11 月 26 日消息，Anthropic 昨日（11 月 25 日）发布研究报告，通过分析旗下 AI 模型 Claude 的十万次真实对话，发现任务完成时间平均缩短约 80%。
量化 AI 对生产力的真实影响
该研究目的是量化 AI 在真实工作场景中对生产力提升的具体效果。研究团队采用了一种保护用户隐私的分析方法，抽样分析了十万次来自 Claude.ai用户的真实对话记录，通过让 Claude 估算这些对话中涉及任务的完成时间，研究人员得以对比有无 AI 协助下的效率差异。
根据 Claude 的估算，如果没有 AI 协助，用户处理的这些任务平均需要 90 分钟才能完成，而在 Claude 的帮助下，任务完成时间平均缩短了约 80%。
这些任务大多较为复杂，例如法律咨询、企业管理等，平均耗时接近两小时；而一些较简单的任务，如餐饮筹备，耗时则在 30 分钟左右。
研究还发现，AI 在不同领域的提效能力存在差异，例如在医疗辅助任务中，AI 能将效率提升 90%，但在硬件问题处理上，效率提升则为 56%。
当前 AI 或使美国劳动生产率年增速翻倍
研究团队将这些任务层面的效率提升数据外推至整个美国经济。他们使用标准经济学模型进行测算，结果表明，如果普及当前一代 AI 技术，有望在未来十年内推动美国劳动生产率实现 1.8% 的年均增长。
这一数字几乎是美国自 2019 年以来年均增长率的两倍，也处于近期同类研究预测范围的上限。不过，研究人员强调，这并非对未来的精准预测，因为它并未考虑 AI 模型的普及速度以及未来技术进步可能带来的更大影响。
软件开发、管理等知识密集型行业受益最大
数据显示，AI 带来的生产力提升主要集中在知识密集型行业。其中，软件开发人员的贡献最大，占总生产率增益的 19%。紧随其后的是运营经理（约 6%）、市场研究分析师（5%）、客户服务代表（4%）和中学教师（3%）。
相比之下，餐饮、医疗服务、建筑和零售等行业的任务在数据样本中占比较低，因而从当前 AI 应用中获得的直接生产力提升也相对有限。
AI 加速部分任务，但存在局限性
该研究还指出了一个重要现象：AI 能够显著加速某些特定任务，但对其他任务的帮助则相对有限。例如，AI 可以帮助软件工程师高效编写代码和文档，但对于协调系统安装、监督工程师等任务却作用不大。
这意味着，随着 AI 普及，那些难以被 AI 加速的“瓶颈”任务，可能会在整体工作流程中占据更大比重，从而成为制约生产力进一步增长的关键因素。
Anthropic 承认该研究存在局限性。首先，Claude 的估算并非完美，且无法核实用户在与 AI 对话之外所花费的额外时间（如验证 AI 生成内容的准确性）。其次，模型假设 AI 被普遍采用，而这在短期内难以实现。
尽管如此，这项研究建立了一套可持续追踪 AI 经济影响的测量框架。随着 AI 技术不断进步和应用范围扩大，该框架将为我们理解 AI 如何重塑经济提供一个动态且宝贵的视角。
