本文研究了人工智能（AI）在不同经济任务中的使用情况，利用 Anthropic 开发的隐私保护系统 Clio 分析了超过 400 万次 Claude.ai 对话，并将其映射到美国劳工部 O*NET 数据库中的任务和职业类别。
核心观点与发现：
- AI 使用集中度：AI 主要集中在软件开发和写作任务中，两者合计占总使用量的近 50%。约 36% 的职业使用 AI 至少完成其相关任务的 25%，表明 AI 已开始融入大部分劳动力的任务组合。
- 职业技能体现：认知技能（如阅读理解、写作和批判性思维）在人类-AI 对话中表现突出，而物理技能（如安装、设备维护）和管理技能（如谈判）则很少出现，反映了人类与当前 AI 能力的互补性。
- 工资与进入壁垒：AI 使用在工资中位数的上四分之一达到峰值，但在工资最低和最高的职业中使用率较低。类似地，进入壁垒要求较高的职业（如需要本科学位）的 AI 使用率较高，而进入壁垒要求较低或较高的职业使用率较低。
- 自动化与增强：57% 的交互显示增强模式（例如，对任务进行来回迭代），而 43% 显示自动化使用（例如，直接执行任务）。大多数职业在任务中表现出自动化和增强的混合模式，表明 AI 充当效率工具和协作伙伴。
研究结论：
- AI 已开始广泛应用于经济任务，但大多数职业的 AI 整合仍处于选择性阶段，而非全面自动化。
- AI 使用模式为政策制定者和民间社会提供了宝贵的见解，使他们能够应对 AI 如何改变工作的转变。
- 需要动态跟踪 AI 的集成情况，以识别新兴模式、技术拐点以及行业间采用障碍造成的差异扩散。
- 分析 AI 在任务层面的使用比在职业层面更为重要，因为 AI 目前主要影响职业中的特定任务，而非整个职业。
- AI 使用模式与当前预测研究的结果既有吻合也有差异，强调了实证测量在理解 AI 的经济影响方面的重要性。
研究局限性：
- 数据样本仅限于 Claude.ai 的对话，可能无法代表更广泛的市场或其他 AI 模型的使用情况。
- 基于 Claude 对对话进行分类可能存在不一致性。
- 用户查询的复杂性未得到充分考虑，可能导致对某些任务使用率的过高估计。
- O*NET 数据库是静态的，无法捕捉 AI 系统可能创造或转变的新兴任务和职业。
- 缺乏对用户工作流程的完整了解，无法确定 Claude 输出的实际使用情况。
未来工作：
- 动态跟踪 AI 的使用模式，以了解其随时间推移对经济的影响。
- 分析当前 AI 使用模式如何转化为更广泛的经济变化。
- 开发政策建议，以使 AI 的好处能够普及到整个经济。
