أنثروبيك مؤشر الاقتصاد الأخير تحليل حالة استخدام Claude في فبراير 2026، حيث وجد أن سيناريوهات استخدام Claude.ai تتنوع بشكل مستمر، ومستوى الأجور للمهام المتوسطة انخفض قليلاً. هذا التقرير مستمد من دراسة نشرتها أنثروبيك، وترجمه وحرره دونغ تشو دونغ تزو.
(مقدمة سابقة: أنثروبيك أطلقت لوحة قياس تأثير الذكاء الاصطناعي: أدخل مهنتك، وتحقق في ثوانٍ كم من عملك يُستهلك بواسطة الذكاء الاصطناعي؟)
(معلومات إضافية: CZ: رسوم التداول في الولايات المتحدة مرتفعة جدًا، وما زال الطريق نحو عاصمة التشفير يفتقر إلى المنافسة)
فهرس المحتويات
Toggle
- التغييرات منذ التقرير السابق
- منحنى التعلم
- الفصل الأول: التغييرات منذ التقرير السابق
- تنويع سيناريوهات استخدام Claude.ai
- أنماط الأتمتة الجديدة
- إعادة النظر في التمركز الجغرافي
- الفصل الثاني: تعلم استخدام الذكاء الاصطناعي
- اختيار النموذج
- منحنى التعلم
- المناقشة
- الملاحظات
يستخدم مؤشر أنثروبيك الاقتصادي نظام تحليل البيانات الخاص بحماية الخصوصية الخاص بنا لمتابعة استخدام Claude في الاقتصاد الكلي. هذا جزء من جهودنا المبكرة لفهم تأثير الذكاء الاصطناعي على الاقتصاد، بهدف تمكين الباحثين وصانعي السياسات من الاستعداد بشكل كافٍ.
يدرس هذا التقرير الأخير حالة استخدام Claude في فبراير 2026، استنادًا إلى الإطار الاقتصادي الذي أنشأناه من خلال تقريرنا السابق (باستخدام بيانات نوفمبر 2025). تغطي العينة الفترة من 5 إلى 12 فبراير، بعد ثلاثة أشهر من إصدار Claude Opus 4.5، وتزامنًا مع إصدار Claude Opus 4.6.
نبدأ بتوثيق التغييرات في الاستخدام مقارنة بالتقرير السابق: نسبة التفاعلات التعاونية (أي التفاعل مع قدرات المستخدم المدعومة بالذكاء الاصطناعي) في حركة المرور على Claude.ai وAPI قد زادت قليلاً. من ناحية Claude.ai، تنوع سيناريوهات الاستخدام زاد، واحتلت المهام العشرة الأولى نسبة أقل من الإجمالي مقارنة بنوفمبر 2025. بسبب هذا التنويع، انخفض متوسط الأجر المرتبط بالمحادثات على Claude.ai مقارنة بالتقرير السابق.
بعد ذلك، نركز على عامل مهم يؤثر على سوق العمل والتأثيرات الاقتصادية الأوسع: منحنى التعلم أثناء اعتماد Claude. نقدم أدلة على أن المستخدمين ذوي الخبرة طوروا عادات واستراتيجيات أكثر فاعلية لاستغلال قدرات Claude. تظهر البيانات أن المستخدمين الأكثر خبرة لا يقتصرون على محاولة مهام ذات قيمة أعلى فحسب، بل ينجحون أيضًا في الحصول على ردود أكثر نجاحًا خلال المحادثة.
التغييرات منذ التقرير السابق
في الفصل الأول، نعيد استعراض نتائج تقرير مؤشر الاقتصاد السابق الصادر في يناير 2026. نستخلص ما يلي:
- تنويع سيناريوهات استخدام Claude.ai. استمر التركيز على كتابة الشيفرة في حركة المرور على Claude.ai، مع انتقال بعض المهام إلى تدفقات عمل أكثر أتمتة عبر واجهات برمجة التطبيقات (API). في هذا التقرير، تراجع تركيز الاستخدام على Claude.ai: المهام العشرة الأولى في فبراير تمثل 19% من الحركة، مقارنة بـ 24% في نوفمبر. هذا الانخفاض جزئيًا ناتج عن انتقال مهام كتابة الشيفرة إلى API، حيث يتم تقسيم العمل إلى العديد من استدعاءات API مستقلة. رغم زيادة نسبة كتابة الشيفرة عبر API، فإن توزيع المهام بشكل عام ظل مستقرًا.
