דוח אנתרופיק: AI נטמע במהירות, אך אימוץ מודלי שפה גדולים לא אחיד בעולם ובעסקים

מבוא

AI שונה מטכנולוגיות קודמות במהירות האימוץ חסרת התקדים שלו. בארה"ב לבדה, 40% מהעובדים מדווחים על שימוש ב-AI בעבודה, עלייה מ-20% ב-2023. קצב אימוץ מהיר זה משקף עד כמה הטכנולוגיה שימושית למגוון רחב של יישומים, את יכולת הפריסה שלה על תשתית דיגיטלית קיימת, ואת קלות השימוש בה – פשוט על ידי הקלדה או דיבור – ללא צורך בהכשרה מיוחדת. שיפור מהיר של AI חזיתי ככל הנראה מחזק אימוץ מהיר לאורך כל אחד מהממדים הללו.

היסטורית, טכנולוגיות חדשות נזקקו לעשרות שנים כדי להגיע לאימוץ נרחב. לחשמל לקח למעלה מ-30 שנה להגיע למשקי בית כפריים לאחר חשמול עירוני. המחשב האישי הראשון לשוק ההמוני הגיע למאמצים מוקדמים ב-1981, אך לא הגיע לרוב הבתים בארה"ב אלא כעבור 20 שנה. גם האינטרנט, שאומץ במהירות, נזקק לכחמש שנים כדי להגיע לשיעורי אימוץ ש-AI הגיע אליהם בשנתיים בלבד.

מדוע זה קורה? בקצרה, לוקח זמן לטכנולוגיות חדשות – אפילו מהפכניות – להתפשט ברחבי הכלכלה, עבור אימוץ צרכנים כדי להפוך לפחות מרוכז גאוגרפית, ועבור חברות לבנות מחדש תהליכים עסקיים כדי למצות בצורה הטובה ביותר יכולות טכניות חדשות. אימוץ על ידי חברות, תחילה עבור מגוון משימות מצומצם, ולאחר מכן עבור יישומים כלליים יותר, הוא דרך חשובה שבה טכנולוגיות משמעותיות מתפשטות ויוצרות השפעות כלכליות טרנספורמטיביות.

במילים אחרות, סימן היכר לאימוץ טכנולוגי מוקדם הוא שהוא מרוכז – הן במספר קטן של אזורים גאוגרפיים והן במספר מוגבל של משימות בחברות. כפי שאנו מתעדים בדוח זה, אימוץ AI נראה כעוקב אחר דפוס דומה במאה ה-21, אם כי בפרקי זמן קצרים יותר ובעוצמה גדולה יותר מהתפשטות טכנולוגיות במאה ה-20.

כדי לחקור דפוסים כאלה של אימוץ AI מוקדם, הרחבנו את המדד הכלכלי של אנתרופיק בשני ממדים חשובים, תוך הצגת ניתוח גאוגרפי של שיחות ב-Claude.ai ובחינה ראשונה מסוגה של שימוש ארגוני ב-API. אנו מראים כיצד השימוש בקלוד התפתח לאורך זמן, כיצד דפוסי האימוץ שונים בין אזורים, ולראשונה – כיצד חברות פורסות AI חזיתי כדי לפתור בעיות עסקיות.

שינויים בדפוסי השימוש ב-Claude.ai לאורך זמן

בחלק הראשון של הדוח, אנו מזהים שינויים בולטים בשימוש ב-Claude.ai במהלך שמונת החודשים האחרונים, שהתרחשו לצד שיפורים ביכולות המודל הבסיסיות, תכונות מוצר חדשות, והרחבת בסיס הצרכנים של קלוד.

מצאנו כי:

• שיעורי השימוש בחינוך ובמדע עולים: בעוד שהשימוש בקלוד לקידוד ממשיך לשלוט במדגם הכולל שלנו עם 36%, משימות חינוכיות זינקו מ-9.3% ל-12.4%, ומשימות מדעיות מ-6.3% ל-7.2%.
• משתמשים מפקידים יותר אוטונומיה בידי קלוד: שיחות "מכוונות" (Directive), שבהן משתמשים מפקידים משימות שלמות בידי קלוד, קפצו מ-27% ל-39%. אנו רואים עלייה ביצירת תוכנה בקידוד (+4.5 נקודות אחוז) וירידה בדיבוג (-2.9 נקודות אחוז) – מה שמרמז כי משתמשים עשויים להשיג יותר ממטרותיהם בחילופי דברים בודדים.

הגיאוגרפיה של אימוץ AI

לראשונה, אנו מפרסמים חיתוכים גאוגרפיים של נתוני שימוש ב-Claude.ai על פני למעלה מ-150 מדינות וכל מדינות ארה"ב. כדי לחקור דפוסי התפשטות, אנו מציגים את מדד השימוש ב-AI של אנתרופיק (AUI – Anthropic AI Usage Index) למדידת האם השימוש ב-Claude.ai מיוצג יתר על המידה או בחסר בכלכלה מסוימת ביחס לאוכלוסיית גיל העבודה שלה.

מצאנו כי:

• מדד ה-AUI מתואם מאוד עם הכנסה בין מדינות: בדומה לטכנולוגיות קודמות, אנו רואים ששימוש ב-AI מרוכז גאוגרפית. סינגפור וקנדה הן מהמדינות המובילות בשימוש לנפש, עם שיעורים של פי 4.6 ופי 2.9 מהצפוי בהתבסס על אוכלוסייתן, בהתאמה. לעומת זאת, כלכלות מתפתחות, כולל אינדונזיה (0.36x), הודו (0.27x) וניגריה (0.2x), משתמשות בקלוד פחות.
• בארה"ב, גורמים כלכליים מקומיים מעצבים את דפוסי השימוש: וושינגטון די.סי מובילה בשימוש לנפש (פי 3.82 משיעור האוכלוסייה), אך יוטה קרובה מאחוריה (פי 3.78). אנו רואים ראיות לכך שדפוסי שימוש אזוריים משקפים מאפיינים ייחודיים של הכלכלה המקומית: לדוגמה, שימוש מוגבר ל-IT בקליפורניה, לשירותים פיננסיים בפלורידה, ולעריכת מסמכים וסיוע בקריירה בוושינגטון די.סי.
• מדינות מובילות מציגות שימוש מגוון יותר: מדינות עם אימוץ נמוך נוטות לראות יותר שימוש בקידוד, בעוד שאזורים עם אימוץ גבוה מראים יישומים מגוונים בתחומי חינוך, מדע ועסקים. לדוגמה, משימות קידוד מהוות יותר ממחצית מכלל השימוש בהודו, לעומת כשליש מכלל השימוש העולמי.
• מדינות עם אימוץ גבוה מציגות שימוש פחות אוטומטי ויותר מוגבר: לאחר בקרה על תמהיל המשימות לפי מדינה, מדינות עם AUI נמוך נוטות יותר להאציל משימות שלמות (אוטומציה), בעוד שאזורים עם אימוץ גבוה נוטים יותר ללמידה ואיטרציה אנושית-AI (הגברה).

הגיאוגרפיה הלא אחידה של אימוץ AI מוקדם מעלה שאלות חשובות לגבי התכנסות כלכלית. טכנולוגיות טרנספורמטיביות של סוף המאה ה-19 ותחילת המאה ה-20 – חשמול נרחב, מנוע הבעירה הפנימית, אינסטלציה פנימית – לא רק שהובילו לעידן הצמיחה הכלכלית המודרנית, אלא גם לוו בפער גדול ברמות החיים ברחבי העולם.

אם רווחי הפריון גדולים יותר עבור כלכלות עם אימוץ גבוה, דפוסי השימוש הנוכחיים מצביעים על כך שיתרונות ה-AI עשויים להתרכז באזורים עשירים ממילא – דבר שעלול להגביר את אי-השוויון הכלכלי העולמי ולהפוך את התכנסות הצמיחה שנראתה בעשורים האחרונים.

פריסת AI שיטתית בארגונים

בחלק האחרון, אנו מציגים תובנות ראשונות מסוגן לגבי חלק גדול מתעבורת ה-API של לקוחות פרטיים (1P) שלנו, וחושפים את המשימות שחברות ומפתחים משתמשים בקלוד כדי להשלים. חשוב לציין, משתמשי API ניגשים לקלוד באופן תוכניתי, ולא דרך ממשק משתמש אינטרנטי (כמו ב-Claude.ai). זה מראה כיצד עסקים מאמצים מוקדם פורסים יכולות AI חזיתיות.

מצאנו כי:

• שימוש ב-API של לקוחות 1P, למרות דמיונו לשימוש ב-Claude.ai, שונה בדרכים מיוחדות: הן השימוש ב-API של לקוחות 1P והן השימוש ב-Claude.ai מתמקדים רבות במשימות קידוד. עם זאת, השימוש ב-API של לקוחות 1P גבוה יותר עבור קידוד ומשימות משרדיות/אדמיניסטרטיביות, בעוד שהשימוש ב-Claude.ai גבוה יותר עבור משימות חינוכיות וכתיבה.
• השימוש ב-API של לקוחות 1P הוא דומיננטי באוטומציה: 77% מהשימושים העסקיים כוללים דפוסי שימוש אוטומטיים, לעומת כ-50% בקרב משתמשי Claude.ai. זה משקף את האופי התוכניתי של השימוש ב-API.
• נראה כי יכולות חשובות יותר מהעלות בעיצוב פריסה עסקית: המשימות הנפוצות ביותר בנתוני ה-API שלנו נוטות לעלות יותר מהפחות תכופות. בסך הכל, אנו מוצאים ראיות לרגישות מחיר חלשה. יכולות המודל והערך הכלכלי של אוטומציה אפשרית של משימה נתונה נראה כי משחקים תפקיד גדול יותר בעיצוב דפוסי השימוש של עסקים.
• הקשר מגביל שימוש מתוחכם: הניתוח שלנו מצביע על כך שאצירת ההקשר הנכון עבור מודלים תהיה חשובה לפריסות בעלות השפעה גבוהה של AI בתחומים מורכבים. משמעות הדבר היא שעבור חברות מסוימות, מודרניזציה יקרה של נתונים והשקעות ארגוניות להפקת מידע הקשרי עשויות להוות צוואר בקבוק לאימוץ AI.

