Anthropic 在 3 月 24 日发布了第五期经济指数报告《Learning Curves》，基于 2026 年 2 月的 Claude 使用数据。这份报告最有价值的地方不是告诉我们 AI 能做什么，而是揭示了谁在有效使用 AI，以及为什么。
核心发现很简单，但影响深远：使用 Claude 超过 6 个月的用户，成功率比新手高 10%。而且这个差异在控制了任务类型、国家、语言等变量后依然存在。
这不是"熟能生巧"那么简单。这是系统性能力差异。
一、数据说了什么
1. 学习曲线：10% 的成功率差异
报告用回归分析控制了任务类型、请求集群、国家、语言、使用场景等变量，发现高使用时长用户（使用 6 个月以上）的对话成功率仍然比新手高 3-5 个百分点。
更重要的是，这些高使用时长用户的使用模式也不同：
- 更高的教育水平需求：他们处理的任务平均需要多 1 年的教育背景
- 更少的个人用途：个人对话占比少 10%，工作相关对话多 7%
- 更多的协作模式：更倾向于迭代（iteration）而非指令式（directive）
- 更分散的任务类型：前 10 任务占比更低（20.7% vs 22.2%）
这些差异指向一个结论：他们不是在"用"AI，而是在"管理"AI。
2. 模型选择：管理思维的微观体现
报告发现用户会根据任务复杂度选择模型。对于付费 Claude.ai 用户：
- 编程任务：55% 使用 Opus（最强模型）
- 教育任务：45% 使用 Opus
- 每增加 $10 的任务时薪，Opus 使用率提升 1.5 个百分点
API 用户的模型选择更激进——斜率是网页用户的 2 倍（2.8 vs 1.5 个百分点）。
这个差异很有意思。API 用户在构建系统，他们必须考虑成本和效率的权衡。网页用户在完成任务，他们更可能"用最好的工具做所有事"。
前者是管理者思维，后者是工具使用者思维。
3. 增强 vs 自动化：协作在增加
报告将交互模式分为两大类：
- 增强（Augmentation）：人机协作，包括反馈循环、任务迭代、验证、学习
- 自动化（Automation）：AI 独立完成，主要是指令式模式
数据显示：
- Claude.ai 的增强模式在增加
- API 的自动化模式在增加（尤其是客服、销售自动化）
- 高使用时长用户更倾向于迭代
这个趋势反直觉。你可能以为，用户越熟练，越会让 AI 自动化完成任务。但数据显示相反：高手更多选择协作模式。
为什么？因为他们知道 AI 的价值不在于替代人类判断，而在于放大人类判断。
4. 全球不平等在加剧
报告最令人担忧的发现：
- 美国内部的使用不平等在收敛（基尼系数下降，前 5 州占比从 30% 降到 24%）
- 全球的使用不平等在加剧（基尼系数上升，前 20 国家占比从 45% 升到 48%）
结合学习曲线的发现，这意味着：早期采用者（高技能任务 + 高成功率）正在拉开与后来者的差距。
报告明确提到了技能偏向型技术变革（skill-biased technological change）的风险：AI 可能会提高高技能工作者的工资，同时压低低技能工作者的工资。
二、看不见的护城河
Anthropic 的数据揭示了一个现象，但没有解释机制。那 10% 的成功率差异从哪来？
我的推测：那些高使用时长用户很可能建立了某种形式的上下文基础设施（context infrastructure）。
什么是上下文基础设施？就是那些 Anthropic 看不到的东西：
- 项目文档：架构设计、技术决策、已知陷阱
- 偏好记录：代码风格、设计原则、审美标准
- 方法论沉淀：调试流程、验收标准、最佳实践
- 反馈循环：测试、日志、可视化、验证机制
这些东西不在 Claude 的对话里，它们在用户的本地文件系统、团队 wiki、或者脑子里。但它们决定了 AI 协作的质量。
类比一下：你看不到一个程序员的配置文件（dotfiles），但它们决定了生产力。同样，你看不到一个 AI 用户的上下文基础设施，但它决定了 AI 的有效性。
这也解释了为什么切换到"更聪明"的新模型，实际价值可能反而更低。如果你失去了 6 个月积累的默契——对模型能力边界的理解、有效的协作模式、沉淀的方法论——那么即使新模型在基准测试上更强，它在你的实际工作中可能表现更差。
竞争优势来自累积的上下文，而非模型的原始智能。
三、重新理解 AI 不平等
报告里全球不平等加剧的数据，通常会被解读为"访问权限问题"——发展中国家的人用不上 AI。
但结合学习曲线的发现，我认为问题的根源不在这里。
即使给所有人同样的 Claude 访问权限，那些缺少以下能力的用户，成功率仍然会低 10%：
- 快速反馈循环的能力：知道如何设置测试、日志、验证机制，让 AI 能看到自己的输出质量
- 对 AI 能力边界的理解：知道什么任务适合什么模型，什么时候需要人类介入
- 管理 AI 的思维模式：把 AI 当团队成员而非工具，通过赋能而非直接操控来获得杠杆
- 积累默契的时间和方法：建立文档、记录偏好、沉淀方法论
这些能力不是天生的，也不是"多用就会"的。它们需要学习、实践、反思。
美国内部的收敛（基尼系数下降）可能反映了一个事实：美国用户有更多的学习资源——教程、社区、案例、讨论。而全球的分化（基尼系数上升）可能反映了这些资源的不平等分布。
AI 不平等的本质是使用能力的不平等，而非访问权限的不平等。
这个洞察很重要，因为它改变了解决方案。如果问题是访问权限，那么答案是降低价格、提供免费额度。但如果问题是使用能力，那么答案是教育、文档、社区、最佳实践的传播。
四、对个人和组织的启示
从这份报告，我看到三个清晰的信号：
1. 投资于你的上下文基础设施
不要只是"用"AI。建立你的使用系统：
- 为常见任务写文档（背景、方法论、验收标准）
- 记录你的偏好和纠正（代码风格、设计原则）
- 沉淀可复用的方法论（调试流程、验证机制）
- 建立反馈循环（测试、日志、可视化）
这些投入在短期看起来是"浪费时间"，但它们会以复利的方式回报你。6 个月后，你就是那个成功率高 10% 的用户。
2. 学会管理 AI，而非使用 AI
报告里 API 用户的模型选择更成熟，不是因为他们更聪明，而是因为他们在构建系统。系统思维强制你考虑：
- 什么任务适合什么模型？
- 如何验证输出质量？
- 如何处理失败情况？
- 如何优化成本和效率？
这些问题会让你从"工具使用者"升级为"AI 管理者"。而管理者思维带来的是杠杆效应——不是你做得更快，而是你能让 AI 做得更好。
3. 协作模式比自动化模式更有价值
高使用时长用户更多选择迭代而非指令式，这不是因为他们不会用自动化，而是因为他们理解了 AI 的真正价值。
AI 不是用来替代你的判断的，而是用来放大你的判断的。那些需要人类判断的 20-30%——品味、优先级、风险评估——往往是最有价值的部分。
不要追求"让 AI 完全自动化"。追求"建立紧密的人机协作循环"。
Anthropic 的这份报告用数据证实了一个反直觉的事实：在 AI 时代，使用 AI 的能力比 AI 本身更重要。
模型会越来越强，价格会越来越低，访问会越来越容易。但那 10% 的成功率差异——来自上下文基础设施、管理思维、协作模式——不会自动消失。
这是新的护城河。也是新的不平等来源。
问题是：你在哪一边？