- توسيع نطاق اعتماد Claude ليشمل مهام ذات رواتب أدنى. مع تنويع السيناريوهات، انخفض متوسط قيمة العمل الاقتصادي المرتبط بـ Claude، والذي يُقاس بأجور العمال في الولايات المتحدة. يرجع ذلك جزئيًا إلى زيادة الاستعلامات الشخصية مثل البحث عن الرياضة، المقارنات التجارية، الإصلاح المنزلي، وغيرها. يتوافق هذا مع نموذج “منحنى الاعتماد” التقليدي — حيث يركز المستخدمون الأوائل على المهام عالية القيمة مثل البرمجة، بينما يتبنى المستخدمون اللاحئون مجموعة أوسع من المهام.
- استمرار التفاوت العالمي في الاستخدام. لا تزال الحركة مركزة بشكل كبير: 20 دولة تتصدر بنسبة 48% من متوسط الاستخدام لكل شخص، مرتفعة عن 45% في التقرير السابق، مما يشير إلى استمرار فجوة الاعتماد العالمي. ومع ذلك، يتراجع متوسط الاستخدام لكل شخص في الولايات المتحدة، حيث انخفضت حصة الولايات العشر الأولى من 40% إلى 38%.
منحنى التعلم
اكتشاف رئيسي في مؤشر الاقتصاد هو: أن اعتماد Claude كان غير متوازن بشكل كبير في البداية — حيث كان الاستخدام أكثر كثافة في الدول ذات الدخل المرتفع، ومركزًا في المناطق ذات العمالة المعرفية في الولايات المتحدة، مع قلة من المهام والمهن المحددة.
سؤال مهم هو: كيف يمكن أن يحدد عدم المساواة في الاعتماد تدفق فوائد الذكاء الاصطناعي، ومن يستفيد منها؟ على سبيل المثال، إذا كان الاستخدام الفعال للذكاء الاصطناعي يتطلب مهارات تكميلية ومعرفة تخصصية (كما اقترحنا في التقرير السابق)، وأن هذه المهارات يمكن اكتسابها من خلال التجربة والتعلم، فإن فوائد الاعتماد المبكر قد تتولد في حلقة تعزز ذاتها.
في الفصل الثاني، نبحث في كيفية تشكيل المستخدمين لقيمة استغلالهم لنموذج Claude: كيف يطابقون قدراته مع المهام الحالية، وكيف تتغير أنماط الاستخدام ونجاعتها مع تراكم الخبرة على المنصة.
- اختيار النموذج وتطابقه مع المهام. وجدنا أن المستخدمين يفضلون اختيار سلسلة النماذج الأكثر ذكاءً — مثل Opus — للمهام التي تتطلب عادة رواتب أعلى في سوق العمل. على سبيل المثال، بين مستخدمي Claude.ai المدفوعين، يستخدم Opus بنسبة أعلى بمقدار 4 نقاط مئوية في مهام البرمجة، وأقل بنسبة 7 نقاط في المهام التعليمية. يظهر هذا النمط بشكل أكثر وضوحًا في API.
- المستخدمون ذوو الخبرة الطويلة يوجهون استخدامهم للمهام. المستخدمون الذين يستخدمون Claude.ai لأكثر من 6 أشهر، هم أكثر احتمالًا لاستخدامه في العمل بنسبة 7 نقاط مئوية، ويميلون إلى المهام التي تتطلب مستوى تعليمي أعلى.
- التعلم من خلال الممارسة. المستخدمون ذوو الخبرة الطويلة يحققون نجاحًا أكبر في المحادثات مع Claude، حتى بعد التحكم في نوع المهمة والموقع الجغرافي، حيث تكون احتمالية نجاحهم أعلى بنسبة 3-4 نقاط مئوية.
الفصل الأول: التغييرات منذ التقرير السابق
تنويع سيناريوهات استخدام Claude.ai
نستخدم تصنيفًا يعتمد على ربط كل محادثة بمهمة من قاعدة بيانات O*NET الأمريكية، مع تطبيق منهجية حماية الخصوصية، لوصف أنواع المهام التي ينفذها Claude. استخلصنا من عينة مكونة من مليون محادثة من كلا المنصتين: Claude.ai (واجهة المستخدم الاستهلاكية) وAPI (منصة المطورين).
