悄然变成“哪些工作最常使用 AI？”

据报道，该连接器的设计通过引导用户查看原始数据及其限制来应对这一风险。这种引导的质量将决定产品的可信度。

引用处理尤其重要。每个定量回答都应明确说明该结果来自哪份报告、哪个抽样周期、哪个产品界面和哪项指标。

定义也必须保持可见。“使用量”“任务覆盖率”“观测暴露程度”和“自动化”并不是可以互换的术语。

Anthropic 的暴露程度计算为完全自动化的实施赋予全部权重，为增强型使用赋予一半权重，然后根据每项职业任务所占用的时间来汇总任务覆盖率。

这种方法体现的是一种研究判断，而不是像就业人数或工作时长那样自然存在的单位。不同的权重选择可能产生不同的职业层面结果。

耶鲁大学的 Budget Lab 在评估 AI 与劳动力市场时强调了这种模糊性。其劳动力市场评估研究了两种处理 Anthropic 观测数据中缺失任务的方法。

一种方法忽略未观测到的任务。这样只保留有活动记录的任务，但某个职业可能仅仅因为其中一项相关任务进入了数据，就显得具有很高的暴露程度。

第二种方法将所有未观测到的任务都视为零使用量。这扩大了覆盖范围，却假设没有观测记录就意味着没有采用。

由此得出的估算结果差异显著。根据处理方式的不同，与高度增强或自动化职业相关的就业占比变化了许多个百分点。

这正是 Claude Anthropic Economic Index 连接器背后的核心权衡。它降低了提出研究问题的成本，却没有降低高质量回答该问题的成本。

用户仍需检查定义、日期、样本和缺失观测值。Claude 可以协助完成这些工作，但其精美流畅的文字无法替代方法论判断。

个人知识库可以帮助研究人员在反复调查过程中保留报告、定义和后续发现。连接器本身仍应作为获取 Anthropic 最新数据的途径。

Economic Index 究竟能说明哪些就业问题

该 Index 衡量的是 Claude 与工作的交集，而不是某个职业是否正在消失。

这种区别很容易被忽视，因为相较于任务使用情况，职业暴露度更容易引发吸睛的标题。暴露度听起来像是替代，即使底层指标衡量的只是辅助或部分自动化。

Anthropic 的初步研究发现，增强多于自动化。在该分类中，增强意味着 Claude 与人协作，而自动化则意味着它更直接地执行任务。

首份 Index 报告显示，增强占 57%，自动化占 43%。后来包括 API 和智能体工具在内的产品使用情况，使这种简单的划分变得更加复杂。

在 Anthropic 较新的衡量方法下，一些职业目前表现出较高的观测暴露度。计算机程序员的覆盖率达到 75%，数据录入员则达到 67%。

客服代表也位居前列。Anthropic 将其中很大一部分暴露度归因于通过第一方 API 活动观察到的任务。

这些数据表明，Claude 已在哪些公认的职业任务中进行处理或提供支持。它们并不衡量有多少劳动者因此失业。

Anthropic 的早期劳动力市场分析发现，几乎没有证据表明暴露度最高职业中的劳动者失业率更高。这一结果值得获得与暴露度排名同等的关注。

就业影响也可能滞后于采用。企业可能首先利用 AI 提高产出、放缓招聘、重组团队或改变初级岗位的职责。

稳定的失业率无法捕捉其中的所有影响。反过来，当利率、需求、外包和商业周期同样发挥作用时，也不能自动将招聘下降归因于 AI。

该连接器可以帮助用户比较不同衡量方式，而不是将它们混为一谈。一个好的查询可以要求分别提供观测暴露度、理论暴露度、就业变化和已知局限。

任务与职业之间的区别依然至关重要。软件开发者会编写代码、审查变更、参加会议、明确需求、调查故障并协调发布。

Claude 可以覆盖许多编码任务，却不必承担完整的职业角色。在改变从事该职业的人数之前，AI 的采用可能先改变工作的构成。

