Anthropic znów zerknął do własnych logów i przygotował wnioski, tym razem znacznie ciekawsze. W najnowszym wydaniu raportu Economic Index firma wskazuje, że AI trafia do coraz szerszej grupy odbiorców, jednak prawdziwy zysk zgarniają głównie użytkownicy z dłuższym stażem, którzy wiedzą, jak rozmawiać z modelem i jak dobrać go do zadania.
Dla Ciebie najważniejsza wiadomość jest taka, iż sama obecność AI w pracy już mało znaczy. Raport z 24 marca 2026 roku sugeruje, że coraz większą przewagę daje praktyka, obycie z narzędziem i umiejętność stawiania sensownych poleceń, co brzmi mniej widowiskowo niż marketing, za to dużo lepiej tłumaczy realne różnice w efektach.
Nowe dane i pierwsze wnioski
Anthropic oparł analizę na próbie rozmów z Claude z okresu od 5 do 12 lutego 2026 roku, a sam Economic Index służy firmie do śledzenia, jak model jest używany w gospodarce przy użyciu systemu analizy z ochroną prywatności.
W raporcie widać, że 35% rozmów na Claude nadal wiązało się z zadaniami z obszaru "computer and mathematical occupations", więc kod i praca techniczna wciąż napędzają sporą część ruchu.
Jednocześnie top 10 zadań na Claude odpowiadało już za 19% ruchu w lutym 2026 roku, podczas gdy w listopadzie 2025 było to 24%, co oznacza wyraźne rozszerzenie katalogu zastosowań.
Raport podaje też, że około 49% zawodów miało już co najmniej jedną czwartą swoich zadań wykonywanych przy użyciu Claude, więc mówimy o zjawisku szerokim, a nie o niszy dla kilku zespołów od promptów i kawy speciality.
Średnia wartość pracy wykonywanej na Claude, liczona jako przeciętna stawka godzinowa zawodów powiązanych z danym zadaniem, spadła z 49,3 dolara do 47,9 dolara za godzinę między listopadem 2025 a lutym 2026. Raport łączy taki ruch głównie ze wzrostem prostszych zapytań osobistych oraz przenoszeniem części kodowania do API.
Z perspektywy geograficznej różnice nadal są mocne - 20 krajów z najwyższym użyciem odpowiada za 48% wykorzystania w przeliczeniu na mieszkańca, wobec 45% wcześniej. W Stanach udział użycia przypadający na 10 najbardziej aktywnych stanów spadł z 40% do 38%, więc wewnątrz USA widać lekkie wyrównanie, lecz globalnie dystans wcale nie znika.
Claude rośnie, lecz zmienia styl pracy
Najciekawsze w raporcie jest chyba to, że Claude nie jest już narzędziem kojarzonym głównie z wąskim zestawem specjalistycznych działań. Anthropic pisze wprost, że ruch stał się mniej skoncentrowany, a większą część zajmują pytania osobiste związane między innymi ze sportem, porównywaniem produktów i codziennością.
Z jednej strony możesz uznać to za sygnał dojrzewania rynku. Z drugiej strony jest w tym drobna ironia epoki - firma rozwija coraz sprawniejsze modele, po czym spora grupa ludzi odpala je po to, by sprawdzić wynik meczu albo dopytać o sprzęt do kuchni.
W danych widać także zmianę relacji między wersją konsumencką a API. Kodowanie coraz częściej migruje do własnego API Anthropic, gdzie automatyczne przepływy pracy są silniejsze, a ruch związany z Claude Code rozbija zadania na wiele mniejszych wywołań.
Ma to spore znaczenie praktyczne. Gdy praca przechodzi do API, łatwiej o scenariusze bliższe automatyzacji niż zwykłemu wspieraniu człowieka, więc zmiana w firmach częściej zaczyna się w integracjach, a nie w oknie czatu, do którego zaglądasz między mailem a Excelem.
Największy wniosek - doświadczenie daje przewagę
Drugi rozdział raportu dotyczy „Learning curves”, czyli krzywych uczenia się użytkowników Claude. Właśnie tutaj Anthropic dorzuca obserwację, która dla rynku pracy może mieć większe znaczenie niż sama liczba zapytań.
Użytkownicy z co najmniej sześciomiesięcznym stażem mieli o 10% mniej rozmów osobistych i wykonywali zadania powiązane z wyższym poziomem edukacji niż osoby świeższe na platformie. Równocześnie osiągali o 10% wyższy wskaźnik sukcesu rozmów, a po uwzględnieniu kontroli dla rodzaju zadania, modelu, kraju i zastosowania przewaga nadal utrzymywała się na poziomie około 4 punktów procentowych.
Sytuacja jest prozaiczna, wręcz do bólu konkretna. Rozwiązania oparte na sztucznej inteligencji nie gwarantują sukcesu za sam fakt założenia konta. Premiowane są osoby potrafiące świadomie dobrać odpowiednią klasę modelu do stopnia trudności wyzwania. Wypracowanie nawyku poprawiania poleceń, gotowość do iteracji oraz wyczucie momentu, w którym wynik potrzebuje weryfikacji, wszystko to realnie przekłada się na wyższą skuteczność działań.
