אנתרופיק (Anthropic), חברת מחקר ופיתוח מובילה בתחום ה-AI, פרסמה לאחרונה את הדו"ח האחרון שלה מ"אינדקס הכלכלה של אנתרופיק" (Anthropic Economic Index). הדו"ח מבוסס על ניתוח נתונים שומר פרטיות ממערכת הנתונים Clio של החברה, ונועד לעקוב אחר אופן השימוש במודל השפה הגדול Claude ברחבי הכלכלה. מטרת המחקר היא להבין את ההשפעות הכלכליות של AI בשלב מוקדם ככל האפשר, כדי לאפשר לחוקרים ולקובעי מדיניות להיערך בהתאם.
הדו"ח הנוכחי בוחן את השימוש ב-Claude בחודש פברואר 2026, ומתבסס על מסגרת ה"פרמיטיבים הכלכליים" שהוצגה בדו"ח הקודם (שכלל נתוני נובמבר 2025). הדגימה כוללת נתונים בין ה-5 ל-12 בפברואר – שלושה חודשים לאחר השקת Claude Opus 4.5 ובמקביל לשחרור Claude Opus 4.6.
בתחילה, הדו"ח מפרט כיצד השתנה השימוש בהשוואה לדו"חות קודמים: שיעור ה"הגברה" (augmentation) – אינטראקציה שיתופית שבה ה-AI משלים את יכולות המשתמש – עלה מעט הן בפלטפורמת Claude.ai והן בתעבורת ה-API. ב-Claude.ai, השימוש הפך למגוון יותר, כאשר 10 המשימות המובילות תפסו נתח קטן יותר מהשימוש בפברואר בהשוואה לנובמבר 2025. כתוצאה מהפיזור הזה, השיחה הממוצעת ב-Claude.ai כללה משימות בשכר ממוצע נמוך יותר באופן קל מהדו"חות הקודמים.
בהמשך, המחקר מתמקד בגורם חשוב המשפיע על השפעת Claude על שוק העבודה והכלכלה הרחבה: עקומות הלמידה באימוץ Claude. אנו מציגים עדויות לכך שמשתמשים ותיקים פיתחו הרגלים ואסטרטגיות המאפשרים להם לרתום טוב יותר את יכולותיו של Claude. למעשה, אנו מתעדים כי משתמשים מנוסים יותר לא רק מנסים לבצע משימות בעלות ערך גבוה יותר, אלא גם נוטים יותר להפיק תגובות מוצלחות בשיחותיהם.
ממצאים עיקריים: מגמות השימוש והלמידה מ-Claude
בפרק הראשון, אנו בוחנים מחדש ממצאים מדו"ח "האינדקס הכלכלי" הקודם שלנו, שפורסם בינואר 2026. הממצאים המרכזיים הם:
- מגוון מקרי השימוש ב-Claude.ai גדל. משימות קידוד ממשיכות לעבור משימוש הגברתי ב-Claude.ai לתהליכי עבודה אוטומטיים יותר בתעבורת ה-API של אנתרופיק. בדו"ח הנוכחי, Claude.ai השימוש היה פחות מרוכז: 10 המשימות המובילות היוו 19% מכלל התעבורה בפברואר, ירידה מ-24% בנובמבר. עם זאת, כמעט כל המשימות בדגימה זו הופיעו לפחות באחת מהדגימות הקודמות שלנו. כ-49% מהמשרות צפו לפחות רבע ממשימותיהן מבוצעות באמצעות Claude.
- אימוץ Claude התרחב למשימות בשכר נמוך יותר. עם התרחבות מגוון מקרי השימוש, הערך הכלכלי הממוצע של העבודה שבוצעה באמצעות Claude – כפי שנמדד בשכר האמריקאי המשולם לעובדים במקצועות הקשורים – ירד במעט. הדבר נובע, באופן טבעי, מעלייה בשאילתות אישיות סביב ספורט, השוואות מוצרים ותחזוקת הבית. דפוס זה עולה בקנה אחד עם סיפור "עקומת אימוץ" סטנדרטי, שבו המאמצים המוקדמים מעדיפים שימושים ספציפיים בעלי ערך גבוה כמו קידוד, ואילו המאמצים המאוחרים יותר לוקחים על עצמם מגוון רחב יותר של משימות.
