Anthropic veröffentlichte seinen Wirtschaftsindexbericht am 15. September 2025 und analysierte unebene AI -Adoptionsmuster geografisch und in Unternehmen. Die Studie untersucht Claude.AI-Nutzungsänderungen, führt den anthropischen KI-Nutzungsindex für pro Kopf-Metriken in über 150 Ländern und allen US-Bundesstaaten ein und bietet die erste große Sichtweise des Unternehmens-API-Verkehrs, die aus Erstanbieterdaten zur Enthüllung aufgabenspezifische Bereitstellungen entnommen werden. Der Bericht zeigt im Vergleich zu historischen Technologien von AIs beispiellose Annahmegeschwindigkeit. In den Vereinigten Staaten gaben 40 Prozent der Mitarbeiter an, bis September 2025 KI bei der Arbeit zu verwenden, eine Verdoppelung von 20 Prozent im Jahr 2023, wie Gallups Umfrage 2025 zur KI -Verwendung bei der Arbeit hervorgeht. Dieser Anstieg tritt zwei Jahre nach der Basislinie 2023 auf. Die schnelle Aufnahme ergibt sich aus dem Nutzen von KI über verschiedene Anwendungen hinweg, deren Integration in die vorhandene digitale Infrastruktur und deren Zugänglichkeit durch einfaches Tippen oder Sprechen, die keine spezielle Schulungen erfordern. Die fortlaufenden Verbesserungen in Frontier -KI -Modellen beschleunigen diese Einführung weiter, indem sie Nützlichkeit, Bereitstellung und Benutzerfreundlichkeit verbessert. Historische Technologien verbreiten langsamer. Der Strom erreichte zunächst städtische Gebiete, dauerte jedoch über 30 Jahre, um sich auf landwirtschaftliche Haushalte auszudehnen, wie in Lewis und Severninis Analyse 2020 der US -amerikanischen Stromnetzrollout ausführlich beschrieben. Der erste Massenmarktpersonal erschien 1981 für frühe Anwender, doch es dauerte weitere 20 Jahre, um die Mehrheit der US-Häuser zu betreten. Das Internet erforderte trotz seiner schnellen Ausbreitung etwa fünf Jahre, um die Adoptionsraten zu erreichen, die KI in nur zwei Jahren pro Rick, Blandin und Deming von 2024 über generative KI -Adoptionsbenchmarks gegen PCs und das Internet übereinstimmte. Mehrere Faktoren erklären diese langsameren historischen Zeitpläne. Neue Technologien benötigen Zeit, um sich in der gesamten Wirtschaft zu verbreiten, die geografische Konzentration bei der Einführung der Verbraucher zu verringern, und veranlasst Unternehmen, den Betrieb für einen optimalen Gebrauch umzustrukturieren. Die Einführung auf Unternehmensebene beginnt mit engen Aufgaben, bevor sie sich auf allgemeine Anwendungen ausdehnen, ein Prozess, der eine breitere wirtschaftliche Transformation vorantreibt, wie in Kalyani, Bloom, Carvalho, Hassan, Lerner und Ahmed Tahouns 2025-Papier über die Technologiediffusion dargestellt. Frühe Einführungsphasen konzentrieren sich typischerweise auf bestimmte geografische Regionen und begrenzte Aufgaben in Unternehmen. Der anthropische Bericht dokumentiert KI, das diesem Muster im 21. Jahrhundert folgt, jedoch zu komprimierten Zeitlinien und mit erhöhter Intensität im Vergleich zu Technologien des 20. Jahrhunderts. Um diese Dynamik zu untersuchen, erweitert der Bericht den anthropischen Wirtschaftsindex durch die Einbeziehung der geografischen Analyse von Claude.ai -Gesprächen und eine neuartige Untersuchung der Nutzung von Unternehmens -API. Es verfolgt die Evolution der Nutzung der Claude, regionale Unterschiede und Geschäftsbereitungen von Frontier AI zur Problemlösung. In den acht Monaten vor dem Bericht verschob sich Claude.ai -Nutzungsmuster inmitten von Modellfunktionsverbesserungen, neuen Merkmalen und einer wachsenden Verbraucherbasis. Die Codierung blieb bei 36 Prozent der Gesamtnutzung die dominierende Kategorie. Die Bildungsaufgaben stiegen von 9,3 Prozent auf 12,4 Prozent, was die zunehmende Abhängigkeit von KI für Lernaktivitäten wie Zusammenfassung von Materialien, Erklärung von Konzepten oder Erzeugung von Studienhilfen widerspiegelt. Die wissenschaftlichen Aufgaben stiegen von 6,3 Prozent auf 7,2 Prozent und umfassten Anwendungen wie Datenanalyse, Hypothesenformulierung oder Literaturübersicht in Bereichen wie Biologie, Physik und Chemie. Benutzer erteilten