נתוני קוד פתוח לקידום מחקר עצמאי

כמו בדוחות קודמים, הפכנו את הנתונים הבסיסיים לקוד פתוח כדי לתמוך במחקר עצמאי על ההשפעות הכלכליות של AI. מערך נתונים מקיף זה כולל דפוסי שימוש ברמת המשימה הן עבור Claude.ai והן עבור תעבורת API של לקוחות 1P (ממופים לטקסונומיית O*NET וכן לקטגוריות מלמטה למעלה), חלוקות מצבי שיתוף פעולה לפי משימה, ותיעוד מפורט של המתודולוגיה שלנו. נכון לעכשיו, דפוסי שימוש גאוגרפיים זמינים רק עבור תעבורת Claude.ai.

שאלות מפתח שאנו מקווים שנתונים אלו יעזרו לאחרים לחקור כוללות:

• מהן ההשלכות של שימוש ואימוץ AI על שוק העבודה המקומי עבור עובדים וחברות?
• מה קובע את אימוץ ה-AI בין מדינות ובתוך ארה"ב? מה ניתן לעשות כדי להבטיח שיתרונות ה-AI לא יצטברו רק לכלכלות עשירות ממילא?
• איזה תפקיד, אם בכלל, משחקת העלות למשימה בעיצוב דפוסי פריסה ארגונית?
• מדוע חברות מסוגלות לבצע אוטומציה למשימות מסוימות ולא לאחרות? אילו השלכות יש לכך על אילו סוגי עובדים יחוו סיכויי תעסוקה טובים או גרועים יותר?

1. Gallup 2025, AI Use at Work Has Nearly Doubled in Two Years.

2. Bick, Blandin, Deming, 2024 The Rapid Adoption of Generative AI benchmark AI adoption against adoption of PC and the internet; Lewis & Severnini, 2020 Short- and long-run impacts of rural electrification: Evidence from the historical rollout of the U.S. power grid analyze the impact of bringing electricity to rural areas on economic outcomes.

3. Kalyani, Bloom, Carvalho, Hassan, Lerner and Ahmed Tahoun 2025 Diffusion of New Technologies.

4. See Gordon, 2012 Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds for a comparison of early and late 20th century innovations and their impact on productivity. Pritchett, 1997. Divergence, Big Time documents economic divergence that accompanied transition to era of modern economic growth.

5. Kremer, Willis, You, 2022 Converging to Convergence present evidence of growth convergence in recent decades. See Jones, Jones, and Aghion, 2017 Artificial Intelligence and Economic Growth for discussion of growth implications AI-powered automation of innovation.

פרק 1: שימוש ב-Claude.ai לאורך זמן

סקירה כללית

הבנת האופן שבו אימוץ AI מתפתח לאורך זמן יכולה לסייע בחיזוי השפעותיו הכלכליות – מרווחי פרודוקטיביות ועד שינויים בכוח העבודה. עם נתונים המשתרעים מדצמבר 2024 וינואר 2025 (מהדוח הראשון שלנו, 'V1') ועד פברואר ומרץ 2025 ('V2') ועד לתובנות החדשות ביותר שלנו מאוגוסט 2025 ('V3'), אנו יכולים לעקוב אחר האופן שבו השימוש ב-AI השתנה בשמונת החודשים האחרונים ככל שיכולות ותכונות מוצר השתפרו, סוגים חדשים של משתמשים אימצו את הטכנולוגיה, והשימושים הפכו מתוחכמים יותר. אנו רואים בראיות המוצגות להלן רמז לכך שתכונות מוצר חדשות אפשרו צורות עבודה חדשות במקום פשוט להאיץ את האימוץ עבור משימות קיימות.

כיצד השתנה השימוש ב-Claude.ai למשימות כלכליות

משימות חינוכיות ומדעיות ממשיכות לעלות בחשיבותן היחסית

בעוד שמשימות מחשוב ומתמטיקה עדיין שולטות בשימוש הכולל ב-36%, אנו רואים צמיחה מתמשכת בתחומים עתירי ידע. משימות הוראה וספרנות עלו מ-9% ב-V1 ל-12% ב-V3. משימות מדעיות (מדעי החיים, פיזיקה ומדעי החברה) עלו מ-6% ל-7%. בינתיים, שיעורן היחסי של משימות עסקיות ופיננסיות ירד מ-6% ל-3%, וניהול ירד מ-5% ל-3%.

התפצלות זו מרמזת כי השימוש ב-AI עשוי להתפשט במהירות במיוחד בקרב משימות הכוללות סינתזת ידע והסבר, בהשוואה לפעולות עסקיות מסורתיות – ייתכן שמכיוון שמשימות אלו מרוויחות יותר מיכולות החשיבה של קלוד.

יכולות חדשות מעצבות דפוסי שימוש

ברמה גרעינית יותר, אנו מתעדים שינויים בהרכב המשימות שנראה כי קשורים לתכונות שהושקו בין V2 ל-V3. לדוגמה, חיפוש מקורות וירטואליים ומאגרי מידע גדל באופן משמעותי (0.03% → 0.49%), דבר המשקף ככל הנראה את השקת חיפוש אינטרנט שלנו במרץ. בנוסף, אנו רואים עלייה גם במשימות מחקר מבוססות אינטרנט (0.003% → 0.27%), מה שמתיישב עם מצב המחקר שהשקנו באפריל.

אנו רואים גם סוגים אחרים של שינויים. משימות הקשורות לפיתוח חומרים לימודיים עלו ב-1.3 נקודות אחוז, מ-0.2% ל-1.5% – עלייה של פי 6 שייתכן ומשקפת אימוץ גובר בקרב מחנכים. יצירת מסמכי מולטימדיה עלתה ב-0.4 נקודות אחוז, כמעט שילשה מ-0.16% ל-0.55%, וייתכן שהדבר מונע על ידי שימוש מתמשך בתכונת ה-Artifacts שלנו לבניית אפליקציות מסורתיות ומבוססות AI בתוך Claude.ai.

מעניין לציין כי שיעור המשימות הכרוכות ביצירת קוד חדש יותר מהוכפל, עלייה של 4.5 נקודות אחוז (מ-4.1% ל-8.6%), בעוד שמשימות דיבוג ותיקון שגיאות ירדו ב-2.8 נקודות אחוז (מ-16.1% ל-13.3%) – שינוי נטו של 7.4 נקודות אחוז לעבר יצירה במקום תיקון קוד. זה עשוי לרמז שמודלים הפכו אמינים יותר ויותר, כך שמשתמשים מבלים פחות זמן בתיקון בעיות ויותר זמן ביצירת דברים באינטראקציה אחת.

אוטומציה מכוונת מואצת

כמו בדוחות קודמים, אנו עוקבים לא רק אחר לשם מה אנשים משתמשים בקלוד, אלא גם כיצד הם משתפים פעולה או מפקידים משימות בידי קלוד ב-Claude.ai.

ברמה גבוהה, אנו מבחינים בין מצבי אוטומציה להגברה של שימוש בקלוד:

• אוטומציה כוללת דפוסי אינטראקציה המתמקדים בהשלמת משימות:
• מכוונת (Directive): משתמשים נותנים לקלוד משימה והוא משלים אותה עם מינימום דיאלוג.
• לולאות משוב (Feedback Loops): משתמשים מבצעים אוטומציה למשימות ומספקים משוב לקלוד לפי הצורך.
• הגברה מתמקדת בדפוסי אינטראקציה שיתופיים:
• למידה (Learning): משתמשים מבקשים מקלוד מידע או הסברים על נושאים שונים.
• איטרציית משימה (Task Iteration): משתמשים מבצעים איטרציה על משימות בשיתוף פעולה עם קלוד.
• אימות (Validation): משתמשים מבקשים מקלוד משוב על עבודתם.

שיעור השיחות המכוונות שנדגמו משיחות Claude.ai קפץ מ-27% ב-V1 בסוף 2024 ל-39% ב-V3. עלייה זו באה בעיקר על חשבון אינטראקציות של איטרציית משימה ולמידה, מה שמרמז על עלייה משמעותית נטו בשיעור השיחות המציגות דפוסי שימוש אוטומטיים – עלייה בולטת בשמונה חודשים בלבד. זהו הדוח הראשון שבו שימוש באוטומציה עולה על שימוש בהגברה.

פרשנות אחת היא שזו תוצאה של יכולות מודל הולכות ומשתפרות. ככל שמודלים משתפרים בציפייה לצרכי המשתמשים ובהפקת תפוקות איכותיות בניסיונות ראשונים, משתמשים עשויים להזדקק לפחות ליטושים עוקבים. הקפיצה בשימוש המכוון עשויה גם לאותת על ביטחון גובר בהאצלת משימות שלמות ל-AI, סוג של למידה מתוך עשייה.

בין אם צמיחת השימוש המכוון מיוחסת לשיפור יכולות המודל או ללמידה מתוך עשייה, הדבר יכול לאותת על השלכות שונות מאוד בשוק העבודה. אם מודלים מתקדמים יותר פשוט מרחיבים את קבוצת המשימות האוטומטיות, אזי הסיכון עולה שעובדים המבצעים משימות כאלה יודחו. אולם, אם במקום זאת עליית השימוש המכוון משקפת למידה מתוך עשייה, אזי עובדים המסוגלים ביותר להסתגל לזרימות עבודה חדשות מבוססות AI צפויים לראות ביקוש גדול יותר ושכר גבוה יותר. במילים אחרות, AI עשוי להועיל לחלק מהעובדים יותר מאחרים: הוא עשוי להוביל לשכר גבוה יותר עבור בעלי היכולת הגדולה ביותר להסתגל לשינויים טכנולוגיים, גם כאשר אלה עם יכולת הסתגלות נמוכה יותר מתמודדים עם שיבוש תעסוקתי. זה יהיה תחום חקירה חשוב למחקר עתידי.