同样的原则也适用于软件行业之外。行政人员可以将文档分类自动化，同时继续负责异常情况、沟通、日程安排和组织判断。

体力工作较少被观察到，因为语言模型主要通过数字系统发挥作用。农业、运输、清洁、维护和临床操作都包含无法通过文本界面完成的任务。

这种不均衡性在 Anthropic 的首份报告中已经显现。农业、渔业和林业仅占相关 Claude 查询的 0.1%。

这一发现并不意味着这些行业没有采用 AI。计算机视觉、机器人、物流系统和专用模型可能在 Claude 和该 Index 的覆盖范围之外运行。

地理因素构成了另一重边界。Anthropic 的 AI Usage Index 会将某个地区在 Claude 使用量中的占比与其在劳动年龄人口中的占比进行比较。

高于一的分数表示该地区在 Claude 活动中占比过高。它并不直接衡量生产力、投资、劳动者技能或整个经济体的 AI 部署情况。

较富裕国家的人均 Claude 使用量通常更高。在美国境内，技术密集型地区的代表性也更高。

这些模式可能反映基础设施、语言、支付渠道、职业构成、产品认知、监管或本地需求。该 Index 可以揭示这种模式，但无法分离每一个成因。

Anthropic 六月的调查为这一图景加入了主观预期。近六成受访者对明年 AI 能力水平的选择高于当前水平。

超过 35% 的受访者预计，AI 将在十二个月内处理其大部分或几乎全部工作任务。这是受访 Claude 用户的预测，而不是实测的能力结果。

报告暴露度也高于观测暴露度。Anthropic 认为，受访者使用 AI 的程度可能高于其职业更广泛任务清单所代表的普通劳动者。

经验会影响预期。拥有至少 15 年经验的劳动者对 AI 当前任务能力的估计比入职第一年的劳动者低约十个百分点。

这可能反映了隐性知识、不同的岗位职责或由经验形成的怀疑态度。数据揭示的是相关性，而不是明确的解释。

Claude Anthropic Economic Index 连接器可以通过后续问题呈现这些区别。它的最佳用途不是生成单一的职业风险排名。

更好的用途是展示为什么几种合理的衡量方式会得出不同答案。

Anthropic 的数据优势也造成了其最大的盲点

最接近 Claude 使用情况的公司能够观察到其他机构无法看到的行为，却仍然无法了解其自身系统之外的大多数 AI 活动。

公共劳工机构提供广泛且相对具有代表性的就业数据。它们的调查和行政记录衡量整体经济，但更新速度通常较慢。

AI 提供商能够快速观察产品活动。它们可以在就业统计数据呈现明确变化之前很久，就识别出任务层面的变化。

这两类来源回答的是不同的问题。提供商遥测数据具有速度和细节优势，而政府统计则具有覆盖面、连续性和成熟抽样方法方面的优势。

Anthropic 的连接器强化了等式的前一侧。它并不能替代后一侧。

该公司还控制着为用户解读其数据的模型。这在可访问性与独立审查之间造成了一种微妙的冲突。

Claude 可以准确描述 Anthropic 的方法，但用户仍应区分公司的解释与外部复现。开放数据集有助于实现这种复现。

独立研究人员可以测试替代性的聚合规则，将 Claude 活动与就业记录进行比较，并考察所报告的模式是否会在后续发布中持续存在。

他们还可以将 Anthropic 的结果与职场调查及其他提供商的使用数据进行比较。目前没有任何一家公司能够完整呈现生成式 AI 的采用情况。

即使不推出相同的连接器，竞争对手也会受到此次发布的压力。Anthropic 将研究发布与产品分发结合起来，鼓励公众直接对数据进行探究。

OpenAI 已发布经济研究和任务暴露度研究。Microsoft 和 LinkedIn 掌握职场和劳动力市场信号，而 Google 则能够观察搜索、生产力和云端活动。

