夜雨聆风Anthropic 最新一期 Economic Index 报告很有意思：它没有只问“AI 会不会替代工作”，而是把 Claude 的使用数据切到小时级，观察人们在一天、一周、一个截止日前后，什么时候把什么问题交给 AI。
结果像一张 AI 时代的生活作息图：早上 7 点问新闻，上午 10 到 11 点写邮件，下午 6 点问菜谱，凌晨 5 点问睡眠；工作日写商务邮件、营销文案和幻灯片，周末转向情绪支持、医疗问题、投资建议、AI Agent 设计和游戏开发。
AI 已经不只是办公软件，它开始记录人们在不同时间段里的真实需求。
这份报告的变化也很关键。Anthropic 说，过去 Claude 更多是“用户提问、助手回答”的聊天形态；现在 Claude Code、Cowork 和 API Agent 让很多任务变成长时间、多步骤、带工具调用的执行过程。只看聊天记录，已经不足以描述 AI 的经济影响。
因此这次报告增加了三类新观察：
• 更高频的数据采样，可以看到小时级使用节奏。 • 新的产出分类器，用来标记一次对话最终产出了什么。 • 约 9700 人的 Economic Index Survey，用隐私保护方式把用户感受与实际使用数据关联起来。
一天 24 小时，AI 看到的是人的日常
报告最出圈的一组数据，是 Claude 请求类型在一天中的变化。
早上 7 点，新闻类请求更集中。到了上午 10 点到 11 点，商务通信类请求出现小高峰，典型场景是写邮件、润色回复、整理工作沟通。下午 6 点，菜谱请求达到全天最明显的峰值，频率是平均水平的 2.3 倍。晚上，影视和媒体推荐更多。凌晨前后，睡眠建议开始上升，接近 5 点时尤其明显。
这组数据之所以有传播感，是因为它把 AI 从“生产力工具”拉回到人的生活现场。
这也是 AI 产品设计里容易被忽略的一点：同一个用户在不同时间需要的不是同一种 AI。
早上他需要信息摘要，上午需要正式表达，傍晚需要生活决策，凌晨可能需要更谨慎的健康和情绪支持。一个只会把所有请求都当成“任务执行”的 AI，很难真正贴合用户节奏。
周末继续用 AI，只是用途换了
一周的变化同样明显。
Claude.ai、Claude Desktop、Claude Code 和 1P API 的数据里，个人用途对话在工作日大约占 35%，到了周末接近 50%。工作日更常见的是商务通信、营销文案、幻灯片；周末更常见的是情绪支持、医疗问题、投资建议。
Claude Code 的周末变化更像开发者生活的侧影。后端架构、API 调试、数据存储这类工作任务下降，AI Agent 设计、量化交易、游戏相关任务上升。
周末的 AI 使用没有消失，它从“公司任务”切到“自己的项目”和“自己的生活”。
有一个细节尤其值得看：和创业相关的对话，在各国都更容易在周六、周日达到高点；但求职申请活动会跟其他工作任务一起下降。
这说明周末释放出来的时间，不只用于休息，也可能流向副业、创业、个人自动化和长期兴趣。AI 在这里的角色，更像是把脑子里拖了很久的想法往前推一步。
报告还单独比较了夜间和周末的工作类对话：低薪职业对应任务的占比下降，高薪职业对应任务的占比上升。这个图更像是“高薪知识工作没有完全下班”的数据侧影。
截止日会把所有人推向 AI
报告里还有一个很典型的“现实世界事件”信号：美国报税截止日前后，税务相关对话暴涨。
4 月 14 日，税务相关请求是 5 月日均水平的 8 倍；4 月 15 日仍然维持高位；4 月 16 日明显回落。
这类数据说明，AI 的需求并不只由模型能力决定，也会被现实日期、政策节点和生活压力驱动。报税、签证、考试、入学、求职、年终总结、项目交付，都可能形成类似的使用峰值。
对工具开发者来说，这意味着 AI 助手可以不只按“功能模块”组织，也可以按“时间节点”组织：截止日前的检查清单、申报材料解释、错误排查、表格填写辅助，往往比一个泛泛的聊天入口更有用。
93% 的对话都会留下一个“产出”
这次报告引入了一个重要概念：产出。