Claude zunehmend mehr Autonomie in Interaktionen. Richtliniengespräche, bei denen Einzelpersonen ganze Aufgaben in die KI delegieren, stiegen von 27 Prozent auf 39 Prozent. Bei der Codierung stieg die Programmerstellung um 4,5 Prozentpunkte, während das Debuggen um 2,9 Prozentpunkte zurückging. Diese Verschiebungen weisen darauf hin, dass Benutzer die Ziele effizienter an einzelnen Börsen vervollständigen und eine verbesserte Modellgenauigkeit nutzen, um iterative Korrekturen zu umgehen. Der Bericht führt zum ersten Mal geografische Aufschlüsse von Claude.ai Nutzung und umfasst mehr als 150 Länder und alle US -Bundesstaaten. Um die Diffusion zu quantifizieren, definiert es den anthropischen KI-Nutzungsindex (AUI) als Maß für die Claude.ai-Verwendung in Bezug auf die Bevölkerung im erwerbenen Alter in jedem Gebiet. Ein AUI über 1,0 signalisiert eine Überrepräsentation, während unter 1,0 eine Unterrepräsentation angibt und eine standardisierte Metrik zum Vergleich der Adoptionsintensität über die Volkswirtschaften hinweg liefert. Die AUI weist eine starke Korrelation mit dem Nationaleinkommensniveau auf. Singapur verzeichnet das höchste mit dem 4,6-fachen der erwarteten Nutzung, basierend auf der Bevölkerung im erwerbsfähigen Alter, gefolgt von Kanada mit dem 2,9-fachen. Diese Zahlen deuten darauf hin, dass eine robuste Integration von KI in tägliche Arbeitsabläufe in einkommensschwachen Einstellungen in die tägliche Arbeitsabläufe ist. Im Gegensatz dazu weisen Schwellenländer niedrigere Indizes auf: Indonesien nach dem 0,36 -fachen, Indien nach dem 0,27 -fachen und Nigeria mit dem 0,20 -fachen. Solche Unterschiede unterstreichen Hindernisse wie Infrastrukturzugang, digitale Alphabetisierung oder wirtschaftliche Prioritäten, die die KI-Penetration in Regionen mit niedrigerem Einkommen einschränken. Innerhalb der Vereinigten Staaten ist Washington, DC, pro Kopf mit einem AUI mit einem 3,82-fachen seiner Bevölkerungsanteil, der von Utah nach dem 3,78-fachen eng zurückgelegt wurde. Regionale Variationen entsprechen den lokalen Wirtschaftsstrukturen. Kalifornien zeigt eine erhöhte Nutzung für Informationstechnologieaufgaben, einschließlich Softwareentwicklung und Systemoptimierung. Die Muster in Florida betonen Finanzdienstleistungen wie Risikobewertung und Compliance -Berichterstattung. In Washington, DC, dominieren Dokumentenbearbeitung und Karriereunterstützung und unterstützen die Sektoren der Regierung und des professionellen Dienstes. Diese Ausrichtungen zeigen, wie KI-Adoption die branchenspezifischen Bedürfnisse und Chancen in jedem Gebietsschema widerspiegelt. Die Verwendungsdiversität variiert je nach Adoptionsniveau. Länder mit niedrigeren AUI-Werten konzentrieren sich stark auf die Codierung, was über 50 Prozent der Aufgaben in Indien im Vergleich zu etwa einem Drittel weltweit ausmacht. Länder mit hoher Adoption zeigen breitere Anwendungen, Spannungsaufgaben, Wissenschaft und Geschäftsaufgaben. Diese Diversifizierung weist auf eine reifere Integration hin, wobei AI mehrere Facetten der beruflichen und persönlichen Produktivität und nicht auf eine einzige Funktion unterstützt. Nach der Anpassung der Aufgabenzusammensetzung zwischen den Ländern unterscheiden sich die Zusammenarbeitsstile. Niedrige AUI -Länder bevorzugen die Automatisierung mit höheren Delegierungsraten vollständiger Aufgaben an KI. Hochverkäufliche Bereiche neigen zur Augmentation und betonen das Lernen aus KI-Outputs und iterativen Human-AI-Interaktionen. Zum Beispiel könnten Benutzer in führenden Regionen den Inhalt von AI-generierten Inhalten im Hin- und Her-Dialog verfeinern und die Ergebnisse verbessern und Fähigkeiten aufbauen, während die Automatisierung die Handlungsausführung für die Effizienz priorisiert. Diese geografischen Muster spiegeln historische Trends in transformativen Technologien wider. Die Elektrifizierung, der Verbrennungsmotor und die Sanitäranlagen in Innenräumen haben das moderne Wirtschaftswachstum im späten 19. und frühen 20. Jahrhundert veranlasst, aber auch die globalen Living -Standardlücken erweitert, wie in Pritchetts Analyse von 1997 der wirtschaftlichen Abweichung dokumentiert. Die Untersuchung des US-Wirtschaftswachstums von Gordon aus dem Jahr 2012 vergleicht die Innovationen des frühen und späten 20. Jahrhunderts und stellt fest, dass ihre ungleichmäßigen Produktivitätsauswirkungen. Die Unternehmensanalyse des Berichts bietet beispiellose Einblicke in den API-Datenverkehr, bei dem Unternehmen eher programmgesteuert als über die Weboberfläche auf Claude zugreifen. Diese Daten zeigen, wie frühe Anwender Frontier KI in Operationen integrieren. Die Codierungsaufgaben dominieren sowohl die Verwendung von API als auch Claude.ai, aber der API -Verkehr verdrängt gegenüber spezialisierten Bereichen. Die API -Nutzung übertrifft Claude.ai für Codierung und Büro-/Verwaltungsaufgaben wie Dateneingabe, Planung oder Berichtserzeugung. Umgekehrt führt Claude.ai in Bildungsaufgaben wie Nachhilfe oder Fähigkeiten und Schreibaufgaben, einschließlich Inhaltserstellung oder Bearbeitung. Die Automatisierung charakterisiert 77 Prozent der Geschäftsanwendungen für die Geschäftsleute, verglichen mit ca. 50 Prozent für Claude.ai -Benutzer. Diese Ungleichheit ergibt sich aus dem programmatischen Design der API, das eine nahtlose Aufgabendelegation ohne menschliche Intervention ermöglicht, ideal für skalierbare Geschäftsprozesse. Beispiele sind die automatisierte Codegenerierung für Software -Pipelines oder die Stapelverarbeitung von Verwaltungsdokumenten. Die Unternehmensbereitstellung priorisiert Modellfunktionen vor Kostenüberlegungen. Häufig verwendete Aufgaben in API -Daten verursachen aufgrund von Rechenanforderungen höhere Kosten, doch die Verwendung bestehen weiter. Dieses Muster weist auf eine schwache Preisempfindlichkeit hin, wobei Entscheidungen durch die Fähigkeit der KI, komplexe Operationen und den wirtschaftlichen Wert der Automatisierung spezifischer Funktionen abzuhalten, angetrieben werden. Beispielsweise rechtfertigen hochwertige Aufgaben wie Advanced Financial Modeling aufgrund der von ihnen lieferenden Produktivitätsgewinne die Premium-Preisgestaltung. Kontextfaktoren beschränken die erweiterten Anwendungen. Das Kuratieren geeigneter Dateneingaben erweisen sich für eine effektive KI -Leistung in komplizierten Bereichen wie Rechtsanalyse oder medizinische Diagnostik. Der Bericht identifiziert Datenmodernisierung und organisatorische Investitionen, um kontextbezogene Details als potenzielle Engpässe zu erfassen. Unternehmen müssen möglicherweise in strukturierte Datenbanken oder Wissensextraktionstools investieren, um Modelle mit relevantem Hintergrund bereitzustellen und genauere und wirkungsvollere Ausgaben zu ermöglichen. Ohne solche Vorbereitungen bleibt die KI-Bereitstellung auf einfachere, weniger kontextabhängige Aufgaben beschränkt. Um weitere Untersuchungen zu erleichtern, hat Anthropic den Datensatz, der dem Bericht zugrunde liegt, offen. Dies beinhaltet Verwendungsmuster auf Aufgabenebene sowohl für Claude.ai- als auch für den API-Verkehr der Erstanbieter, der der Kategorien von O*Netto-Berufstaxonomie und benutzerdefinierten Bottom-up-Kategorien zugeordnet ist. Es deckt auch die Zusammenarbeitsmodi nach Aufgabe und vollständige methodische Dokumentation ab. Die geografischen Daten gilt derzeit nur für Claude.ai, ohne den API -Verkehr aus Datenschutzgründen. Forscher können darauf zugreifen, um die wirtschaftlichen Auswirkungen der KI unabhängig zu untersuchen. Die Open-Sourced-Daten unterstützen Untersuchungen in mehreren Bereichen. Die lokalen Arbeitsmarkteffekte umfassen Konsequenzen für Arbeitnehmer und Unternehmen aus der Nutzung und Einführung von KI, wie z. B. Verschiebungen der Arbeitsanforderungen oder Lohnstrukturen. Determinanten der Adoption übernehmen Länder und US-Regionen mit potenziellen Strategien, um die Vorteile über die Volkswirtschaften mit hohem Einkommen hinaus zu erweitern. Cost-per-Task beeinflusst Unternehmensmuster und klärte die Substitutionsdynamik. Durch die Durchführbarkeit der Automatisierung erklärt, warum