מבט קדימה

נתוני V3 חושפים כי יכולות AI ואימוצה ממשיכים להתקדם. משימות מבוססות ידע, כולל יישומים חינוכיים ומדעיים, ממשיכות בקצב הצמיחה המהיר שלהן, ונראה כי תכונות מוצר חדשות מאפשרות סוגים שונים של עבודה במקום רק להאיץ משימות קיימות.

הבולט ביותר הוא שהנתונים מצביעים על האצלת משימות מוגברת למערכות AI – אולי בשל שילוב של אמון המשתמש בטכנולוגיה וכן שיפור יכולות המודל הבסיסיות. זה יכול להיות גם בשל שינויים בבסיס המשתמשים הבסיסי. הפרק הבא של הדוח הזה מפרט לראשונה את השימוש על פני גאוגרפיה, מה שיאפשר לנו להפריד בין שינויים בזמן לעומת שינויים גאוגרפיים בצורה ברורה יותר בעתיד. נמשיך לעקוב אחר מגמות אלו מקרוב בדוחות עתידיים.

1. "Search electronic sources, such as databases or repositories, or manual sources for information" increased from 0.03% to 0.49%. "Conduct internet-based and library research" increased from 0.003% to 0.27%.

2. Statistic computed from tasks containing the string “develop instructional materials”.

3. Tasks were collated from the set of tasks whose frequency has changed by a magnitude greater than or equal to 0.2 percentage points. Programming creation tasks include: “write new programs or modify existing programs” (1.5% → 4.9%), “design, build, or maintain web sites” (1.2% → 2.0%), “write, analyze, review, and rewrite programs” (1.2% → 0.5%), “develop new software applications” (0.06% → 0.6%), “develop transactional web applications” (0.1% → 0.3%), and “develop application-specific software” (0.05% → 0.3%). Debugging/error correction tasks include: “modify existing software to correct errors” (two variants: 2.5% → 3.8% and 4.8% → 2.7%), “correct errors by making appropriate changes” (3.0% → 2.1%), “perform initial debugging procedures” (2.0% → 0.9%), “diagnose, troubleshoot, and resolve hardware/software problems” (1.6% → 2.5%), “review and analyze computer printouts to locate code problems” (1.3% → 0.9%), and “determine sources of web page or server problems” (0.9% → 0.4%).

4. We note that V3 uses Claude Sonnet 4 for classification, while V2 used Sonnet 3.7, which complicates direct comparison. To address this, we reran V3 data with Sonnet 3.7 and still found directive interactions rising significantly (though to a lower absolute level of 45% automation versus 49% with Sonnet 4). We also verified this trend is not driven by changes in task mix—the shift toward directive interactions appears across a wide range of occupational categories, suggesting it reflects genuine changes in how people interact with Claude rather than compositional effects.

5. Nelson and Phelps, 1966 Investment in Humans, Technological Diffusion, and Economic Growth is a classic reference for the value of education in equipping workers to adapt to change. See also Goldin and Katz, 2008 The Race between Education and Technology. We thank Anton Korinek for the observation that AI itself might accelerate the diffusion and economic impact of AI to the extent that it plays the role that skilled workers played in the past in figuring out how to effectively wield new technologies in novel settings.

פרק 2: שימוש בקלוד ברחבי ארצות הברית והעולם

סקירה כללית

היכן ש-AI יאומץ לראשונה – וכיצד הוא ישמש – יעצב תוצאות כלכליות ברחבי העולם. על ידי ניתוח דפוסי השימוש בקלוד על פני למעלה מ-150 מדינות וכל מדינות ארה"ב, אנו חושפים שלוש דינמיקות מפתח: היכן נמצאים המאמצים המוקדמים, לשם מה הם משתמשים ב-AI, וכיצד השימוש מתפתח ככל שהאימוץ מתבגר. דפוסים גאוגרפיים אלה מספקים ראיות מהעולם האמיתי לגבי התפשטות הכלכלית של AI, ועוזרים לעקוב האם אזורים שונים מתכנסים או מתפצלים באימוץ ה-AI שלהם, וחושפים כיצד מאפיינים כלכליים מקומיים מעצבים את פריסת הטכנולוגיה.

הנתונים שלנו, המתבססים על ניתוח שומר פרטיות של מיליון שיחות Claude.ai, אישרו חלק מהציפיות שלנו תוך כדי אתגר אחרות. ארה"ב שולטת בשימוש הכולל ב-21.6%, דבר שאינו מפתיע בהתחשב בגודלה ובהכנסה הגבוהה שלה. אך גם כאשר מתאימים לגודל אוכלוסיית גיל העבודה, מדינות בעלות הכנסה גבוהה יותר נוטות לשימוש גבוה יותר. לדוגמה, שיעור השימוש בסינגפור גבוה פי 4.5 ממה שאוכלוסיית גיל העבודה שלה הייתה מרמזת, בעוד אזורים גדולים בעולם מראים שימוש מינימלי. מעניין לציין, שבתוך ארה"ב, וושינגטון די.סי ויוטה עוקפות את קליפורניה בשימוש לנפש.

אנו מבחינים גם בשינויים במקרי השימוש ב-AI ככל שהאימוץ לנפש מעמיק. מדינות עם אימוץ AI נמוך יותר לנפש מתרכזות באופן גורף במשימות קידוד – יותר ממחצית מכלל השימוש בהודו, לעומת כשליש ברחבי העולם. ככל שהאימוץ מתבגר, השימוש מתגוון, עם דגש הולך וגובר על חינוך, מדע ותפעול עסקי.

אף בולט יותר: שווקים בוגרים נוטים להשתמש ב-AI באופן שיתופי יותר, בעוד שווקים מתפתחים נוטים יותר להאציל לו משימות שלמות – אולי משקף הבדלים באופן שבו AI נפרס על ידי כלכלות בשלבי טרנספורמציה מבנית שונים. הנתונים שלנו מספקים חלון לדפוסים אלו על פני גאוגרפיות, ובעתיד יאפשרו לנו לעקוב האם פערי אימוץ אלה מצטמצמים, מתרחבים או משנים את מבנם לאורך זמן.

התפשטות קלוד ברחבי העולם

השימוש הכולל בקלוד הגבוה ביותר בארה"ב

אימוץ קלוד הכולל מרוכז מאוד גאוגרפית. במונחי שימוש עולמי כולל, ארצות הברית מהווה את החלק הגבוה ביותר (21.6%), כאשר המדינות הבאות בדירוג מציגות שיעורים נמוכים באופן משמעותי (הודו ב-7.2%, ברזיל ב-3.7%). עם זאת, ריכוז זה מושפע מגודל האוכלוסייה של כל מדינה – מדינות גדולות יותר עשויות לכלול שיעורי שימוש גדולים יותר אך ורק בשל גודל אוכלוסייתן.

שימוש לנפש בקלוד מרוכז במדינות מתקדמות טכנולוגית

כדי להתחשב בהבדלים בגודל האוכלוסייה, אנו מנתחים את השימוש בהתאמה לאוכלוסיית גיל העבודה, ומציגים מדד חדש הנקרא מדד השימוש ב-AI של אנתרופיק (AUI): עבור כל גאוגרפיה, אנו מחשבים את חלקה בשימוש בקלוד, ואת חלקה באוכלוסיית גיל העבודה (גילאי 15-64). לאחר מכן אנו מחשבים את מדד ה-AUI על ידי חלוקת חלקים אלה:

מדד זה חושף האם מדינות משתמשות בקלוד יותר או פחות מהצפוי ביחס לאוכלוסיית גיל העבודה שלהן. אזור עם AUI > 1 מציג שימוש גבוה מהצפוי לאחר התאמה לאוכלוסייה, בעוד שאזור עם AUI < 1 מציג שימוש נמוך יותר.

התוצאות חושפות דפוס ריכוז מדהים בקרב כלכלות קטנות ומתקדמות טכנולוגית. ישראל מובילה את השימוש העולמי בקלוד לנפש עם מדד שימוש ב-AI של אנתרופיק בגובה 7 – כלומר, אוכלוסיית גיל העבודה שלה משתמשת בקלוד פי 7 יותר מהצפוי בהתבסס על אוכלוסייתה. סינגפור עוקבת אחריה עם 4.57, בעוד שאוסטרליה (4.10), ניו זילנד (4.05) ודרום קוריאה (3.73) סוגרות את חמש המדינות המובילות במונחים של שימוש בקלוד לנפש.

לאחר מכן, אנו יוצרים דרגות שימוש לנפש בהתבסס על מדד ה-AUI. אנו בוחנים מדינות עם לפחות 200 שיחות במדגם האקראי שלנו של מיליון שיחות, וקובעים ספים לדרגות שימוש שונות המבוססות על רביעונים, כלומר מובילה (25% העליונים), בינונית-עליונה (50-75%), בינונית-תחתונה (25%-75%) ומתפתחת (25% התחתונים). לאחר מכן אנו מקצים מדינות, גם אם יש להן פחות מ-200 תצפיות, לדרגה בהתבסס על מדד ה-AUI שלהן. אנו מקצים מדינות שלגביהן יש לנו נתוני אוכלוסייה, אך אין שימוש במדגם שלנו, לדרגה מינימלית.

התמקדות במדינות מובילות ומתפתחות מבחינת שימוש לנפש

ריכוז זה בכלכלות מתקדמות עם גודל אוכלוסייה מוגבל משקף את הדפוסים המבוססים שלהן כחלוצות טכנולוגיות. לדוגמה, הן ישראל והן סינגפור מדורגות גבוה במדד החדשנות העולמי – מדד למידת החדשנות של כלכלות שונות ברחבי העולם – מה שמרמז כי השקעות כלליות בטכנולוגיית מידע ממצבות כלכלות היטב לאימוץ מהיר של AI חזיתי. בסך הכל, כלכלות אלו יכולות למנף את כוח העבודה המשכיל שלהן, התשתית הדיגיטלית החזקה ומדיניות ידידותית לחדשנות כדי ליצור תנאים פוריים ל-AI.