- אי-שוויון בשימוש הגלובלי נמשך. השימוש נשאר מרוכז מאוד: 20 המדינות המובילות מהוות 48% מכלל השימוש לנפש, עלייה מ-45%, מה שמדגיש פער מתמשך באימוץ העולמי. עם זאת, השימוש ב-Claude לנפש המשיך להתכנס בתוך ארצות הברית: נתח השימוש שנזקף ל-10 המדינות עם השימוש הגבוה ביותר ירד מ-40% ל-38% מאז הדו"ח הקודם.
עקומות למידה
ממצא מרכזי באינדקס הכלכלי הוא שאימוץ מוקדם של Claude אינו אחיד כלל: Claude נמצא בשימוש אינטנסיבי יותר במדינות בעלות הכנסה גבוהה, בתוך ארה"ב במקומות עם יותר עובדי ידע, ולמגוון קטן יחסית של משימות ומקצועות מיוחדים.
שאלה חשובה היא כיצד אי-שוויון באימוץ עשוי לקבוע היכן ולמי יצטברו היתרונות של ה-AI. אם, למשל, שימוש יעיל ב-AI דורש מיומנויות ומומחיות משלימות – כפי שטענו בדו"ח הקודם שלנו – ואם מיומנויות אלו ניתנות לרכישה באמצעות שימוש וניסוי, אזי היתרונות מאימוץ מוקדם עשויים לחזק את עצמם.
בפרק השני, אנו בוחנים כיצד משתמשים מעצבים לכאורה את הערך שהם מפיקים מ-Claude: כיצד הם מתאימים את יכולות המודל למשימה הנתונה, וכיצד דפוסי השימוש והתוצאות משתנים עם הניסיון בפלטפורמה.
- בחירת מודל מתאימה למשימה. אנו מראים שמשתמשים בוחרים את משפחת המודלים החכמה ביותר שלנו, Opus, עבור משימות שבדרך כלל מקבלות שכר גבוה יותר בשוק העבודה. לדוגמה, בקרב משתמשי Claude.ai המשלמים, Opus משמש ב-4 נקודות אחוז יותר מהממוצע למשימות קידוד וב-7 נקודות אחוז פחות מהממוצע למשימות הקשורות לחונכות. מעבר זה בין מודלים בולט פי שניים בקרב משתמשי API.
- ותק גבוה יותר, הצלחה גבוהה יותר. באופן כללי, המשתמשים המנוסים ביותר של Claude משתמשים בו לעיתים קרובות יותר למשימות הדורשות השכלה גבוהה ופחות למקרי שימוש אישיים. לדוגמה, אנשים המשתמשים ב-Claude למעלה מ-6 חודשים מנהלים 10% פחות שיחות אישיות ורמת השכלה גבוהה ב-6% באה לידי ביטוי בקלט שלהם. באופן המרשים ביותר, לאנשים בקבוצת הוותק הגבוהה הזו יש שיעור הצלחה גבוה ב-10% בשיחותיהם, קשר שאינו מוסבר על ידי בחירת המשימות שלהם, ארץ המוצא או גורמים אחרים. בעוד שזה יכול לשקף את מורכבותם של המאמצים המוקדמים, זו יכולה להיות גם עדות ללמידה דרך עשייה (learning-by-doing), שבה אנשים משתפרים בשימוש ב-Claude באמצעות ניסיון.
ניתוח מעמיק: מגמות ושינויים בשימוש ב-Claude
גיוון מקרי השימוש ב-Claude.ai
ראשית, אנו בוחנים את סוגי המשימות ש-Claude מתבקש לבצע. אנו משתמשים במערכת שמירת הפרטיות שלנו, המאפשרת לנו לתאר התנהגות ברמה מצטברת מבלי לחשוף את תוכן התמלולים האישיים. דגמנו מיליון שיחות הן מ-Claude.ai, מוצר האינטרנט הפונה לצרכן שלנו, והן מה-API הצד-ראשון שלנו, הממשק הפונה למפתחים לשילוב Claude במוצרים ובתהליכי עבודה.