لا تزال كتابة الشيفرة أكثر سيناريوهات الاستخدام شيوعًا، حيث تمثل المهام المرتبطة بالحوسبة والرياضيات 35% من محادثات Claude.ai.
بين نوفمبر 2025 وفبراير 2026، تراجع تركيز المهام على Claude.ai: المهام العشرة الأولى في فبراير تمثل 19% من المحادثات، مقارنة بـ 24% في نوفمبر. يرجع هذا جزئيًا إلى انتقال مهام كتابة الشيفرة إلى API، حيث يتم تقسيم العمل إلى استدعاءات API مستقلة، مع زيادة نسبة كتابة الشيفرة عبر API، إلا أن توزيع أنواع المهام ظل مستقرًا بشكل عام.
هذا الانتقال لا يفسر فقط انخفاض التركيز، بل تغير أيضًا في تكوين سيناريوهات الاستخدام: نسبة المحادثات المتعلقة بالدراسة انخفضت من 19% إلى 12%، بينما زادت الاستخدامات الشخصية من 35% إلى 42%. يمكن أن يُعزى انخفاض نسبة الدراسة إلى عطلات الشتاء في بعض المناطق، وزيادة المستخدمين الجدد خلال فبراير، مع تزايد الاستخدامات الترفيهية.
تأسس تنويع المهام في بيئة العمل على أنماط سابقة. أشار تقريرنا المبكر إلى أن 49% من المهن تعتمد على Claude في ربع المهام على الأقل، ولم يتغير هذا كثيرًا منذ ذلك الحين. وتباطأت وتيرة ظهور مهام جديدة من نوع O*NET.
منذ تقريرنا الأول، صنفنا المحادثات إلى خمسة أنواع من التفاعل — أوامر، حلقات ردود، تكرار المهام، التحقق، والتعلم — ودمجناها في فئتين: الأتمتة والتعزيز. زاد الاستخدام التعاوني على Claude.ai بشكل طفيف، مدفوعًا بزيادة في أنماط التحقق والتعلم، بينما انخفض الاستخدام الأوتوماتيكي بشكل كبير في API.
ارتفعت نسبة المهام الحسابية والرياضية في منصة API، حيث زادت بنسبة 14% منذ أغسطس 2025، مع انخفاضها بنسبة 18% على Claude.ai. تظهر تحليلات سوق العمل أن هذا قد يشير إلى تأثيرات مهنية مباشرة أكبر. نسبة المهام الإدارية في Claude.ai ارتفعت من 3% إلى 5%، وتشمل مهام تحليلية مثل إعداد مذكرات استثمارية والتواصل مع العملاء.
نقيس قيمة المهام باستخدام متوسط الأجر لكل ساعة للعمال الأمريكيين في المهن ذات الصلة. انخفض متوسط قيمة المهام على Claude.ai قليلاً، من 49.30 دولار إلى 47.90 دولار، بسبب زيادة الاستعلامات البسيطة مثل البحث عن الطقس والرياضة، وانتقال مهام كتابة الشيفرة إلى API. تشير تحليلاتنا المبكرة إلى أن المهام التي يتطلبها Claude عادةً تتطلب مستوى تعليمي أعلى من المتوسط، وتُدفع عليها رواتب أعلى.
بين التقريرين، تظهر بعض المؤشرات الأساسية أن متوسط تعقيد المهام على Claude.ai انخفض. انخفض مستوى التعليم المطلوب للمدخلات البشرية من 12.2 سنة إلى 11.9 سنة، وازداد الاعتماد على الاستقلالية، وانقصت التقديرات الزمنية لإنجاز المهام بدون مساعدة AI حوالي دقيقتين. في الوقت نفسه، زادت صعوبة إكمال المهام بدون AI بشكل طفيف.