בולט מיקומן של כלכלות מפותחות גדולות בשימוש בקלוד. ארצות הברית (3.62) מדורגת בין המדינות המובילות במונחי אימוץ לנפש, כאשר קנדה (2.91) ובריטניה (2.67) מציגות שיעורי אימוץ גבוהים אך מתונים יותר בהשוואה לאוכלוסייתן. כלכלות גדולות אחרות מראות אימוץ נמוך יותר, כולל צרפת עם 1.94, יפן עם 1.86 וגרמניה עם 1.84.

בינתיים, רבות מכלכלות ההכנסה הנמוכה והבינונית מציגות שימוש מינימלי בקלוד, כאשר מדינות רבות ברחבי אפריקה, אמריקה הלטינית וחלקים מאסיה מציגות אימוץ קלוד מתחת למה שניתן היה לצפות בהתבסס על אוכלוסיית גיל העבודה שלהן. זה כולל את בוליביה (0.48), אינדונזיה (0.36), הודו (0.27) וניגריה (0.2).

שונות זו בשימוש משקפת הבדלי הכנסה בין כלכלות אלו. אנו רואים מתאם חיובי חזק בין אימוץ קלוד לבין התוצר המקומי הגולמי לנפש בגיל העבודה, כאשר עלייה של 1% בתוצר המקומי הגולמי לנפש קשורה לעלייה של 0.7% בשימוש בקלוד לנפש.

הפערים בשימוש בקלוד משקפים ככל הנראה שילוב של גורמים, חלקם מתואמים עם הכנסה:

• תשתית דיגיטלית: מדינות עם שימוש גבוה בדרך כלל בעלות קישוריות אינטרנט חזקה וגישה למחשוב ענן הנדרשים לגישה לסוכני AI.
• מבנה כלכלי: כפי שתועד בדוח זה ובדוחות קודמים, יכולות קלוד מתאימות היטב למשימות שונות האופייניות לעובדי ידע. כלכלות מתקדמות נוטות להיות בעלות שיעור גדול יותר של כוח העבודה בתפקידים כאלה בהשוואה לכלכלות בעלות הכנסה נמוכה יותר עם שיעור תעסוקה גדול יותר בייצור.
• סביבה רגולטורית: ממשלות שונות במידת האקטיביות שבה הן מעודדות את השימוש ב-AI בתעשיות שונות ובמידת הרגולציה שהן מפעילות על הטכנולוגיה.
• מודעות וגישה: למדינות עם קשרים חזקים יותר לעמק הסיליקון וקהילות מחקר AI ייתכנו מודעות וגישה רחבות יותר לקלוד.
• אמון ונוחות: דעת הקהל לגבי אמון ב-AI משתנה באופן מהותי בין מדינות.

התפשטות קלוד ברחבי ארצות הברית

בתוך ארה"ב, קליפורניה מובילה באופן גורף עם 25.3% מהשימוש. מדינות אחרות עם מרכזי טכנולוגיה גדולים כמו ניו יורק (9.3%), טקסס (6.7%) ווירג'יניה (4.0%) מדורגות גם הן גבוה. למרות שאינו מותאם לאוכלוסייה, אנו חושדים כי נתוני אימוץ חזקים אלה משקפים בחלקם אימוץ מהיר במרכזי טכנולוגיה – בהתאם לאופן שבו טכנולוגיות בעלות השלכות כלכליות נוטות היסטורית להתפשט.

נרטיב זה הופך מורכב יותר, לעומת זאת, כאשר אנו מתאימים לגודל האוכלוסייה של כל מדינה. באופן מפתיע, וושינגטון די.סי מובילה עם מדד שימוש ב-AI של אנתרופיק בגובה 3.82, מה שמעיד על כך שהשימוש בקלוד בוושינגטון די.סי גבוה פי 3.82 מחלקה באוכלוסיית גיל העבודה של המדינה. אחריה צמודה יוטה (3.78), באופן בולט לפני קליפורניה (2.13), ניו יורק (1.58) ווירג'יניה (1.57).

אנו מתעדים מתאם דומה, אך חלש יותר ברמה הגלובלית, בין אימוץ קלוד להכנסה לנפש בין מדינות ארה"ב. הבדלי הכנסה מסבירים פחות ממחצית מהשונות בשיעורי האימוץ בין המדינות. למרות מתאם חלש זה, אנו מוצאים שאימוץ קלוד עולה מהר יותר עם ההכנסה: כל עלייה של 1% בתוצר המקומי הגולמי לנפש במדינה קשורה לעלייה של 1.8% במדד השימוש ב-AI.

דפוסי שימוש במשימות בין מדינות

אנו מבחינים בשונות בולטת באופן שבו קלוד משמש במדינות שונות. כפי שבדוחות קודמים, אנו מנתחים מגמות אלו באמצעות שתי גישות שונות. ראשית, אנו מסווגים שיחות למשימות על פי O*NET, טקסונומיה אמריקאית הממפה משימות ספציפיות למקצועות וקבוצות מקצועיות (לדוגמה, משימה הכוללת דיבוג תוכנה תיכנס לקבוצת המקצועות "מחשוב ומתמטיקה").

שנית, אנו משתמשים בקלוד כדי לבנות טקסונומיה "מלמטה למעלה" של בקשות משתמשים ב-Claude.ai, המספקת תובנה לגבי דפוסי שימוש שאינם מתאימים בצורה מסודרת לטקסונומיות קיימות. לדוגמה, צביר הבקשות "עזרה בכתיבה ושיפור קורות חיים לבקשות עבודה" (רמה נמוכה ביותר) נכנס לצביר ברמה גבוהה יותר "עזרה בבקשות עבודה, קורות חיים ומסמכי קריירה" (רמה אמצעית), אשר בתורו נכנס לצביר "עזרה בבקשות עבודה, קורות חיים וקידום קריירה" (רמה גבוהה ביותר). שתי גישות משלימות אלו מאפשרות לנו לדווח על תוצאות מתואמות עם סטטיסטיקות עבודה סטנדרטיות, ולספק גמישות כדי ללכוד משימות שטקסונומיות סטנדרטיות מפספסות.

שימוש גבוה יותר בקלוד לנפש קשור לשימוש מגוון יותר במשימות

בניתוח משימות O*NET המאוגדות ברמה הגבוהה ביותר (במונחים של קבוצות המקצועות של הסיווג התקני של מקצועות שאליהן הן שייכות), אנו מבחינים בשונות חזקה בין מדינות. בעוד שהדפוס הכולל רועש – במיוחד עבור מדינות עם פחות תצפיות – איור 2.7 מצביע על כך שככל שאנו מתקדמים מאימוץ קלוד נמוך יותר לנפש לאימוץ גבוה יותר, השימוש עובר ממשימות בקבוצת המקצועות "מחשוב ומתמטיקה" (לדוגמה, קידוד) למשימות מגוונות יותר בתחומים כמו חינוך, שימושים משרדיים ואדמיניסטרטיביים, ואמנות. אנו רואים גם שימוש מוגבר במדעי החיים, הפיזיקה ומדעי החברה.

ייחודיות מדינות מתגלות גם כשמסתכלים על טקסונומיית הבקשות "מלמטה למעלה" שלנו. קחו לדוגמה את ארצות הברית, ברזיל, וייטנאם והודו, המייצגות את המדינה עם השימוש הכולל הגבוה ביותר בדרגה נתונה של מדד השימוש ב-AI של אנתרופיק. משתמשים בארצות הברית משתמשים בקלוד באופן לא פרופורציונלי למטרות ניהול משק בית, לחיפוש עבודה ולייעוץ רפואי בהשוואה לממוצע העולמי. לעומת זאת, משתמשי קלוד בברזיל מציגים שימוש גבוה יחסית הן לתרגום והן לשירותים משפטיים. הבקשות הלא פרופורציונליות המובילות של וייטנאם קשורות לפיתוח תוכנה וחינוך, והבקשות הלא פרופורציונליות המובילות של הודו מתמקדות כמעט אך ורק בפיתוח תוכנה. זה ככל הנראה משקף התמחות מקומית: ברזיל הייתה מאמצת מוקדמת של AI במערכת המשפט, ולהודו יש מגזר טכנולוגיית מידע גדול.

בכל המדינות, פיתוח תוכנה מתגלה כשימוש הנפוץ ביותר בקלוד. מדוע משימות מפתחים מובילות באופן עקבי בדפוסי השימוש הכוללים בקלוד? מספר גורמים ככל הנראה תורמים להשפעה זו:

• התאמת מודל-משימה: קלוד הוא מודל קידוד חזק מאוד וקל לפריסה על פני משימות יצירת קוד, דיבוג ופתרון בעיות טכניות.
• קבלת מפתחים: קהילות מפתחים מאמצות כלים חדשים במהירות, ושימוש זה מתפשט דרך הרשתות החברתיות והמקצועיות שלהם.
• חסמים ארגוניים נמוכים: מפתחים בודדים יכולים בדרך כלל לאמץ את קלוד ללא תהליכי אישור מורכבים – בניגוד, למשל, למקרי שימוש רפואיים.

דפוסי שימוש במשימות ברחבי ארצות הברית

בחלק זה אנו בוחנים דפוסי שימוש בקלוד בין מדינות בארה"ב, מה שמעניק לנו תובנה נוספת כיצד תנאים כלכליים מקומיים מעצבים דפוסי שימוש. כפי שדנו לעיל, הבדלים בין מדינות במדד השימוש ב-AI של אנתרופיק מסבירים פחות ממחצית מהשונות בהבדלי ההכנסה בין מדינות ארה"ב. זה מרמז כי הבדלים אזוריים אחרים – כולל התאימות של יכולות קלוד להרכב התעסוקתי של כוח העבודה המקומי – משחקים תפקיד גדול יותר בקביעה מדוע השימוש מרוכז יותר במדינות מסוימות מאשר באחרות.