קידוד נותר השימוש הנפוץ ביותר בפלטפורמות שלנו, כאשר משימות הקשורות למקצועות מחשבים ומתמטיקה מהוות 35% מהשיחות ב-Claude.ai. עם זאת, בין נובמבר 2025 לפברואר 2026, מקרי השימוש ב-Claude.ai הפכו פחות מרוכזים: 10 משימות ה-O*NET הנפוצות ביותר ירדו מ-24% מהשיחות ל-19% בלבד.
ירידה זו בריכוז משקפת בחלקה מעבר של משימות קידוד מ-Claude.ai ל-API הצד-ראשון שלנו, שם Claude Code גדל והפך לנתח משמעותי מהתעבורה שנדגמה. הארכיטקטורה הסוכנית של Claude Code מפצלת עבודות קידוד לקריאות API קטנות יותר, המסווגות כמשימות נפרדות. לכן, בעוד שהנתח הכולל של הקידוד בתעבורת ה-API גדל, הוא מתפרס על פני קטגוריות משימות רבות במקום להתרכז במספר מועט. כתוצאה מכך, ריכוז המשימות ב-API נשאר יציב בקירוב למרות הגידול בפעילות הקידוד.
מעבר זה של קוד מ-Claude.ai אינו הגורם היחיד לירידה בריכוז. חלק מהירידה נובע משינויים בתמהיל מקרי השימוש בין שתי התקופות. משימות הקשורות ללימודים אקדמיים ירדו מ-19% ל-12% מהשיחות, בעוד שהשימוש האישי עלה מ-35% ל-42%. חלק מהירידה במשימות לימודים ניתן להסביר בלוחות השנה האקדמיים במדינות שבהן סטודנטים היו בחופשת חורף בתקופת הדגימה. במקביל, עלייה במספר ההרשמות החל מפברואר הביאה עמה יותר משתמשי AI מזדמנים.
אמנם התפשטות משימות העבודה של Claude הפכה מגוונת יותר, אך כמעט כולן כבר נראו בעבר בנתונים שלנו. בדו"ח הקודם ציינו כי 49% מהמשרות צפו שלפחות רבע ממשימותיהן בוצעו באמצעות Claude. בנתונים הנוכחיים, אומדן מצטבר זה בקושי השתנה. הנתונים מדו"ח זה הראו הרבה פחות משימות O*NET חדשניות מאשר בדו"ח הקודם שלנו.
מאז הדו"ח הראשון שלנו, סיווגנו שיחות לאחד מחמישה סוגי אינטראקציה – הנחיה (directive), לולאת משוב (feedback loop), איטרציית משימה (task iteration), ולידציה (validation) ולמידה – אותם אנו מקבצים לשתי קטגוריות רחבות יותר: אוטומציה והגברה (augmentation). הנתונים מראים כי שיעור ההגברה ב-Claude.ai עלה במעט. זה נבע מעליות קטנות בדפוסי ולידציה ולמידה. בנתוני ה-API הצד-ראשון, נצפתה ירידה חדה באוטומציה.
פלטפורמת ה-API שלנו המשיכה לצבור נתח גבוה יחסית של משימות מחשבים ומתמטיקה. מאז אוגוסט 2025, נתח המשימות בקטגוריה זו עלה ב-14% ב-API וירד ב-18% ב-Claude.ai. כפי שציינו בדו"ח שלנו על השפעות שוק העבודה, אנו מצפים שמעבר זה מ-Claude.ai ל-API עשוי לאותת על שינוי קרוב יותר באופי העבודה במשרות הקשורות. העלייה במשימות הקשורות למקצועות ניהול ב-Claude.ai, שעלו מ-3% ל-5% מהתעבורה, נובעת מתמהיל של משימות אנליטיות (למשל, הכנת תזכיר השקעה) ומענה לשאלות לקוחות.