它指的是一次 Claude 对话最终产生的主要输出，可以是一份文档、一段代码、一个解释、一封邮件、一份计划、一个网站，也可以是食谱、推荐、学术论文或数学解答。
Anthropic 的分类器发现，93% 的 Claude 对话都会产生某种产出。只有少数对话只是纯聊天，没有留下明确交付物。
最常见的三类产出是：
• 解释类，占 17%。 • 文档和报告，占 15%。 • 指导建议，占 11%。
从大类看，对话型产出和书面交付物各占约三分之一；代码和技术工作占约六分之一。
这会改变我们对“聊天机器人”的理解。很多时候，用户打开对话框，是为了拿走一个可以继续使用的东西：一段解释、一份报告、一封邮件、一段代码、一个可执行计划。
同一种产出，工作和生活里的用途完全不同
产出的类型和用途并不是一回事。
比如“计划”既可能是公司内容策略，也可能是旅行行程和健身安排；“翻译”既可能是工作文件，也可能是个人学习；“创意写作”大多属于个人用途，但里面仍有短视频脚本、演讲稿和商业内容。
从这个角度看，AI 的入口正在从“聊天”转向“交付物”。
用户会反复回到 AI，不一定因为它会说话，而是因为它能把一个模糊需求变成可以复制、修改、发送、运行、提交的东西。
高薪职业里的 AI 对话更“耗算力”
报告还观察了 token 消耗与职业工资之间的关系。
Anthropic 把工作相关对话映射到相应职业，再用美国劳工统计局的工资数据做对比。结论是：映射到高薪职业的对话，通常消耗更多 token。
例子很直观：营销经理的时薪约 80 美元，编辑约 37 美元；映射到营销经理任务的对话，token 消耗约为编辑任务的 2.5 倍。
不同产出的 token 消耗也差异很大。构建应用或网站的对话，token 用量超过中位数的 3 倍；一个普通解释类对话，大约只有中位数的五分之一。
更复杂、更高价值的任务，往往需要更多上下文、更多迭代和更多判断。
这不等于 AI 只服务高薪工作，但它提示了一个现实：越是复杂的知识工作，越容易把 AI 当作长流程伙伴，而不是一次性问答工具。
报告还提到，高薪职业相关对话里，Claude 每轮输出更多，用户也参与更多：Claude 输出约为底部薪资组的 1.34 倍，用户交互轮次约为 1.53 倍，启用 extended thinking 的比例也更高。
这句话很重要：AI 做得更多，并不一定意味着人做得更少。在高价值任务里，人和 AI 往往一起把任务拉长、做深、做复杂。
Claude Code 让“委托”变得更彻底
Anthropic 还给 AI 自主性打了分：从 1 到 5，代表从“几乎没有自主判断”到“高度自主”。
数学计算、翻译、问答这类任务，自主性较低，因为答案边界更清楚。应用、网站、游戏、演示文稿这类任务，自主性更高，因为它们需要持续选择、取舍和判断。
在 31 类输出里，Claude Code 有 26 类的平均自主性高于普通 chat 或 Cowork。总体看，Claude Code 的自主性平均高出 0.37 分；脚本和代码片段这类输出，高出约 0.53 分。
博客和文章的例子很能说明差异：在 chat 和 Cowork 里，生成一篇博客或文章的中位对话有 13 轮来回；在 Claude Code 里，同类任务的中位 session 只有 1 个用户提示。
这不是简单的“模型更强”。报告指出，Claude Code 使用 Opus 的比例更高，但即便只比较同一模型，Claude Code 的自主性差距仍然存在。产品形态本身会改变人们委托 AI 的方式。
AI 回答通常比用户提问更“难读”
报告用一个分类器估算了用户 prompt 和 Claude 回复的阅读水平，单位是理解文本所需的受教育年限。
整体上，Claude 的回答比用户提问平均高出约 1 年教育水平。差距最大的类型包括图像和图形相关任务、游戏、网站和应用。面向受众的写作任务差距更小，比如博客、学术论文和邮件，因为用户往往会在 prompt 里给出草稿、语气和目标受众。