Według danych osoby z dłuższym stażem częściej używały Claude do pracy, rzadziej delegowały wszystko w stylu „zrób za mnie”, częściej wchodziły w tryb iteracji i nauki, a ich użycie było mniej skupione wokół wąskiej grupy zadań. Fizycznie oznacza to, że przewaga bierze się nie z jednego genialnego promptu, tylko z całego zestawu nawyków wyrobionych na przestrzeni czasu.
Lepszy model trafia do droższej pracy
Anthropic sprawdził również, kiedy użytkownicy wybierają klasę modeli Opus zamiast lżejszych wariantów. Wynik jest dość klarowny - im wyżej wyceniana praca, tym częściej ludzie sięgają po mocniejszy model.
Wśród płacących użytkowników Claude 55% zadań z grupy "computer and mathematical" korzystało z Opus, podczas gdy dla zadań edukacyjnych udział był o 7 punktów procentowych niższy od średniej. Na Claude udział użycia Opus rósł średnio o 1,48 punktu procentowego na każde dodatkowe 10 dolarów godzinowej wartości zadania, a w API wzrost sięgał 2,79 punktu procentowego.
Dla początkującego użytkownika płynie z tego prosty wniosek. Gdy zadanie dotyczy kodu, analizy finansowej, trudniejszej syntezy albo decyzji biznesowej, ludzie częściej płacą za lepszy model, ponieważ zwyczajnie widzą w tym sens ekonomiczny.
Wygląda na to, że branża AI przez długi czas sprzedawała narrację o uniwersalnym „copilocie dla każdego”, a raport Anthropic ukazuje znacznie bardziej ziemski obraz. Rynek szybko uczy się, że model dobiera się do stawki zadania, a nie do nastroju po lunchu.
Co raport mówi o rynku pracy
Widać wyraźnie, że użycie Claude nadal koncentruje się wokół pracy o wyższej wartości i nie odzwierciedla szeroko całej amerykańskiej gospodarki. Wraz z rozrostem bazy użytkowników rośnie jednak udział prostszych i słabiej wynagradzanych zadań.
W raporcie znajdują się też dwie szybko rosnące klasy zastosowań po stronie API - automatyzację działań sprzedażowych i outreachu oraz automatyczne operacje tradingowe i rynkowe, gdzie system monitoruje pozycje, proponuje inwestycje i przekazuje informacje o warunkach na rynku. Anthropic zaznacza, że obie grupy zadań co najmniej podwoiły udział względem wcześniejszego pomiaru.
Branża "pracy umysłowej" dostaje więc sygnał dość czytelny. Najpierw AI wchodzi do zadań specjalistycznych, potem rozlewa się szerzej, a przewaga trafia do ludzi i organizacji, które szybciej wykształciły praktyczne obycie z narzędziem.
W dodatku sugerują, że taka przewaga może pogłębiać nierówności. Jeśli użytkownicy, zwykle bardziej techniczni i lepiej przygotowani, uzyskują wyższy wskaźnik sukcesu, dostają też lepsze wsparcie w pracy i mocniej korzystają z efektów AI.
Dlaczego raport Anthropic ma znaczenie także poza Claude
Economic Index nie kończy się na efektownych wykresach. Na oficjalnej stronie projektu Anthropic podkreśla, że indeks ma pomagać w śledzeniu wpływu AI na gospodarkę, a dane raportu udostępniono również publicznie przez Hugging Face, więc materiał da się dalej analizować.
Właśnie dlatego publikacja zasługuje na uwagę także wtedy, gdy na co dzień pracujesz na innym modelu. Nie chodzi wyłącznie o Claude, lecz o szerszy wzór rynkowy - AI staje się narzędziem coraz powszechniejszym, jednak skuteczność rośnie wraz z doświadczeniem użytkownika, typem zadania i miejscem wdrożenia, zwłaszcza po stronie API.
Dla Ciebie oznacza to bardzo praktyczną lekcję. Jeśli uczysz się pracy z modelami językowymi, większą przewagę da Ci regularna praktyka, testowanie wariantów poleceń i sprawdzanie jakości odpowiedzi niż pogoń za każdą premierą nowego modelu z chwytliwą nazwą i jeszcze bardziej rzucającym się w oczy cennikiem.
Raport Anthropic zostawia rynek z niewygodną, lecz zdrową myślą - sama dostępność AI już nikogo specjalnie nie wyróżnia. Wyróżnia Cię dopiero umiejętność użycia narzędzia w pracy, cierpliwość do poprawek i świadomość, kiedy model ma pomóc, a kiedy trzeba go krótko mówiąc przyhamować.
Źródło: Raport "The Anthropic Economic Index report: Learning curves"