דרך נוספת למדוד את השינוי בתמהיל המשימות המבוצעות ב-Claude היא לבחון את השינוי בערך הממוצע של המשימות, שאותו אנו מגדירים כשכר השעתי הממוצע של עובדים אמריקאים המבצעים משימה זו. אומדן זה של ערך המשימות ב-Claude.ai ירד מעט מ-49.3 דולר ל-47.9 דולר, בעיקר עקב עלייה בשאלות עובדתיות פשוטות (כגון תוצאות ספורט, מזג אוויר) וירידה בקידוד כשהוא עובר ל-API. כפי שהוזכר בדו"ח הקודם שלנו, המשימות שאנו רואים ב-Claude נוטות לדרוש השכלה גבוהה יותר. הנתונים מראים כי משימות אלו נוטות גם להניב שכר גבוה יותר מהממוצע הארצי בארה"ב.
אמנם מדובר בשינויים קלים, אך מספר פרמיטיבים בין הדו"ח הקודם לנוכחי לוכדים ירידות דומות במורכבות המשימות ב-Claude.ai. ממוצע שנות הלימוד הנדרשות לקלטים אנושיים ירד מ-12.2 ל-11.9 שנים, משתמשים העניקו יותר אוטונומיה ל-AI, והזמן הנדרש לאדם לבצע את המשימה לבדו ירד בכ-2 דקות. שינוי אחד הולך לכאורה בכיוון ההפוך: המשימות שבוצעו על ידי Claude נשפטו כפחות אפשריות במעט לבני אדם ללא גישה ל-AI.
דפוסי אוטומציה מתפתחים
ככל שמשימות עוברות ל-API, הן עשויות להיות חשופות יותר לאוטומציה. תהליכי עבודה ב-API נוטים להיות יותר הנחייתיים (directive), עם פחות צורך במעורבות אנושית. בדו"ח קודם, הדגשנו כי משימות שירות לקוחות, כולל, למשל, תמיכה אוטומטית בנושאי תשלום וחיוב, נפוצות בנתוני ה-API. אלה תרמו לחשיפה גבוהה יותר שנצפתה עבור נציגי שירות לקוחות – Claude תועד מבצע נתח גבוה ממשימותיהם בתהליכי עבודה אוטומטיים, כך שמשרות אלו עשויות להשתנות יותר ככל שה-AI מתפשט.
אנו מדגישים שני תהליכי עבודה ב-API שהופיעו בתדירות גבוהה יותר בפברואר בהשוואה לשלושה חודשים קודם לכן, כאשר חלקם הכפיל את עצמו לפחות בדגימה האחרונה שלנו:
- אוטומציה במכירות עסקיות ופנייה ללקוחות: יצירת חומרים תומכי מכירה, מחקר הסמכת לידים B2B, העשרת נתוני לקוחות, ניסוח אימיילים קרים.
- מסחר אוטומטי ופעולות שוק: ניטור שווקים או פוזיציות, הצעת השקעות ספציפיות, יידוע סוחרים על תנאי שוק ומשימות קשורות.
בחינה מחודשת של ההתכנסות הגיאוגרפית
בדו"ח הקודם שלנו, ציינו כי "מדד השימוש ב-AI של אנתרופיק" (Anthropic AI Usage Index - AUI), המתאים את השימוש לפי אוכלוסיית בגילאי העבודה של אזור גיאוגרפי, התכנס במהירות בין מדינות ארה"ב: מדינות עם שימוש נמוך יותר לנפש בתחילה הראו אימוץ מהיר יותר.
הנתונים האחרונים שלנו מראים כי התכנסות זו נמשכה, אך בקצב איטי יותר. מאוגוסט 2025 ועד פברואר 2026, נתח השימוש לאדם בחמש המדינות המובילות ירד מ-30% ל-24%. מקדם ג'יני ירד מאז אוגוסט 2025, אם כי קצב ההתכנסות הואט. כשעדכנו את האומדנים שלנו מהדו"ח הקודם, מצאנו שקצב זה יביא את המדינות לשימוש שווה בערך לנפש תוך 5–9 שנים, במקום 2–5.