这说明 AI 在很多场景里确实起到了“表达升级器”的作用：用户给出意图、素材和约束，AI 把它组织成更正式、更完整、更高密度的文本。
但这也带来一个边界问题。AI 输出更复杂，不代表一定更适合接收者。邮件、说明文档、客服回复、医疗和法律解释等场景里，读者能不能理解，比文字看起来高级更重要。
调查里最有意思的是“别人会失业，我可能不会”
除了使用数据，这次报告还加入了约 9700 人的调查。它想回答另一个问题：真实用户如何感受 AI 对工作的影响？
ExplainX 对报告的拆解里提到一个很有代表性的认知差异：很多人相信 AI 会冲击初级岗位，但更少人相信自己的岗位会被直接取代。报告整体也显示，使用 AI 自动化程度越高的人，往往越相信未来 12 个月 AI 会承担更多工作任务，同时对薪酬、岗位安全和工作意义的预期反而更乐观。
这不是简单乐观，也可能是使用经验带来的校准。
没有真正把任务交给 AI 的人，更容易从新闻标题里想象“AI 取代工作”；经常把复杂任务交给 AI 的人，反而更清楚哪些环节能自动化，哪些环节仍然需要人定目标、给素材、验结果、做取舍。
这部分对企业尤其有价值。员工对 AI 的态度并不会只由公司培训决定，也会被他们实际接触到的 AI 任务塑造。一个只允许员工用 AI 写摘要的公司，和一个允许员工用 AI 参与代码、分析、方案、文档和流程自动化的公司，最终形成的组织认知会很不一样。
女性用得更久，男性更常进入 Claude Code
ExplainX 的摘要还提到一组值得继续观察的性别差异：女性用户在活跃分钟数上更高，男性用户在 Claude Code 和自动化相关使用上的占比更高。
这类数据不适合简单解读成“谁更会用 AI”。更重要的问题是：不同人群是否进入了同一种 AI 使用形态？
聊天、写作、搜索、解释是一种使用；让 AI 读代码、改文件、跑测试、调用工具、执行长任务，是另一种使用。前者更像助手，后者更像代理。
未来 AI 教育和企业培训的重点，可能不只是让更多人“接触 AI”，还要让更多人接触可委托、可验证、可复用的 AI 工作流。
这份报告对普通用户的启发
这份报告最有价值的地方，不在于证明 AI 已经替代了多少工作，而在于它把 AI 使用拆成了更真实的颗粒度。
第一，AI 使用有节奏。一天里的新闻、邮件、菜谱、睡眠建议，一周里的工作和个人任务切换，都说明 AI 已经嵌进生活周期。
第二，AI 使用有交付物。93% 的对话会留下产出，意味着用户越来越把 AI 当成“产出工具”，而不是单纯问答工具。
第三，AI 使用有层级。高薪、复杂、需要判断的任务会消耗更多 token，也需要更多人机协作。真正拉开差距的，是能不能把 AI 接进完整工作流。
第四，AI 使用会影响预期。深度委托 AI 的人更相信它会接手大量任务，但也更倾向于把它看成增强工具。这种差异会影响个人职业规划，也会影响企业推行 AI 的方式。
数据照出来的，不只是经济
Anthropic 把这份报告命名为 Cadences，重点是“节奏”。
这个词选得准确。因为当 AI 使用被切到小时级，它看到的就不只是行业趋势，而是人的生活节律：什么时候开始工作，什么时候处理沟通，什么时候吃饭，什么时候焦虑，什么时候把想了很久的个人项目拿出来试一试。
AI 进入工作，当然会改变岗位、流程、薪酬和组织结构。但从这份报告看，它也正在成为一种更贴身的生活基础设施。
白天，它帮人写邮件、做报告、写代码、查新闻。晚上，它帮人想吃什么、看什么、怎么安排计划。凌晨，它又变成睡眠建议和情绪出口。
当一个对话框同时承接工作、生活、学习、焦虑和长期计划，它记录下来的就不只是使用日志，也是一份新的社会观察样本。
来源
• Anthropic Research：Anthropic Economic Index report: Cadences • ExplainX：Anthropic 2026 年 6 月经济指数解读：使用节奏、产出与用户对 AI 工作的看法 • cnBeta：Anthropic 最新报告摸透全球打工人：凌晨5点求睡眠，晚6点问菜谱