במספר מדינות, אנו רואים ראיות לכך שדפוסי שימוש מקומיים ב-AI מתיישרים עם מאפיינים ייחודיים של הכלכלה המקומית. בניתוח המדינות המובילות בכל דרגת שימוש – קליפורניה למובילה, טקסס לבינונית-עליונה, פלורידה לבינונית-תחתונה, ודרום קרוליינה למתפתחת – אנו רואים שונות חזקה במונחי טקסונומיית הבקשות "מלמטה למעלה" שלנו.

לדוגמה, קליפורניה מציגה שימוש לא פרופורציונלי לבקשות הקשורות ל-IT, שיווק דיגיטלי ותרגום, מה שמשקף ככל הנראה את מגזר הטכנולוגיה שלה ואת האוכלוסייה המגוונת מבחינה לשונית. לקליפורניה יש גם בקשות תכופות באופן לא פרופורציונלי לעזרה במשימות מספריות בסיסיות, אשר עשויות לייצג בדיקות של יכולות מודל או שימוש לרעה. פלורידה רואה שימוש לא פרופורציונלי לייעוץ עסקי וכושר, וייתכן שקשור לתפקידה כמרכז פיננסי עם שיעורי מס נמוכים יחסית ואקלים חם המתאים לפעילויות חוץ.

בתוך ארה"ב, וושינגטון די.סי מובילה במונחי שימוש בקלוד לנפש, עם התמקדות לא פרופורציונלית בעריכת מסמכים, אספקת מידע ובקשות עבודה הן בסיווג משימות ה-O*NET והן בקטגוריות "מלמטה למעלה". לדוגמה, עזרה בבקשות עבודה נפוצה פי 1.84 בוושינגטון די.סי מאשר בארה"ב כולה. לוח המחוונים האינטראקטיבי שלנו מאפשר לכל אחד לחקור את מגוון השונות והדפוסים המלא על פני מדינות ארה"ב.

דפוסים גאוגרפיים בשיתוף פעולה בין אדם ל-AI

בעוד שסעיפים קודמים בחנו לשם מה אנשים משתמשים בקלוד, דפוס חושפני לא פחות מתגלה בכיצד הם מקיימים אינטראקציה איתו. כאן, אנו משתמשים באותם דפוסי שיתוף פעולה של הגברה ואוטומציה כפי שהוגדרו בפרק 1.

למדינות יש תמהילי משימות שונים, כלומר הן מתמקדות במשימות כלכליות שונות, מה שעשוי להסביר חלקית הבדלים בדפוסי אוטומציה. בחלק זה, אנו חוקרים האם שימוש אוטומטי שונה באופן שיטתי בין כלכלות עם אימוץ נמוך וגבוה לנפש – גם כאשר שולטים על הבדלים בתמהיל המשימות.

אנו מוצאים כי גם כאשר שולטים על תמהיל המשימות של מדינה, משתמשים ממדינות שונות מראים העדפות שונות באופן בולט להאצלה אוטונומית לעומת אינטראקציה שיתופית. ככל ששימוש בקלוד לנפש עולה, מדינות עוברות משימוש ממוקד-אוטומציה לשימוש ממוקד-הגברה. זה מעט מנוגד לאינטואיציה, שכן אנו שולטים על הרכב המשימות המגוון יותר בין מדינות שונות. אנו משערים כי גורמים תרבותיים וכלכליים עשויים להשפיע על שיעור האוטומציה, או שאולי מאמצים מוקדמים בכל מדינה נוטים להשתמש ב-AI באופן אוטומטי יותר – אך יש צורך במחקר נוסף כאן.

מסקנה

הניתוח שלנו של דפוסי שימוש בקלוד על פני גאוגרפיות חושף מספר תובנות מפתח. אחת הבולטות ביותר היא הריכוז הגאוגרפי של השימוש בקלוד. הובלת ארה"ב וקליפורניה במונחי שימוש כולל בקלוד, והמתאם החזק בין שימוש בקלוד להכנסה לנפש, מרמזים על הקבלות לטכנולוגיות עבר שבהן ריכוז גאוגרפי ראשוני ושימוש ממוקד היו מאפיין מרכזי. שרטוט הקבלות לדפוסי התפשטות של טכנולוגיות קודמות עשוי לעזור לנו להבין טוב יותר את התפשטות והשפעת ה-AI.

באופן מפתיע, גאוגרפיה מעצבת לא רק לשם מה משתמשים בכלי AI, אלא גם כיצד משתמשים בהם. משתמשים בכלכלות עם שימוש נמוך יחסית לנפש מראים העדפה יחסית להאצלת משימות לקלוד (אוטומציה), בעוד שמשתמשים בכלכלות עם שימוש גבוה לנפש נוטים יותר להעדיף אינטראקציות שיתופיות או מבוססות למידה עם קלוד (הגברה), גם כאשר שולטים על תמהיל המשימות. בדומה להתמחות המקומית בשימוש במשימות, ההתמחות המקומית בדפוסי שיתוף פעולה של AI מרמזת כי השפעת ה-AI יכולה להיות שונה מאוד באזורים שונים.

הדפוסים הגיאוגרפיים של אימוץ AI – היכן הוא משמש, לשם אילו משימות, וכיצד – מרמזים כי על מנת לממש את הפוטנציאל של AI להועיל לאנשים ברחבי העולם, על קובעי המדיניות לשים לב לריכוז המקומי של שימוש ואימוץ AI, ולטפל בסיכון של העמקת פערים דיגיטליים.

1. For privacy reasons, our automated analysis system filters out any cells—e.g., countries, and (country, task) intersections—with fewer than 15 conversations and 5 unique user accounts. For bottom-up request clusters, we have an even higher privacy filter of at least 500 conversations and 250 unique accounts.

2. Data in this section covers 1 million Claude.ai Free and Pro conversations from August 4 to 11, 2025, randomly sampled from all conversations in that period that were not flagged as potential trust and safety violations. The unit of observation is a conversation with Claude on Claude.ai, not a user, so it is possible that multiple conversations from the same user are included, though our past work suggests that sampling conversations at random versus stratified by user does not yield substantively different results. Aggregate geographic statistics at the country and US state level were assessed and tabulated from the IP address of each conversation. For geolocation, we use ISO-3166 codes since our provider for IP geolocation uses this standard. International locations use ISO-3166-1 country codes, US state level data use ISO-3166-2 region codes, which include all 50 US states and Washington DC. We exclude conversations originating from VPN, anycast, or hosting services, as determined by our IP geolocation provider.

3. International locations use ISO-3166-1 country codes, which includes countries and some territories.

4. Tier thresholds (quartiles) are based on countries with at least 200 observations for the global level, and on US states with at least 100 observations for the US level. Countries with no observed usage are assigned to the Minimal tier since we do not know if they have exactly zero usage or little usage that our random sample did not capture. Future work, for example using stratified sampling, will allow us to explore these patterns with higher accuracy given limited observations for smaller countries and states.

5. The world map is based on Natural Earth’s world map with the ISO standard point of view for disputed territories, which means that the map may not contain some disputed territories. We note that in addition to the countries shown in gray (“Claude not available”), we do not operate in the Ukrainian regions Crimea, Donetsk, Kherson, Luhansk, and Zaporizhzhia. In accordance with international sanctions and our commitment to supporting Ukraine's territorial integrity, our services are not available in areas under Russian occupation.

6. “No data” applies to countries with partially missing data. Some territories (e.g., Western Sahara, French Guiana) have their own ISO-3611 code. Some of these have some usage, others have none. Since the Anthropic AI Usage Index is calculated per working-age capita based on working age population data from the World Bank, and population data is not readily available for all of these territories, we cannot calculate the AUI for these territories.

7. When further investigating Utah’s activity, we discovered a notable fraction of its usage appeared to be possibly associated with coordinated abuse. This is also reflected in a much higher “directive” automation score than average. However, we ran robustness checks and believe that this activity is not driving the results.

8. Requests were filtered to those that represent at least 1% of requests at the global level and 1% of the local level.

9. To isolate the relationship between automation preference and Claude usage accounting for task composition differences, we do the following: First, we calculate each country’s expected automation percentage by taking a weighted average. For each O*NET task (e.g., coding, writing, or analysis), we multiply that task's share of the country's usage by the global automation rate for that task type (the percentage of that task that Claude completes via directive/feedback loop patterns globally). Summing these gives us the expected values for each country's automation percentage given the country’s specific task mix. We then regress both the actual automation % and AUI on this expected automation %. The residuals from these regressions represent the variation in each variable that cannot be explained by task composition. By examining the relationship between these residuals (known as partial regression analysis), we can determine whether countries that have higher AI usage than their task mix would predict tend also to have higher-than-predicted automation.

פרק 3: פריסה ארגונית של Claude באמצעות API

סקירה כללית

האם יכולות AI חזיתיות יהפכו אותנו לפרודוקטיביים יותר, יעצבו מחדש שווקי עבודה ויאיצו צמיחה – תלוי מתי וכיצד חברות יבחרו לפרוס AI. גם כאשר עסקים מזהים את הפוטנציאל של AI, אימוץ רווחי עשוי לדרוש ארגון מחדש יקר של תהליכי ייצור, הכשרת עובדים חדשים, והשקעות בעלויות שקועות אחרות כדי להקל על פריסה יעילה.

כדי להבין את דפוסי האימוץ העסקי של AI, אנו פונים למקור נתונים חדש: לקוחות ה-API של אנתרופיק (1P) – שוב, בהסתמך על שיטות לשמירת פרטיות. ה-API שלנו מאפשר ללקוחות לשלב את קלוד ישירות במוצריהם וביישומיהם, ומחייב לפי טוקן בשימוש, ולא בתשלום מנוי קבוע. זה מייצג חווית מוצר שונה באופן יסודי מ-Claude.ai, שבה התמקדנו בשני הפרקים הקודמים.

אינרציה מוסדית, יחד עם עלויות קבועות של אימוץ, מרמזת כי דוגמאות מוקדמות לשימוש ארגוני ב-AI צפויות להתרכז במשימות מיוחדות שבהן הפריסה קלה, היכולות חזקות, והיתרונות הכלכליים מאימוץ גבוהים.