בין מדינות, הדפוס הפוך: השימוש הפך מרוכז יותר באופן קל, כאשר מקדם ג'יני עלה באותה תקופה. המדינות המשתמשות ב-Claude ביותר (לנפש) מהוות כעת נתח גדול יותר מכלל השימוש, כאשר 20 המדינות המובילות עברו מ-45% ל-48% מהשימוש המותאם לאוכלוסייה.
כיצד לומדים להשתמש ב-AI?
בפרק זה, אנו מתמקדים בשתי תכונות שימוש המשקפות כיצד אנשים פורסים ולומדים לעבוד עם AI: בחירת מודל והרגלי המשתמשים הוותיקים.
ראשית, אנו שופכים אור על הדרישה ל"אינטליגנציה" על ידי בחינה מתי אנשים בוחרים ב-Opus, משפחת המודלים בעלת הביצועים הגבוהים ביותר שלנו. מעט ידוע על האופן שבו משתמשי AI בוחרים בין מודלים שונים, תוך ניווט בין פשרות סביב מהירות, ביצועים ועלות. אם המשתמשים מכיילים את הבחירה למשימה הנתונה, היינו אמורים לראות את Opus מרוכז בעבודות קשות יותר ובעלות ערך גבוה יותר.
לאחר מכן, אנו בוחנים כיצד השימוש שונה בהתאם לוותק, ומגלים הבדלים בין משתמשים שנרשמו בזמנים שונים. זה שופך אור על עקומות למידה: האם משתמשים מנוסים משתפרים עם הזמן? כיצד שונה השימוש שלהם? אנו מוצאים עדויות התואמות ל"למידה דרך עשייה". משתמשים בעלי ותק גבוה יותר לא רק משיגים הצלחה רבה יותר בשיחותיהם, הם גם משתפים פעולה יותר עם Claude, מביאים משימות מאתגרות יותר ל-Claude, ונוטים יותר להשתמש ב-Claude למטרות עבודה ולמגוון רחב יותר של משימות.
בחירת מודל
משפחות המודלים השונות של Claude (Haiku, Sonnet ו-Opus) מציעות פשרות מבחינת עלות, מהירות וביצועים. משפחת מודלי Opus משתמשת במספר הרב ביותר של טוקנים ומצטיינת במשימות מורכבות, אך במחיר גבוה יותר לטוקן ב-API שלנו. אם משתמשים מודעים לכך ומתחשבים בעלויות ובמגבלות השימוש, עליהם להביא את המשימות המורכבות והיקרות ביותר שלהם ל-Opus, תוך בחירת מודלים אחרים למשימות פשוטות יותר. זהו באופן כללי מה שאנו רואים בנתונים.
עבור חשבונות Claude.ai בתשלום, בעלי גישה לכל משפחות המודלים, 55% ממשימות המחשוב והמתמטיקה (כמו קידוד תוכנה) משתמשות ב-Opus, בהשוואה ל-45% ממשימות חינוכיות. משתמשים טכניים עשויים להבחין בשיפורי ביצועים ולעבור באופן פעיל מ-Sonnet, המודל המוגדר כברירת מחדל. או שמשתמשים שמודעים ליעילות עשויים ללמוד להשתמש ב-Sonnet למשימות פשוטות יותר כדי להימנע מחריגה ממגבלות שימוש. בהקשר לכך, ההבדלים כאן יכולים לשקף שרוב המשימות החינוכיות כבר קלות למדי עבור Sonnet, או שסטודנטים נוטים יותר להיות מודעים למגבלות שימוש.