الشكل 1: تغير التركيز في المهام العشرة الأولى على Claude.ai وAPI، مع توضيح تنويع سيناريوهات الاستخدام على Claude.ai وزيادة التركيز على API
الشكل 2: توزيع قيمة المهام على أساس الأجر المتوسط للعمال في الولايات المتحدة، مع انخفاض متوسط الأجر من 49.30 دولار إلى 47.90 دولار على Claude.ai
الشكل 3: مقارنة توزيع أنواع المهام بين Claude.ai وAPI، مع ملاحظة انتقال مهام كتابة الشيفرة من Claude.ai إلى API
أنماط الأتمتة الجديدة
مع انتقال المزيد من المهام إلى API، زاد مستوى التعرض للأتمتة. تعتمد تدفقات العمل عبر API بشكل رئيسي على أوامر، مع تدخل بشري محدود. أشرنا سابقًا إلى أن تطبيقات خدمة العملاء — مثل عمليات الدفع التلقائي ودعم الفواتير — تظهر أن ممثلي الخدمة يتعرضون لمستوى عالٍ من الأتمتة، مما قد يسرع التغيرات المهنية.
ارتفعت وتيرة استخدام اثنين من تدفقات العمل عبر API خلال الفترة المدروسة، تقريبًا بمقدار الضعف:
- المبيعات والتواصل التجاري: دعم المبيعات التلقائي، البحث عن العملاء المحتملين، إثراء معلومات العملاء، وكتابة رسائل البريد البارد
- التداول الآلي والتشغيل السوقي: مراقبة السوق والمراكز، تقديم نصائح استثمارية، وإبلاغ المتداولين بحالة السوق
إعادة النظر في التمركز الجغرافي
ذكرنا سابقًا أن مؤشر أنثروبيك للاستخدام (المعدل حسب السكان) في الولايات المتحدة يتقارب بسرعة بين الولايات، مع تسارع اعتماد الولايات ذات المعدلات الأدنى.
البيانات الحالية تؤكد استمرار هذا التوجه، لكن بمعدل أبطأ. من أغسطس 2025 إلى فبراير 2026، انخفضت حصة الولايات الخمس الأولى من الاستخدام لكل شخص من 30% إلى 24%. منذ أغسطس 2025، انخفض معامل جيني (Gini coefficient)، لكن وتيرة التمركز تباطأت. تتوقع نماذجنا أن يتطلب الوصول إلى تساوي الاستخدام بين جميع الولايات حوالي 5 إلى 9 سنوات، مقارنة بتقديرات سابقة بين 2 و5 سنوات.
على الصعيد الدولي، العكس هو الصحيح: زاد التمركز، وارتفع معامل جيني. الآن، تمثل الدول العشرين الأعلى في الاستخدام لكل شخص نسبة أكبر من الإجمالي، حيث ارتفعت من 45% إلى 48%.
الشكل 4: تراجع التمركز في الاستخدام لكل شخص على Claude عبر الولايات الأمريكية، مع انخفاض حصة الولايات الخمس الأولى من 30% إلى 24%، وتباطؤ سرعة التمركز
الشكل 5: اتجاه معامل جيني الدولي لاستخدام Claude، مع زيادة التفاوت العالمي مقارنة بالتقرير السابق
الفصل الثاني: تعلم استخدام الذكاء الاصطناعي
يتناول هذا الفصل خصائص استخدام المستخدمين للذكاء الاصطناعي، مع التركيز على اختيار النموذج وأنماط الاستخدام للمستخدمين الأكثر خبرة.
أولاً، اختيار النموذج، الذي يكشف عن فهم الطلب على الذكاء. لا توجد دراسات كثيرة عن سلوك المستخدمين في بيئة متعددة النماذج، حيث يمكنهم التوازن بين السرعة والأداء والتكلفة. يظهر اختيارهم الموجه نحو النموذج الأكثر ذكاءً — مثل Opus — في المهام ذات القيمة الأعلى، حيث يُخصص غالبًا للمهام المعقدة والأكثر أهمية.
ثانيًا، تحليل الاعتماد على الخبرة، الذي يدرس كيف يتغير سلوك المستخدمين مع مرور الوقت منذ انضمامهم إلى Claude.ai، بهدف فهم منحنى التعلم. هل يصبح المستخدمون أكثر مهارة مع الوقت؟ كيف تتغير أنماط الاستخدام؟ تظهر الأدلة أن المستخدمين الأكثر خبرة يحققون نتائج أفضل، ويستخدمون Claude بشكل أعمق، ويجربون مهامًا أكثر تحديًا، ويستخدمونه في سياقات متنوعة.