einige Aufgaben KI integrieren, während andere sich widersetzen, und die Beschäftigungsaussichten für verschiedene Arbeitnehmertypen informieren. Die Struktur des Berichts befasst sich tiefer in diese Themen in den Kapiteln. Kapitel 1 untersucht Claude.ai Nutzung im Laufe der Zeit, detaillierte Veränderungen der wirtschaftlichen Aufgaben, die steigende Rolle von Bildungs- und wissenschaftlichen Anwendungen und wie neue Fähigkeiten die Muster beeinflussen. Es betont die Beschleunigung der Richtlinienautomatisierung, bei der Benutzer KI für optimierte Ergebnisse vollständige Verantwortung zuweisen. Kapitel 2 umfasst die Claude-Nutzung in den USA und global und analysiert die Diffusion, die Metriken pro Kopf, Kontrast zwischen führenden und aufstrebenden Ländern sowie variationen der Human-AI-Zusammenarbeit geografisch. Es unterstreicht, wie das Einkommensniveau die Akzeptanzbreite und die Tiefe beeinflusst. Kapitel 3 konzentriert sich auf die Bereitstellung von API Enterprise und zeigt spezielle Verwendungen zwischen anthropischen Kunden, Unterschiede in der beruflichen Segmentierung im Vergleich zu Aufgabenfokus, Automatisierung und Augmentation in Transkripten, Kostenanalysen pro Aufgabe und Substitutionsmustern. Es schließt mit der Verknüpfung dieser mit breiteren Einsatzherstellungen. Die Autoren des Berichts sind Ruth Appel, Peter McCrory und Alex Tamkin als Leads mit Beiträgen von Miles McCain, Tyler Neylon und Michael Stern. Acknowledgments extend to a extensive team including Alex Sanchez, Andrew Ho, Ankur Rathi, Asa Kittner, Ben Merkel, Bianca Lindner, Biran Shah, Carl De Torres, Cecilia Callas, Daisy McGregor, Dario Amodei, Deep Ganguli, Dexter Callender III, Esin Durmus, Evan Frondorf, Heather Whitney, Jack Clark, 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 Gonzalez, Mengyi Xu, Michael Sellitto, Mike Schiraldi, Olivia Chen, Paola Renteria, Rebecca Jacobs, Rebecca Lee, Ronan Davy, Ryan Donegan, Safron Huang, Sarah Heck, Stuart Ritchie, Sylvie, Tim Belonax, Tina Chin und Zoe Richards. Für das Zitat wird der Bericht als: Appel, McCrory, Tamkin, et al. (2025). Bericht über Anthropic Economic Index: Unebene Geografische und Unternehmensannahme. Verfügbar unter https://www.anthropic.com/research/anthropic-economic-index-september-2025-Report. Fußnoten bieten unterstützende Referenzen. Die US -amerikanische Angestellte KI -Nutzungsstatistik aus Gallup (2025), die KI -Verwendung bei der Arbeit hat sich in zwei Jahren fast verdoppelt. Historische Adoptionsbenchmarks stammen von Bick, Blandin und Deming (2024), der schnellen Einführung von generativer KI, und Lewis und Severnini (2020), kurz- und langfristigen Auswirkungen der ländlichen Elektrifizierung. Technologiediffusionserkenntnisse stammen von Kalyani et al. (2025), Verbreitung neuer Technologien. Wirtschaftliche Divergenz -Diskussionen Referenz Gordon (2012), ist das Wirtschaftswachstum der USA vorbei? und Pritchett (1997), Divergence, Big Time. In Kremer, Willis und Ihnen (2022) treten jüngste Konvergenz -Beweise auf, die neben Jones, Jones und Aghion (2017) zu KI und Wirtschaftswachstum zu Konvergenz konvergieren. Diese dritte Iteration des anthropischen Wirtschaftsindex erfasst die AI -Adoptionsdynamik in einem entscheidenden Zeitpunkt. Claude und ähnliche Grenzsysteme gelten im Großen und Ganzen für die wirtschaftlichen Aktivitäten, wobei sich vorrückte Fähigkeiten der Reichweite verstärken. Die Verwendung konzentriert sich auf ausgewählte Aufgaben und Regionen und korreliert stark mit dem Einkommen, insbesondere international. API -Daten zeigen 77 Prozent Automatisierung in geschäftlichen Kontexten, höher als bei 50 Prozent der Verwendung von Verbrauchern, wobei die Codierung und die Administratoraufgaben herausragend sind. Der Open-Sourced-Datensatz, der jetzt geografische Claude.ai-Details und API-Muster, die nach O*-Netz- und benutzerdefinierten Kategorien klassifiziert sind, ermöglicht eine strenge Analyse der Arbeitsauswirkungen, Adoptionstreiber, Kostenrollen und Aufgabenautomatisierungsbarrieren.