כאשר משתמשים מבצעים משימות הקשורות למשרות בעלות שכר גבוה יותר, הם משתמשים ב-Opus לעיתים קרובות יותר. לדוגמה, ב-Claude.ai, 34% ממשימות מפתחי תוכנה (Software Developer) מערבות את Opus בהשוואה ל-12% בלבד ממשימות חונכים (Tutor). בסך הכל, על כל 10 דולר נוספים של שכר שעתי עבור משימה, נתח השיחות המשתמשות ב-Opus עולה ב-1.5 נקודות אחוז עבור משתמשי Claude.ai. תעבורת ה-API הצד-ראשון מראה תגובה גדולה בהרבה למורכבות המשימה. השיפוע שלה גדול פי שניים בערך, כאשר נתח Opus עולה ב-2.8 נקודות אחוז עבור כל 10 דולר בערך המשימה. ייתכן שלמשתמשים הפורסים תהליכי עבודה פרוגרמטיים יש יותר סיבה לעבור בין מודלים בהשוואה למשתמשי אינטרנט.
עקומות למידה והשפעת הניסיון
מודל Claude הראשון הושק במרץ 2023. מאז, בסיס המשתמשים הן ב-Claude.ai והן ב-API גדל במהירות. הדגימה האחרונה שלנו מכילה תמהיל של משתמשים, חלקם נרשמו עם השקת Claude הראשון, וחלקם נרשמו יום לפני שמדדנו את השימוש שלהם. כיצד הוותק של משתמש עם Claude מעצב את החוויה שלו איתו?
נתונים מראים הבדלים בין משתמשים בעלי ותק נמוך למשתמשים בעלי ותק גבוה, כאשר הקבוצה השנייה מוגדרת כמי שנרשם ל-Claude לפני 6 חודשים לפחות, ומשתמשי הוותק הנמוך הם כל השאר. משתמשים בעלי ותק גבוה נוטים יותר להשתמש ב-Claude כדי לבצע איטרציות על עבודתם, ונוטים הרבה פחות להאציל אחריות רבה יותר באמצעות דפוסי שימוש הנחייתיים. הם נוטים ב-7 נקודות אחוז יותר להשתמש ב-Claude לעבודה, ומשתמשים ב-Claude למשימות הנוטות לדרוש רמות השכלה גבוהות יותר. לבסוף, השימוש שלהם פחות מרוכז במשימות מסוימות. 10 משימות ה-O*NET המובילות מהוות נתח שימוש מעט נמוך יותר (20.7% לעומת 22.2%) עבור קבוצת הוותק הגבוהה.
בהמשך, אנו מעמיקים בשניים מהפרמיטיבים שנדונו לעיל: שנות הלימוד האנושיות הקשורות לכל שיחה, ונתח התמלולים המוקדשים לשימוש אישי.
מצד אחד, אנו מראים כי שנות הלימוד הנדרשות להבנת הפרומפט האנושי עולות בכמעט שנה אחת עבור כל שנה נוספת של שימוש ב-Claude. מצד שני, השימוש האישי יורד: אנשים שנרשמו לפני שנה מקדישים 38% מהשיחות שלהם למקרי שימוש אישיים, בהשוואה ל-44% עבור המשתמשים החדשים ביותר.
מספר גורמים יכולים להסביר דפוסים אלו בבסיס המשתמשים של טכנולוגיה כללית המתקדמת במהירות. המשתמשים בעלי הוותק הגבוה הם בעלי סלקציה עצמית, וההבדלים כאן יכולים לשקף מאפיינים יציבים. הם עשויים להיות מתכנתים, למשל, שנטו להיות מאמצים מוקדמים. יתרה מכך, קיימת הטיית הישרדות אינהרנטית: אנשים שנרשמו שנה לפני שליפת הנתונים שלנו עשויים לראות תוצאות חיוביות מהשימוש שלהם. איננו רואים אנשים שנרשמו לפני שנה אך אינם משתמשים עוד ב-Claude.