اختيار النموذج
سلسلة نماذج Claude — Haiku، Sonnet، وOpus — تتفاوت في التكلفة، السرعة، والأداء. يتميز Opus بأعلى حدود سياقية، ويؤدي بشكل ممتاز في المهام المعقدة، لكنه أيضًا أعلى تكلفة لكل وحدة. المستخدمون الحذرون من التكاليف، الذين يقتربون من الحد الأقصى للاستخدام، يفضلون استخدام Opus للمهام الصعبة والعالية القيمة، ويختارون نماذج أبسط للمهام الأقل تعقيدًا. هذا النمط يتوافق مع ملاحظاتنا من البيانات.
بين المستخدمين المدفوعين على Claude.ai، 55% من المهام الحسابية والرياضية (مثل البرمجة) تستخدم Opus، مقابل 45% للمهام التعليمية.
المستخدمون التقنيون قد يختارون بشكل استباقي النموذج الأكثر كفاءة، مثل Sonnet، لتوفير التكاليف، خاصة للمهام الروتينية. قد يعكس ذلك أن المهام التعليمية أقل تعقيدًا، وأن الطلاب أكثر حساسية للتكلفة.
تحليلات أدق تظهر علاقة إيجابية بين رواتب المهن المرتفعة واستخدام Opus. على سبيل المثال، في Claude.ai، يستخدم مطورو البرمجيات Opus بنسبة 34%، بينما يستخدم المعلمون فقط بنسبة 12%. بعد ضبط العوامل الأخرى، كل زيادة قدرها 10 دولارات في الأجر الساعي ترتبط بزيادة 1.5 نقطة مئوية في نسبة استخدام Opus في محادثات Claude.ai. في API، يكون التأثير مضاعفًا تقريبًا، حيث تزداد النسبة بمقدار 2.8 نقطة مئوية لكل زيادة قدرها 10 دولارات في الأجر. المستخدمون الذين يطبقون سير عمل برمجي قد يكونون أكثر ميلًا لتغيير النموذج.
الشكل 6: نسب اختيار نموذج Opus حسب نوع المهمة، مع ميل المستخدمين لاختيار Opus للمهام التقنية ذات الرواتب الأعلى (مثل تطوير البرمجيات)، وانخفاضها في المهام التعليمية
الشكل 7: علاقة بين مستوى الأجر واستخدام نموذج Opus، مع زيادة 10 دولارات في الأجر الساعي، ترتفع نسبة استخدام Opus بمقدار حوالي 1.5 نقطة مئوية، وفي API يكون التأثير مضاعفًا
منحنى التعلم
أُطلق النموذج الأول من Claude في مارس 2023. منذ ذلك الحين، نما الاستخدام بشكل متنوع، من المستخدمين الأوائل الذين بدأوا منذ الإطلاق، إلى المستخدمين الذين انضموا مؤخرًا. فهم كيف يؤثر عمر المستخدم على تجربته هو موضوع مهم.
المستخدمون ذوو الخبرة الطويلة (الذين انضموا قبل أكثر من 6 أشهر خلال العينة) يظهرون نمطًا أكثر تكرارًا في استخدام Claude، مع تقليل الاعتماد على التفويض. هم أكثر احتمالًا لاستخدامه في العمل بنسبة 7 نقاط مئوية، ويميلون إلى المهام التي تتطلب مستوى تعليمي أعلى، وتوزيع المهام لديهم أكثر تنوعًا. المهام العشرة الأولى في O*NET تمثل 20.7% من محادثاتهم، مقارنة بـ 22.2% للمستخدمين الأقل خبرة.
توزيع المهام للمستخدمين ذوي الخبرة الطويلة يعكس أن كل سنة من الخبرة تتطلب تقريبًا سنة إضافية من التعليم. كما أنهم أقل اعتمادًا على الاستخدام الشخصي: 38% من محادثاتهم خلال سنة واحدة من الاستخدام، مقابل 44% للمستخدمين الجدد.
هذه الأنماط قد تفسر بعدة طرق: المستخدمون الأكثر خبرة قد يكونون مجموعة مختارة ذات خصائص معينة — مثل كونهم من المبرمجين الأوائل — أو قد يكونون من الناجين، أي أن من استمروا في الاستخدام هم من وجدوا أن Claude مفيد لهم.