ואכן, אנו רואים ראיות בכיוונים אלה בנתונים המוצגים בפרק זה. הניתוח שלנו חושף מספר דפוסים:

• עסקים משתמשים בקלוד בדרכים דומות אך ממוקדות יותר ממשתמשים בודדים: עסקים מרכזים את השימוש במשימות שבהן פריסת AI מתאימה היטב לגישה תוכנתית, כמו קידוד או משימות אדמיניסטרטיביות. בהשוואה למשתמשי Claude.ai, עסקים משתמשים בקלוד פחות למשימות חינוכיות או יצירתיות וביותר דרכים אוטומטיות בסך הכל.
• לקוחות API נוטים להעדיף משימות יקרות יותר: למרות שמשימות משתנות באופן דרמטי בעלות, המשימות היקרות ביותר נוטות לשימוש גבוה יותר, מה שמרמז כי יכולות המודל, קלות הפריסה והערך הכלכלי של אוטומציה קובעים את האימוץ הרבה יותר מאשר עלות האינטראקציה עצמה.
• גישה למידע הקשרי מתאים נדרשת לפריסה מתוחכמת: אנו מוצאים ראיות לצוואר בקבוק פוטנציאלי חשוב לשימושיות ה-AI עבור עסקים. לקוחות API המשתמשים בקלוד למשימות מורכבות נוטים לספק לקלוד קלט ארוך. זה יכול לייצג חסם לפריסה ארגונית רחבה יותר עבור כמה משימות חשובות המסתמכות על הקשר מפוזר שאינו כבר מרוכז או דיגיטלי. תיקון צוואר בקבוק זה עשוי לדרוש מחברות לארגן מחדש את הארגון שלהן, להשקיע בתשתיות נתונים חדשות ולרכז מידע לפריסת מודל יעילה.

הכנת הקרקע: דפוסי אימוץ AI בנתונים ציבוריים

לפני שנצלול לנתוני ה-API שלנו, כדאי להתבסס על הנוף הרחב יותר של אימוץ AI עסקי. על פי סקר מגמות ותחזיות עסקיות של לשכת המפקד, אימוץ AI בקרב חברות אמריקאיות יותר מהוכפל בשנתיים האחרונות, ועלה מ-3.7% בסתיו 2023 ל-9.7% בתחילת אוגוסט 2025. למרות קצב צמיחה מהיר זה, הרוב המכריע של החברות בארה"ב אינן מדווחות על שימוש ב-AI בתהליכי הייצור שלהן.

אבל מספרים מצטברים אלה מסווים שונות גדולה בין מגזרים. לדוגמה, בתחילת אוגוסט 2025, אחד מכל ארבעה עסקים במגזר המידע דיווח על שימוש ב-AI, שזה בערך פי עשרה מהשיעור במגזרי האירוח והמזון.

התמונה מנתונים ציבוריים אלה ברורה: השימוש הארגוני ב-AI צומח במהירות, אך אנו עדיין בשלבים המוקדמים של אימוץ AI. השימוש נותר מפוזר באופן לא אחיד ברחבי הכלכלה, כאשר המגזרים המסוגלים ביותר לאמץ במהירות ולהפיק תועלת מטכנולוגיה זו עושים זאת.

כפי שנראה להלן, נתוני ה-API של לקוחות 1P שלנו מניבים מסקנה משלימה: שימוש ארגוני מוקדם בקלוד מפוזר באופן לא אחיד ברחבי הכלכלה ופורס בעיקר למשימות אופייניות למקצועות מגזר המידע.

שימוש ממוקד בקרב לקוחות API של אנתרופיק

כדי לנתח תעבורת API, אנו מיישמים את אותן שיטות סיווג שומרות פרטיות מהפרקים הקודמים – מסווגים תמלילי API אנונימיים לפי משימות O*NET ולטקסונומיה "מלמטה למעלה". הדפוסים המתגלים מראים שימוש ארגוני המרוכז במשימות מיוחדות המתאימות במיוחד לאוטומציה.

בסך הכל, פיתוח תוכנה שולט בנוף. מבין 15 צבירי השימוש המובילים – המייצגים כמחצית מכלל תעבורת ה-API – רובם קשורים למשימות קידוד ופיתוח. דיבוג יישומי אינטרנט ופתרון בעיות טכניות מהווים כל אחד כ-6% מהשימוש, בעוד שבניית תוכנה עסקית מקצועית מהווה נתח משמעותי נוסף. יש לציין, כי כ-5% מתעבורת ה-API מתמקדת במיוחד בפיתוח והערכה של מערכות AI עצמן.

אך לא כל שימוש ב-API הוא לקידוד. לקוחות API פורסים את קלוד גם ליצירת חומרי שיווק (4.7%) ולעיבוד נתוני עסקים וגיוס (1.9%). שתי קטגוריות אלו חושפות כי AI נפרס לא רק לייצור ישיר של סחורות ושירותים אלא גם לרכישת טאלנט ותקשורת חיצונית.

סיווג ה-O*NET הופך דפוסים אלה לברורים עוד יותר. קצת פחות ממחצית מכלל תעבורת ה-API ממופה למשימות מחשוב ומתמטיקה – למעלה מ-8 נקודות אחוז יותר משימוש ב-Claude.ai. משימות משרדיות ואדמיניסטרטיביות מגיעות למקום השני עם כ-10% מהתמלילים, המשקף את התאמתן לאוטומציה.

מצד שני, למספר משימות עתירות אינטראקציה הבולטות ב-Claude.ai יש שיעור קטן בהרבה בשימוש ב-API: משימות חינוך וספרנות יורדות מ-12.3% ל-3.6%, בעוד שאמנות ובידור יורדות מ-8.2% ל-5.2%.

במקרים רבים, לעומת זאת, קטגוריות מקצועיות קרובות באופן סביר בין נתוני Claude.ai ו-API, מה שמרמז כי יכולות המודל הבסיסיות, ולא משטח המוצר הספציפי, מניעות את האימוץ במקרים רבים.

פילוח תעסוקתי מול התמחות במשימות

למרות שירות משתמשים שונים עם ממשקים שונים, השימוש ב-API וב-Claude.ai עוקב אחר התפלגויות חוקי חזקה דומות באופן מדהים על פני משימות. בקרב שיחות Claude.ai, 80% התחתונים של קטגוריות המשימות מהווים רק 12.7% מהשימוש; עבור לקוחות API זה מרוכז מעט יותר ב-10.5%. ריכוזים קיצוניים אלה (מקדמי ג'יני של 0.84 ו-0.86) חושפים שונות עצומה בהתאמת AI-משימה – המשימות המתאימות ביותר רואות שימוש גבוה בסדרי גודל מאשר אלו שאינן מתאימות היטב.

הדמיון בין הפלטפורמות בולט במיוחד בהתחשב בבסיסי המשתמשים ומקרי השימוש השונים שלהן. שניהם מתכנסים לרמות ריכוז דומות, מה שמרמז על תהליך התאמה משותף בין יכולות AI למשימות כלכליות קשורות.

משימות כמו יצירת קוד שולטות מכיוון שהן פוגעות בנקודת איזון שבה יכולות המודל מצטיינות, חסמי הפריסה מינימליים, ועובדים יכולים לאמץ את הטכנולוגיה החדשה במהירות. הזנב הארוך של משימות בשימוש נדיר יכול לשקף מספר גורמים. לדוגמה, חלק מהמשימות פשוט פחות נפוצות – דיבוג תוכנה קורה הרבה יותר מאשר משא ומתן על חוזי קרקס. הריכוז הקיצוני מרמז גם על התפקיד הפוטנציאלי של כוחות O-Ring: אם משימה דורשת רמת חשיבה שקלוד אינו יכול להתמודד איתה, נתונים פנימיים שהחברה אינה יכולה לגשת אליהם, או אישור רגולטורי שאינו קיים, כל חסם בודד יכול למנוע אימוץ.

אוטומציה מול הגברה בשיחות API

ההבדל הברור ביותר בין שימוש ב-API ל-Claude.ai טמון בכיצד בני אדם ו-AI מחלקים את העבודה. כאשר עסקים משלבים את קלוד ביישומים שלהם, הם מאצילים בעיקר משימות בודדות במקום לשתף פעולה באופן איטרטיבי עם מודלים.

בנתונים שלנו, 77% מתמלילי ה-API מראים דפוסי אוטומציה (במיוחד האצלת משימה מלאה) לעומת 12% בלבד להגברה (לדוגמה, ליטוש שיתופי ולמידה). בהתבסס על מדגם שיחות מ-Claude.ai, החלוקה בין אוטומציה להגברה כמעט שווה. בבחינה של משימות כלכליות, מידת האוטומציה של קלוד באמצעות ה-API בולטת עוד יותר: 97% מהמשימות מראות דפוסי אוטומציה דומיננטיים בשימוש ב-API, לעומת 47% בלבד ב-Claude.ai.

זה הגיוני באופן אינטואיטיבי. גישה תוכנתית ל-API מטבעה מתאימה לאוטומציה: עסקים מספקים הקשר, קלוד מבצע את המשימה, והפלט זורם ישירות למשתמשי קצה או למערכות זרם נמוך יותר.

דפוס זה מהדהד כיצד טכנולוגיות בעלות השלכות כלכליות הופכות טרנספורמטיביות: הן מוטמעות במערכות המאפשרות לעובדים לגשת לרווחי פרודוקטיביות מבלי להזדקק למיומנויות מיוחדות. בעוד שגם גישות מוגברות וגם אוטומטיות משפרות יכולות אנושיות, אוטומציה ברמת המערכת צפויה להניב הן רווחי פרודוקטיביות גדולים יותר בכלכלה והן שינויים משמעותיים יותר בשוק העבודה: אוטומציה מלאה של משימות מסוימות, שינוי אילו משימות חשובות עבור עבודות שונות, ואף יצירת צורות עבודה חדשות לחלוטין.