הממצאים משקפים את מה שראינו בדו"ח ה"פרמיטיבים הכלכליים" שלנו: מדינות בעלות הכנסה נמוכה ורמת השכלה נמוכה הראו באופן פרדוקסלי שימוש מורכב יותר במקרים מסוימים. למאמצים המוקדמים ביותר יש לעיתים קרובות מקרי שימוש טכניים בעלי ערך גבוה. במדינות עניות עם שיעור אימוץ נמוך בהרבה, המאמצים המוקדמים הללו עדיין שולטים בבסיס המשתמשים.
שימוש מזדמן יותר מופיע כאשר AI התפשט לנתח רחב יותר מהאוכלוסייה. למעשה, בין אשכולות הבקשות, משימות עם הוותק הממוצע הגבוה ביותר כללו: מחקר AI, פעולות Git, עריכת כתבי יד וגיוס כספים לסטארט-אפים. המשימות עם הוותק הממוצע הנמוך ביותר כוללות תהליכי עבודה פשוטים יותר כמו כתיבת הייקו, בדיקת תוצאות ספורט והצעת אוכל למסיבה.
השפעות הניסיון
אנו בוחנים קשרים אלו ביתר פירוט באמצעות נתוני לוג-רמה כדי לשלוט באופן מדוקדק בתכונות השיחה. מודל רגרסיה פשוט מראה שמשתמשים בעלי ותק ארוך נוטים יותר ב-5 נקודות אחוז לנהל שיחה מוצלחת. הצלחה מוגדרת על פי הערכתו של Claude האם השיחה הייתה מוצלחת, כמתואר בדו"ח הקודם שלנו.
ייתכן שזה משקף שמשתמשים בעלי ותק גבוה מיומנים יותר בניסוח פרומפטים. אך מה אם זה משקף שהם מביאים משימות שונות ל-Claude – כאלה שסביר יותר שיהיו מוצלחות?
בבחינה נוספת, כללנו אפקטים קבועים עבור משימות O*NET ספציפיות ואשכולות בקשות. זה מסתכם בהשוואת משתמשים בעלי ותק גבוה ונמוך באותה משימה מוגדרת היטב, במקום על פני משימות שונות. לדוגמה, עבור אשכול בקשות כמו "ביצוע ניתוח פיננסי תאגידי, הערכת שווי ומידול עבור חברות ספציפיות", האפקטים הקבועים משווים משתמשים בעלי ותק גבוה ונמוך בתוך אותו אשכול. נצפה למקדם חיובי רק אם, בממוצע, משתמשים ותיקים יותר מצליחים יותר בהשוואות אלו בתוך המשימה. שליטה זו ממתנת את ההשפעה במקצת, ומביאה אותה קרוב יותר ל-3 נקודות אחוז.
לבסוף, בדקנו האם קשר זה מושפע מכך שמשתמשים בעלי ותק גבוה בוחרים מודלים שונים, מתקשרים בשפות שונות, בעלי מקרי שימוש שונים, או נרשמים במדינות שונות. רגרסיה זו מניבה השפעה גבוהה יותר במקצת של ותק גבוה, ומצביעה על שיעור הצלחה גבוה ב-4 נקודות אחוז בנטרול כל הגורמים המבוקרים.
תוצאות אלו מצביעות על כך שלמשתמשים בעלי ותק גבוה יש יותר הצלחה בשיחותיהם עם Claude, וכי הדבר אינו נובע מגורמים פשוטים כמו שפה או המשימה המבוצעת. הסבר פוטנציאלי מסקרן אחד הוא שמשתמשים אלה למדו טוב יותר להפיק את מבוקשם מה-AI. מיומנות בפלטפורמות אלה עשויה להיות גורם מכריע להצלחה שנראה כי היא משתפרת עם הניסיון.
דיון ומסקנות
דו"ח זה בחן מחדש את המדדים העיקריים שבהם אנו משתמשים כדי לעקוב אחר השימוש ב-Claude, וניתח לראשונה את בחירת המודל והצלחת המשימות. מאז אוגוסט 2025, השימוש ב-API הצד-ראשון הפך מרוכז יותר, כאשר 10 משימות ה-O*NET המובילות מהוות כעת 33% מהתעבורה, עלייה מ-28%. משימות Claude.ai, לעומת זאת, התגוונו מאז נתוני נובמבר 2025. אימוץ מהיר יותר בקרב מדינות עם שימוש נמוך נמשך בארה"ב, אם כי בקצב איטי יותר מהדו"ח הקודם. מדינות עם אימוץ נמוך פיגרו מעט יותר מאחור.