تحليلات سابقة أظهرت أن الدول ذات الدخل المنخفض ومستوى التعليم الأدنى كانت أكثر اعتمادًا على المهام المعقدة، وهو ما قد يعكس نمط الاعتماد المبكر: أن أول من يستخدم Claude في أي دولة أو مجموعة هم غالبًا من المستخدمين ذوي المهارات العالية، ومع زيادة الانتشار، انضم المزيد من المستخدمين الذين يستخدمونه في سياقات ترفيهية.
تحليل التجميع يُظهر أن أعلى المستخدمين خبرة يركزون على مهام ذات رواتب عالية، مثل أبحاث الذكاء الاصطناعي، وإدارة الشيفرة، وتحرير المسودات، والتمويل الريادي. أما الأقل خبرة، فمهام مثل كتابة الهايكو، البحث عن نتائج رياضية، واقتراحات الطعام للحفلات.
الشكل 8: علاقة خبرة المستخدم وتوزيع المهام، مع تفضيل المستخدمين الأكثر خبرة (أكثر من 6 أشهر) للمهام ذات الرواتب الأعلى والمتطلبات التعليمية، بينما يركز المستخدمون الجدد على الاستعلامات الترفيهية والشخصية
تأثير الخبرة
لتحليل هذه العلاقات بشكل أكثر دقة، استخدمنا بيانات سجل المحادثات مع سمات محددة، مع الاعتماد على نتائج نجاح المحادثة كمؤشر، ومدة خبرة المستخدم كمتغير تنبؤي. أظهر تحليل بسيط أن المستخدمين ذوي الخبرة الطويلة لديهم احتمالية نجاح أعلى بنسبة حوالي 5 نقاط مئوية.
النجاح قد يعكس مهارات تكرار المحادثة، وهي قابلة للتعلم. لكن، إذا كان المستخدمون الأكثر خبرة يركزون على مهام مختلفة، فإن توزيع المهام هو التفسير الحقيقي.
باستخدام تأثيرات ثابتة للمجموعات، مثل نوع المهمة، والوظيفة، والموقع الجغرافي، قارنّا بين المستخدمين ذوي الخبرة العالية والمنخفضة في أداء نفس المهام. أظهرت النتائج أن الخبرة العالية تزيد من احتمالية النجاح بنسبة 3 نقاط مئوية، حتى بعد السيطرة على العوامل الأخرى.
أخيرًا، أضفنا متغيرات إضافية مثل نوع النموذج، وسياق الاستخدام، والموقع، فوجدنا أن تأثير الخبرة يظل مرتفعًا، مع زيادة قدرها حوالي 4 نقاط مئوية في النجاح.
هذا يدل على أن نجاح المستخدمين ذوي الخبرة لا يُفسر فقط باللغة أو نوع المهمة، بل ربما يرجع إلى قدراتهم على التعلم والتكيف مع المنصة.
الشكل 9: نتائج تحليل الانحدار لنجاح المحادثة، مع بقاء الفارق الإيجابي للمستخدمين ذوي الخبرة الطويلة بعد السيطرة على نوع المهمة، النموذج، اللغة، والموقع
المناقشة
يعيد هذا التقرير تقييم مؤشرات استخدام Claude، ويقدم لأول مرة تحليلًا لاختيار النموذج ونجاح المحادثة. منذ أغسطس 2025، زاد الاعتماد على API بشكل مركزي، مع ارتفاع حصة المهام في تصنيفات O*NET العشرة الأولى من 28% إلى 33%. تنوع سيناريوهات الاستخدام على Claude.ai، مع استمرار التمركز الجغرافي في التراجع، لكن بمعدل أبطأ. الدول ذات الاعتماد الأدنى تواجه تحديات طفيفة.
نموذجنا الاقتصادي الأساسي يمكن من تتبع التغيرات الزمنية في أنماط استخدام Claude. انخفضت نسبة الاستخدام المرتبط بالدراسة، وزادت الاستخدامات الشخصية. متوسط تعقيد الإدخالات على Claude.ai انخفض قليلاً، مع مؤشرات على أن المحادثات أصبحت أقل تعقيدًا، وأقل اعتمادًا على الاستقلالية.