ככל שקלוד עושה יותר, כך קלוד צריך לדעת יותר

מדוע לקוחות ה-API שלנו משתמשים בקלוד למשימות מסוימות יותר מאשר לאחרות? מעבר ליכולות המודל הבסיסיות, הסבר פוטנציאלי חשוב הוא שקל יותר לספק לקלוד את המידע הנדרש לפריסה מוצלחת עבור משימות מסוימות מאשר אחרות.

לדוגמה, אם המטרה היא שקלוד יעבד מחדש מודול בפרויקט פיתוח תוכנה מורכב, קלוד עשוי להזדקק לקרוא – או לפחות לחקור – את כל בסיס הקוד כדי להבין אילו שינויים לבצע והיכן. עבור פיתוח תוכנה עם מאגרי קוד מרכזיים, הגישה למידע זה פשוטה באופן עקרוני.

עבור משימות אחרות, ההקשר המתאים עשוי שלא להיות זמין בקלות, או שגישה אליו עשויה להיות מאתגרת. לדוגמה, בקשה מקלוד לפתח אסטרטגיית מכירות עבור חשבון מפתח עשויה לדרוש שלקלוד תהיה גישה לא רק למידע הכלול במערכת ניהול קשרי לקוחות (CRM), אלא גם לידע טקטי הנמצא במוחות של מנהלי חשבונות, משווקים ואנשי קשר חיצוניים. כל השאר שווים, חוסר גישה למידע הקשרי כזה יהפוך את קלוד לפחות מסוגל.

אנו בוחנים שאלה זו על ידי בחינת הקשר בין משימות בין אורך קלט ה-API הממוצע (כלומר, ההקשר הניתן לקלוד) לבין אורך הפלט הממוצע של קלוד (כלומר, מה שהמודל מייצר בתגובה).

עבור כל משימת O*NET במדגם שלנו, אנו מחשבים את אורך הקלט והפלט הממוצע של תמלילי ה-API הקשורים. לאחר מכן אנו מחלקים ערכים אלו באורכים הממוצעים על פני כל המשימות המופיעות במדגם שלנו. זה מייצר אינדקס טוקני קלט ואינדקס טוקני פלט עבור כל משימה. ערך אינדקס של 1.5, לדוגמה, פירושו שתמלילי ה-API הקשורים למשימה זו ארוכים ב-50% מהממוצע על פני משימות.

קיימת שונות ניכרת בין משימות באורך פלטי ה-API של קלוד. לדוגמה, משימות באחוזון ה-90 של אורך פלט ארוכות פי יותר מ-4 ממשימות באחוזון ה-10. טבלה 3.1 מספקת דוגמאות למשימות O*NET, יחד עם סיכום של Claude Sonnet 4 עבור קבוצת המשימות בחלק זה של ההתפלגות. איור 3.7 מראה שאורך הפלט משתנה באופן שיטתי גם בין קטגוריות מקצועיות.

מה שבולט בהערכה של קלוד למשימות הוא שמשימות בעלות פלט ארוך יותר נוטות לייצג שימושים מורכבים יותר ויותר. כמובן, אורך הפלט אינו לוכד את כל ממדי מורכבות המשימה, אך נראה כי הוא קירוב סביר וקל למדידה.

מכיוון שלקוחות API מתומחרים לפי טוקן עבור קלט ופלט כאחד, יש להם תמריץ לייעל את ה-prompts של המודל כדי למזער גם את טוקני הקלט וגם את טוקני הפלט בעת שימוש בקלוד. בתורו, כל קשר שיטתי בין אורך קלט לפלט המיוצר על ידי קלוד לוכד בחלקו את האילוצים ההקשריים הבסיסיים בפריסת קלוד למשימות מתוחכמות. במילים אחרות, לקוחות API מתומרצים לספק לקלוד רק מספיק הקשר כדי להשיג את מטרתם ולא יותר. וכך אנו לומדים על דרישות הקשר למשימות עם אורך פלט משתנה.

במבט על המשימות, אנו רואים קשר יציב מאוד בין כמות ההקשר שלקוחות API מספקים לקלוד לבין כמות הפלט שקלוד אכן מייצר. בין משימות כלכליות, כל עלייה של 1% באורך הקלט קשורה לעלייה פחות מפרופורציונלית של 0.38% באורך הפלט. גמישות זו של 0.38 מצביעה על כך שישנם יתרונות שוליים פוחתים חזקים בתרגום קלטי הקשר ארוכים יותר לפלטים ארוכים יותר עבור משימות שימושיות כלכלית אלו.

השורה התחתונה היא שפריסת AI למשימות מורכבות עשויה להיות מוגבלת יותר על ידי גישה למידע מאשר על ידי יכולות המודל הבסיסיות. חברות שאינן יכולות לאסוף ולארגן נתונים הקשריים ביעילות עשויות להתקשות בפריסת AI מתוחכמת, דבר שיוצר צוואר בקבוק פוטנציאלי לאימוץ ארגוני רחב יותר – במיוחד עבור מקצועות ותעשיות שבהן ידע טקטי ומפוזר חיוני לפעילות העסקית.

עלות למשימה ודפוסי החלפה בין משימות

לקוחות API משלמים לפי טוקן, מה שיוצר שונות בעלות פריסת קלוד למשימות שונות. משימות מתוחכמות יותר נוטות לעלות יותר, בהתחשב בספירת טוקני הקלט והפלט הגבוהה שלהן. שונות זו עוזרת לנו לבחון האם העלות היא גורם מרכזי בקביעת אילו משימות עסקים בוחרים לבצע אוטומציה באמצעות קלוד.

הנתונים מרמזים שזה לא המצב, לפחות יחסית. לדוגמה, משימות האופייניות למקצועות מחשוב ומתמטיקה עולות יותר מ-50% יותר ממשימות הקשורות למכירות, אך עדיין שולטות בשימוש. בסך הכל, אנו מוצאים מתאם חיובי בין עלות לשימוש: משימות יקרות יותר נוטות לשיעורי שימוש גבוהים יותר.

המתאם החיובי בין עלות לשימוש מרמז כי העלות משחקת תפקיד לא מהותי בעיצוב דפוסי פריסת AI ארגונית. במקום זאת, עסקים ככל הנראה מעדיפים שימוש בתחומים שבהם יכולות המודל חזקות ושבהם אוטומציה מבוססת קלוד מייצרת מספיק ערך כלכלי העולה על עלות ה-API.

בעוד שמתאם חיובי זה תקף בסך הכל, אנו שואלים כעת האם הביקוש ליכולות קלוד נמוך יותר בקרב משימות דומות אך יקרות יותר. עם ההערה החשובה שיש לראות זאת כחקירה ראשונית, זה מה שאנו מוצאים.

בבקרת מאפייני המשימה, אנו מוצאים שכל עלייה של 1% בעלות קשורה לירידה של 0.29% בתדירות השימוש במדגם תמלילי ה-API שלנו. למרות עקביות עם התיאוריה הכלכלית הסטנדרטית לפיה מחירים גבוהים יותר מובילים לביקוש נמוך יותר, העלייה המשתמעת בשימוש לירידה בעלות מוגבלת. על פי הערכה זו, הפחתת עלויות של 10% עבור משימה מסוימת תגדיל את השימוש בכ-3% בלבד.

גורמים אחרים, מעבר לעלות השימוש בקלוד למשימות ספציפיות, נראים כבעלי חשיבות רבה יותר לדפוסי השימוש.

מסקנה

נתוני ה-API שלנו לוכדים את אימוץ ה-AI הארגוני בשלביו המוקדמים: מרוכז מאוד, ממוקד אוטומציה, ובלתי רגיש למחיר באופן מפתיע (לפחות בקרב המשימות שלקוחות ה-API שלנו משתמשים בקלוד עבורן).

שיעור האוטומציה של 77% מרמז כי ארגונים משתמשים בקלוד כדי להאציל משימות, ולא ככלי שיתופי. פריסה שיטתית כזו צפויה להיות צינור חשוב שבאמצעותו AI מספק רווחי פרודוקטיביות רחבים יותר בתוך הכלכלה. בהתחשב בדפוסי האוטומציה הברורים בפריסה העסקית, זה עלול גם להביא שיבושים בשווקי העבודה, העלולים להדיח עובדים שתפקידיהם צפויים ביותר להתמודד עם אוטומציה.

אך ההשלכות על שוק העבודה אינן ברורות לחלוטין. כפי שתיארנו לעיל, משימות מורכבות דורשות הקשר באופן לא פרופורציונלי. מידע כזה עשוי להיות מפוזר ברחבי ארגונים. בתנאים כאלה, עובדים בעלי ידע טקטי על פעולות עסקיות עשויים להרוויח כמשלימים לאוטומציה מתוחכמת מבוססת AI. הבנת ההשלכות הלא אחידות של אימוץ AI על שוק העבודה היא תחום חשוב למחקר עתידי.

עסקים המבקשים לאמץ AI ביעילות עשויים להזדקק לארגן מחדש את אופן ארגונם ותחזוקת המידע שמערכות חזיתיות מסתמכות עליו. האם אימוץ צר, עתיר אוטומציה של היום יתפתח לפריסה רחבה יותר ככל הנראה יקבע את ההשפעות הכלכליות העתידיות של AI.

1. In the presence of fixed costs of adjustment, the question businesses face is not necessarily if they will adopt AI, but when. See Hall and Kahn 2003, Adoption of New Technology: “The most important thing to observe about this kind of decision is that at any point in time the choice being made is not a choice between adopting and not adopting but a choice between adopting now or deferring the decision until later.”

2. Data in this section covers 1 million transcripts from August 2025, sampled randomly from a pool of 1P API customers constituting roughly half of our 1P API usage. We continue to manage data according to our privacy and retention policies, and our analysis is consistent with our terms, policies, and contractual agreements. Each record is a prompt-response pair from our sample period which in some instances is mid-session for multi-turn interactions.

3. Note that this is a different measure of adoption than in the introduction to this report. Reported adoption by consumers and employees of AI reached 40% in 2024 whereas when measured at the firm-level, nine out of ten businesses in the US report not using AI.