עם דו"ח זה, אנו יכולים להתחיל להתחקות אחר האופן שבו השתנו פרמיטיבים כלכליים שונים. משימות לימודים ירדו כנתח מהשימוש בעוד ששיחות אישיות עלו. אנו מציינים גם ירידה קלה במורכבות המצטברת של פרומפטים ב-Claude.ai, כאשר שיחות ב-Claude.ai הראו קלטים פחות מתוחכמים וזמני השלמה משוערים קצרים יותר.
בסך הכל, Claude משמש לעבודה בעלת ערך גבוה ומורכבת שאינה מייצגת באופן נרחב את כלכלת ארה"ב. אך ככל שבסיס המשתמשים גדל, משימות בעלות שכר נמוך יותר הפכו לנתח גדול במקצת מהתעבורה. הערך הממוצע של המשימות, הנמדד כשכר המשוער המשולם לעובדים במקצועות הקשורים למשימות אלו, ירד ב-Claude.ai מאז הדו"ח הראשון שלנו, בעודו עולה בקרב משתמשי API. בשתי הפלטפורמות, משתמשים מביאים את המשימות המורכבות ביותר שלהם למשפחת המודלים החזקה יותר שלנו, Opus. נקודת מפנה זו חזקה יותר עבור לקוחות API.
משתמשים מנוסים נוטים להשתמש ב-Claude באופן שיתופי יותר, מסיבות הקשורות לעבודה, במשימות מורכבות יותר ובהצלחה רבה יותר. זה מפריך השערה שהעלינו בשנה שעברה, לפיה שימוש אוטומטי עשוי להיות אופייני יותר למשתמשים מנוסים ומתוחכמים; במקום זאת, אנו מוצאים כי המשתמשים המתקדמים ביותר נוטים יותר לבצע איטרציות עם Claude. זה גם עולה בקנה אחד עם "למידה דרך עשייה": ככל שאדם מבלה יותר זמן בשימוש ב-AI, כך הוא הופך ליעיל יותר ברתימתו.
פרשנות חלופית, כמובן, היא שתוצאות אלו מונעות על ידי אפקטים של קבוצות (cohort effects) או הטיית הישרדות. מאמצים מוקדמים עשויים להיות טכניים יותר. אלה שממשיכים להשתמש ב-Claude עשויים להיות אלה עם משימות שהוא מתאים במיוחד לבצע. אך רגרסיות מבוקרות היטב שוללות גרסאות פשוטות של בלבול זה, כמו העובדה שמשתמשים ותיקים מביאים סוגים שונים של משימות. עם הזמן, נוכל לבודד באופן ברור יותר את הטיית הקבוצות והישרדות מ"למידה דרך עשייה".
הבדלים נצפים אלה בשיעורי ההצלחה עלולים להעמיק את אי-השוויון בשוק העבודה. כלכלנים ציינו זה מכבר את הפוטנציאל ל"שינוי טכנולוגי מוטה-כישורים" (skill-biased technological change): חדשנות המעלה שכר לעובדים מיומנים ובו בזמן מדכאת אותו לאחרים. הניתוח שלנו בדו"ח זה מזהה ערוץ שדרכו טרנספורמציה כזו, מוטה-כישורים, עשויה כבר להתחולל: למאמצים מוקדמים עם משימות מיומנות גבוהה יש אינטראקציות מוצלחות יותר עם Claude מאשר למאמצים מאוחרים יותר, פחות טכניים. משתמשים אלו, המאמצים המוקדמים, עשויים להיות בו זמנית החשופים ביותר לשיבושים מונעי AI והנעזרים ביותר על ידי AI בגלי אימוץ ראשוניים ומגבירים אלו.