每个组织都拥有一个由自身产品塑造的局部视角。Anthropic 的举措引出了一个问题：这些数据集是否也会获得对话式界面。

跨提供商比较会比任何单独的仪表板提供更多信息。它可以揭示编码任务的突出地位反映的是整体经济，还是 Claude 特有的用户群体。

然而，跨提供商研究会带来棘手的标准化问题。不同公司对会话、任务、自动化、活跃用户和企业活动有着不同的定义。

隐私规则也会限制能够发布的内容。更高的粒度可以让数据集更加有用，但也会增加敏感行为被暴露的风险。

Anthropic 表示，Clio 及其调查关联流程能够保护隐私。用户仍需要关于抽样、聚合、抑制、保留政策以及不同版本间变化的清晰文档。

方法论漂移会带来另一项风险。随着 Claude 产品的发展，Anthropic 已调整其流程；从衡量质量的角度看，这样做是合理的。

然而，分类器、样本和产品类别的变化可能削弱跨时间比较的有效性。观测活动的上升可能反映采用率增长、新产品出现或衡量流程的修订。

当用户查询趋势时，连接器应识别这些断点。一张跨越不兼容版本却显得信心十足的图表，只会制造表面上的清晰。

模型行为带来了第二项可靠性挑战。Claude 可能总结了正确的数据集，却选择了不合适的分母，或混合了不同报告中的发现。

最稳妥的答案应展示其计算过程。对于重要比较，用户需要了解分子、分母、时间段、筛选条件和数据来源版本。

可以通过可复现性评估该连接器。如果用户通过原始数据集提出同一个定义明确的问题，对话式答案应在有文档说明的舍入规则范围内保持一致。

它还应避免回答缺乏依据的因果问题。当被问及 Claude 导致了多少人被裁员时，正确的回答是该 Index 无法确定这一数字。

在这种场景下，拒绝夸大结论是一项功能。当一个经济研究连接器以同等信心回答每个问题时，它反而会变得不那么有用。

三个信号将表明该连接器能否成为研究工具

下一步的检验在于，人们是否会使用该连接器审查证据，而不仅仅是生成有关 AI 和就业的有说服力的论断。

第一个信号是答案层面的可追溯性。Anthropic 应始终明确指出量化回答所依据的数据集版本、指标定义、样本和相关局限。

这种做法将强化 Claude Anthropic Economic Index 连接器的核心承诺。它会将对话式答案转化为可导航的研究路径，而不是孤立的摘要。

缺失或不一致的引用会削弱其可信度。用户仍然可以获得快速答案，但很难复现或质疑这些答案。

第二个信号是独立验证。研究人员需要将连接器输出与免费开放的数据集进行比较，并使用替代性假设发表分析。

多种方法得出一致结果，将增强人们对总体模式的信心。较大的差异不会使该 Index 失去价值，但会界定哪些地方最需要谨慎解读。

如何处理缺失任务是一个直接的测试案例。另一个测试是，在考虑劳动力构成和 Claude 用户画像之后，职业排名是否仍然稳定。

研究人员还应将 Anthropic 所揭示的模式与公共机构和其他 AI 平台的数据进行比较。独立来源之间的一致信号将为更广泛的结论提供支持。

第三个信号是 Anthropic 如何处理新的产品场景和方法论修订。Claude Code、Cowork 和 API 应用产生的活动不同于普通的聊天机器人对话。

未来的报告应清晰区分这些渠道，同时解释分类变化。当时间序列跨越不兼容的方法时，连接器必须能够识别。

如果 Anthropic 能够提供针对特定版本的答案和比较警告，这款工具将更具可信度。如果它悄然合并不断变化的定义，那么趋势类问题的答案将变得不可靠。

采用情况本身也值得关注，尽管 Anthropic 尚未公布连接器的使用数据。研究人员、记者、政策团队和劳动者会提出不同的问题。

最能说明问题的行为将体现在追问上。用户如果一开始问“哪些职业使用 AI 最多？”，接下来应该能够询问结果排除了哪些内容，以及结果是如何计算得出的。

这种交互将体现出相较于静态发布内容的真正优势。连接器不仅可以加快数据检索，还能让用户更容易探究方法论。

Anthropic 还应警惕误用。雇主可能会将职业层面的 AI 影响程度直接视为裁员建议，尽管该指数并不支持这一结论。

劳动者可能会将理论上的任务执行能力理解为其整个职业即将消失的预测。政策制定者可能会把 Claude 用户群体的情况泛化到 AI 使用条件和产业结构不同的群体。

清晰的注意事项无法阻止所有误用，但可以让缺乏依据的推断更容易被识别。

更大的机会在于，为讨论 AI 的经济影响建立一套更完善的公共词汇。任务覆盖、采用、自动化、增强、生产力、招聘和失业描述的是彼此相关但相互独立的现象。

连接器可以帮助用户区分这些类别。它能否成功，取决于它在简化访问的同时，能否保留问题的复杂性。

在转述连接器的结果之前，请先问三个问题：它源自 Claude 的哪类活动、受哪个定义影响，以及有哪些外部证据支持它？

使用 Claude Anthropic Economic Index 连接器来探索规律并定位原始数据。不要将它的首次回答视为对某个职业的定论。

最有力的下一步，是用原始数据集、Anthropic 的方法论和独立的劳动力证据来检验一项主张。对话式访问会让公共讨论变得更加审慎，还是只会让人们更容易引用充满不确定性的数字？