4. The Business Trends and Outlook Survey (BTOS), published by the Census Bureau, is a reputable barometer of AI adoption by firms in the US. The survey question we use to measure AI adoption is “In the last two weeks, did this business use Artificial Intelligence (AI) in producing goods or services? (Examples of AI: machine learning, natural language processing, virtual agents, voice recognition, etc.)”. See Crane, Green, and Soto 2025, Measuring AI Uptake in the Workplace for a comparison of BTOS with other measures of overall AI adoption among firms.

5. The Gini coefficient is a measure used to quantify inequality within a distribution, such as the distribution of task usage. It ranges from 0 to 1, where 0 represents perfect equality (every task has exactly the same usage share) and 1 represents perfect inequality (where one task accounts for all usage, and every other task has none).

6. Power laws in economic settings are an empirical regularity with notable examples of Zipf’s law in particular. Models that generate this type of outcome feature both underlying heterogeneity and intentional, optimizing decision-making. For more, see Gabaix 2016, Power Laws in Economics: An Introduction.

7. Kremer 1993, The O-Ring Theory of Economic Development.

8. API input length refers to the text in API messages, system prompts, and any additional content sent to the model, including files and datasets relevant to the task at hand. Output length refers to Claude’s generated response to an API call.

9. Claude was prompted to identify tasks at the 10th, 50th, and 90th percentile of the ONET task distribution with the minimal organization of “The columns should be ‘Example tasks’, ‘Index Value’, ‘Summary’ where you provide a summary”.

10. Another contributing factor could be the degradation in performance some models experience at longer context lengths. See Liu et al, 2023, Lost in the Middle: How Language Models Use Long Contexts.

11. The question we ask in this section is whether, all else equal, cost differences across tasks shapes relative usage patterns. This is different from studying whether overall Claude usage is sensitive to external competitive pricing pressures.

12. To see that this is the case, we first aggregate O*NET tasks that we identify in our API sample by broad occupational category to measure overall usage shares and the average cost per task in each category. As with the input and output tokens reported by O*NET task, we normalize average cost per task by the average value across tasks observed in our sample.

13. Controls include fixed effects for broad occupational categories as well as collaboration mode shares by task from our concurrently sampled Claude.ai conversations. Because some tasks have censored collaboration mode shares, we also include indicators for whether that a particular mode has missing data. We restrict attention to the set of tasks identified in both our API sample and our Claude.ai samples.

14. For example, see Ide and Talamaś, 2025, Artificial Intelligence in the Knowledge Economy.

דברי סיכום

איטרציה שלישית זו של דוח המדד הכלכלי של אנתרופיק לוכדת את אימוץ ה-AI בצומת דרכים קריטי. היכולות הקיימות של קלוד ומערכות AI חזיתיות אחרות כבר מוכנות לשנות את הפעילות הכלכלית, בהתחשב במידת היישימות הרחבה של הטכנולוגיה. יכולות AI מתקדמות במהירות רק מחזקות את המסקנה ששינוי עצום נמצא באופק.

ועם זאת, אימוץ AI מוקדם אינו אחיד באופן בולט. השימוש מצטבר כיום בקבוצה קטנה של משימות, עם שונות גאוגרפית חזקה המתואמת מאוד עם הכנסה – במיוחד בין מדינות. ריכוז כזה משקף היכן יכולות ה-AI, קלות הפריסה והערך הכלכלי מתיישרים: קידוד וניתוח נתונים מציגים שימוש גבוה, בעוד שמשימות הדורשות הקשר מפוזר או ניווט רגולטורי מורכב נמצאות הרחק מאחור.

אימוץ עסקי מוקדם של קלוד דומה במקביל לשימוש צרכני (קידוד הוא השימוש הנפוץ ביותר בשניהם), ושונה בכמה דרכים משמעותיות. בפרט, עם גישה תוכנתית לקלוד באמצעות ה-API, עסקים נוטים להשתמש בקלוד עם אוטומציה גדולה יותר. פריסה ארגונית שיטתית כזו משקפת כיצד AI מוכן לעצב מחדש את הפעילות הכלכלית: הגברת הפרודוקטיביות הכוללת, אך עם השלכות לא ודאיות עבור עובדים שתחומי האחריות הקיימים שלהם עברו אוטומציה.

דפוסים אלה מסתכנים ביצירת התפצלות. אם רווחי הפרודוקטיביות של AI יתרכזו באזורים משגשגים ממילא ובמגזרים מוכנים לאוטומציה, אי-שוויון קיים עלול להתרחב במקום להצטמצם. אם אוטומציה של AI משפרת את הפרודוקטיביות של עובדים בעלי ידע ארגוני טקטי – כפי שחלק מהראיות שלנו מרמזות – אזי עובדים מנוסים יותר עשויים לראות ביקוש ושכר עולים גם כאשר עובדים ברמת כניסה מתמודדים עם סיכויי שוק עבודה גרועים יותר.

בהתבסס על ההשקות הקודמות שלנו, איטרציה זו של דוחות המדד מציינת הרחבה משמעותית הן בהיקף והן בשקיפות. אנו הופכים כעת את נתוני השימוש המקיפים ב-API לקוד פתוח לצד נתוני הצרכנים הקיימים שלנו ב-Claude.ai (הכוללים כעת פירוט גאוגרפי ברמת המדינה והמחוז), כולם מצטלבים עם סיווגי משימות מפורטים ברמת המשימה.

על ידי הנגשת נתונים אלה לציבור, אנו מקווים לאפשר לאחרים לחקור שאלות שלא שקלנו, לבחון השערות לגבי ההשפעות הכלכליות של AI, ולפתח תגובות מדיניות המבוססות על ראיות אמפיריות.

בסופו של דבר, ההשפעות הכלכליות של AI טרנספורמטיבי יעוצבו במידה רבה על ידי יכולות טכניות כמו גם על ידי הבחירות המדיניות שהחברות עושות.

ההיסטוריה מראה כי דפוסי האימוץ הטכנולוגי אינם קבועים: הם משתנים ככל שהטכנולוגיות מתבגרות, ככל שחידושים משלימים צצים, וככל שהחברות מבצעות בחירות מכוונות לגבי פריסתן. דפוסי השימוש המרוכזים מאוד שאנו רואים כיום עשויים עדיין להתפתח לעבר התפלגות רחבה יותר – כזו שתלכוד יותר מהפוטנציאל של AI לשיפור פרודוקטיביות, תאיץ חדשנות במגזרים מפגרים, ותאפשר צורות חדשות של יצירת ערך כלכלי. אנו עדיין בשלבים המוקדמים של טרנספורמציה כלכלית מונעת AI זו. הפעולות שקובעי המדיניות, מנהיגים עסקיים והציבור נוקטים כעת יעצבו את השנים הבאות. נמשיך לעקוב אחר דפוסים אלה ככל שיכולות AI יתקדמו, ונספק בסיס אמפירי לניווט באחד המעברים הכלכליים המשמעותיים ביותר של זמננו.

1. Brynjolfsson, Chandar, and Chen 2025, Canaries in the Coal Mine? Six Facts about the RecentEmployment Effects of Artificial Intelligence documents clear evidence that entry-level workers with high AI exposure have had relatively worse employment prospects since late 2022. Setting aside questions of causality, the straightforward interpretation is that this is due to AI substituting for work previously done by early-career workers. An alternative interpretation is presented by Gans 2025, If AI and workers were strong complements, what would we see?: That relatively faster employment growth for experienced workers reflects AI making such workers more productive and thus in high demand. Whether AI compliments or substitutes work is perhaps the most important question that we hope our data will help answer.

מחברים ותודות

מחברים

Ruth Appel*, Peter McCrory*, Alex Tamkin*

Miles McCain, Tyler Neylon, Michael Stern

*Lead authors. Contributed equally to this report

תודות

Helpful comments, discussions, and other assistance: Alex Sanchez, Andrew Ho, Ankur Rathi, Asa Kittner, Ben Merkel, Bianca Lindner, Biran Shah, Carl De Torres, Cecilia Callas, Daisy McGregor, Dario Amodei, Deep Ganguli, Dexter Callender III, Esin Durmus, Evan Frondorf, Heather Whitney, Jack Clark, Jakob Kerr, Janel Thamkul, Jared Kaplan, Jared Mueller, Jennifer Martinez, Kaileen Kelly, Kamya Jagadish, Katie Streu, Keir Bradwell, Kelsey Nanan, Kevin Troy, Kim O'Rourke, Kunal Handa, Landon Goldberg, Linsey Fields, Lisa Cohen, Lisa Rager, Maria Gonzalez, Mengyi Xu, Michael Sellitto, Mike Schiraldi, Olivia Chen, Paola Renteria, Rebecca Jacobs, Rebecca Lee, Ronan Davy, Ryan Donegan, Saffron Huang, Sarah Heck, Stuart Ritchie, Sylvie Carr, Tim Belonax, Tina Chin, Zoe Richards

ציטוט

@online{appelmccrorytamkin2025geoapi,

author = {Ruth Appel and Peter McCrory and Alex Tamkin and Michael Stern and Miles McCain and Tyler Neylon},

title = {Anthropic Economic Index report: Uneven geographic and enterprise AI adoption},

date = {2025-09-15},

year = {2025},

url = {www.anthropic.com/research/anthropic-economic-index-september-2025-report},

}

תוכן קשור

כיצד אוסטרליה משתמשת בקלוד: ממצאים מהמדד הכלכלי של אנתרופיק

דוח המדד הכלכלי של אנתרופיק: עקומות למידה

הדוח החמישי של המדד הכלכלי של אנתרופיק בוחן את השימוש בקלוד בפברואר 2026, בהתבסס על מסגרת הפרימיטיבים הכלכליים שהוצגה בדוח הקודם שלנו.

השקת בלוג המדע שלנו

אנו משיקים בלוג חדש על AI ומדע. נשתף מחקרים המתבצעים באנתרופיק ובמקומות אחרים, שיתופי פעולה עם חוקרים ומעבדות חיצוניים, ונדון בתהליכי עבודה מעשיים עבור מדענים המשתמשים ב-AI בעבודתם שלהם.