Anthropic重估職務受AI影響程度，以成功率與時間頻率權重衡量有效覆蓋率

Anthropic發布第四份經濟指數（Economic Index）報告，分析共200萬筆匿名化紀錄，其中包含Claude.ai對話100萬筆，以及第一方API流量逐字稿100萬筆，試圖把外界討論的AI衝擊對應至可量化的指標。Anthropic主張，要是只用任務覆蓋率來判斷哪些職務受影響，容易高估或低估實際變化，應把任務成功率與該任務在一天工作中所占時間、發生頻率一起加權，才更接近AI在職務層級的滲透程度。

報告提出有效AI覆蓋率概念，用來衡量AI對單一職務的實際影響，藉由把有效AI覆蓋率定義為某職務工作日中，有多少比例的工作可被Claude成功完成，計算方式是將各任務成功率加總，並以任務在工作時間中的占比，乘上任務發生頻率作為權重。也就是說，就算特定職務只有少數任務被AI涵蓋，只要那些任務剛好是最耗時或最常做的核心工作，整體有效覆蓋率仍可能偏高。

報告以資料輸入人員為例指出，該職務雖有九項工作任務，但在樣本中只涵蓋其中兩項。由於這兩項正是讀取來源文件並輸入資料的核心工作，成功率高且占用大量工時，因此在有效AI覆蓋率的評估中反而名列前茅。

醫療逐字稿人員與放射科醫師也出現類似情況，因為AI能處理的多是高頻且耗時的關鍵工作，所以整體影響程度被上修。相對地，微生物學家雖有不少任務在資料中出現，但大量工時仍落在實驗室儀器操作等AI難以直接介入的環節，導致僅看任務出現比例時容易高估，改用有效AI覆蓋率後則更接近實際。

該研究也呈現出速度與可靠度之間的落差，報告用理解輸入內容所需的受教育年數作為任務複雜度的近似指標，並發現Claude.ai上較複雜的任務速度提升更明顯，高中程度約9倍，大學程度約12倍。不過成功率會隨複雜度上升而略降，如果以低於高中程度的任務約70%作為基準，大學程度任務約66%。

把成功率納入後，宏觀層面的生產力推估也明顯下修。該報告沿用先前以任務速度提升估算的框架，原本推算未來十年美國勞動生產力年增率可額外多1.8個百分點，但要是進一步把任務節省的時間乘上成功率，Claude.ai情境下的推估便降至1.2個百分點，第一方API的使用情境估算則降至1.0個百分點。