بشكل عام، تتعامل Claude مع مهام معقدة وعالية القيمة، والتي لا تمثل بشكل كامل النشاط الاقتصادي الكلي. مع توسع قاعدة المستخدمين، زادت نسبة المهام ذات الرواتب الأدنى بشكل طفيف. يُقاس قيمة المهام باستخدام متوسط الأجر، والذي انخفض على Claude.ai منذ التقرير السابق، وارتفع في API. كلا المنصتين تركزان على المهام المعقدة على نماذج Opus الأقوى، مع تحول أكثر وضوحًا في API.
المستخدمون الأكثر خبرة يستخدمون Claude بشكل أكثر تعاونًا، ويستخدمونه في العمل، ويجربون مهامًا أكثر تحديًا، ويحققون نتائج أفضل. هذا يتناقض مع التوقعات بأن الاستخدام المتقدم يركز على الأتمتة، بل يظهر تفضيلًا للتكرار والتعلم. هذه النتائج تتوافق مع فرضية “التعلم من خلال الممارسة”: أن مزيدًا من التفاعل مع AI يعزز القدرات.
تفسير آخر هو أن تأثيرات المجموعة أو ظاهرة الناجين قد تفسر هذه النتائج. المستخدمون الأوائل، غالبًا من المبرمجين، يمتلكون مهارات عالية، ويستمرون في استخدام Claude لأنهم يجدونه مفيدًا. التحليل الإحصائي يوضح أن العوامل المربكة البسيطة لا تفسر الفروق، وأنه مع مرور الوقت، يمكن تمييز تأثيرات التعلم الحقيقي.
قد يؤدي تفاوت النجاح إلى تفاقم عدم المساواة في سوق العمل. من المعروف أن التغييرات التكنولوجية التي تفضل المهارات العالية تؤدي إلى زيادة رواتب العاملين ذوي المهارات العالية، وتضغط على الآخرين. تحليلنا يُظهر أن الاعتماد المبكر من قبل المهنيين ذوي المهارات العالية، مع تفاعلهم الأكثر نجاحًا مع Claude، قد يكون أحد الآليات. رغم أن كلا المجموعتين تتأثران بالتكنولوجيا، فإن المستفيدين الأوائل هم الأكثر استفادة.
الشكل 10: الرسم النهائي للتقرير، يربط بين عدم المساواة في استخدام Claude، ومنحنى التعلم، وتأثيرات سوق العمل
الملاحظات
- المهام البرمجية التلقائية في Claude Code تُجمع ضمن حركة مرور Claude.ai لأنها تعتمد على اشتراك Claude.ai.
- نُعرّف المهام الشخصية على أنها تلك المرتبطة بـ: 1) إعداد الطعام والخدمات ذات الصلة (35-0000)؛ 2) العناية الشخصية والخدمات (39-0000)؛ 3) الفن والتصميم والترفيه والرياضة والإعلام (27-0000)، فقط للترفيه/الرياضة؛ 4) الزراعة والصيد والغابات (45-0000)؛ 5) البناء والتنظيف (37-0000)؛ 6) الخدمات الاجتماعية والمجتمعية (21-0000)، خاصة المهام الصحية والعائلية. لا نُدرج المهام التعليمية ضمن الاستخدام الشخصي.
- في هذا التحليل، استبعدنا مستخدمي خطة Claude.ai المجانية.
- لحساب متوسط الأجر للوظائف المرتبطة، نستخدم أوزانًا تعتمد على عدد العاملين والوقت الذي يقضونه في المهمة، لحساب متوسط الأجر المرجح.
- لتحديد الأنماط الجديدة، اخترنا المهام التي تظهر أكثر من 300 مرة في البيانات الحالية، وتضاعفت على الأقل مرتين مقارنة بالتقرير السابق.
- النطاقات المقدمة تعكس التقديرات باستخدام نماذج ذات أوزان (5 سنوات) أو بدون أوزان (9 سنوات).
- نستخدم بيانات سجل المحادثات ذات الخصوصية المطبقة، مع نفس منهجية التقدير. التفاصيل في الملحق.
- بغض النظر عن تعريف الخبرة، النتائج متشابهة.
- تزامنًا مع إعلانات Super Bowl، شهدنا دخول العديد من المستخدمين الجدد.
