はじめに
Anthropicは2026年3月24日、「Anthropic Economic Index report: Learning curves」を公開しました。本稿では、このレポートが明らかにしたClaudeの利用実態——ユースケースの変化、モデル選択の傾向、そして長期ユーザーと新規ユーザーの差異——を丁寧に解説します。経済学・労働市場研究に詳しくない方にも理解いただけるよう、背景知識を補足しながら読み解いていきます。
解説論文
- タイトル: Anthropic Economic Index report: Learning curves
- 著者: Maxim Massenkoff, Eva Lyubich, Peter McCrory, Ruth Appel, Ryan Heller
- 発行元: Anthropic
- 発行日: 2026年3月24日
- URL: https://www.anthropic.com/research/economic-index-march-2026-report
要点
- Anthropic Economic Indexは、プライバシーを保護しながらClaudeの経済的利用実態を追跡するプロジェクトであり、今回は2026年2月のデータを分析したものである
- Claude.aiのユースケースは多様化しており、上位10タスクの割合が24%から19%に低下した。コーディング作業はClaude.aiからAPIへと移行している
- 平均タスク価値（関連職種の米国平均時給で測定）はClaude.aiで49.3ドルから47.9ドルへとわずかに低下し、より幅広い層の利用が進んでいると解釈できる
- ユーザーは知的要求の高いタスクにOpusを選ぶ傾向があり、Claude.aiではタスクの時給が10ドル増加するごとにOpus使用率が約1.5ポイント上昇する
- 利用歴6カ月以上の長期ユーザーは、短期ユーザーより会話成功率が約4〜5ポイント高く、これは「使いながら学ぶ（learning-by-doing）」効果の証拠と考えられる
- 米国内では利用格差が縮小傾向にある一方、国際的には格差がやや拡大しており、上位20カ国が全体の48%を占める
詳細解説
What has changed since our last report（前回レポートからの変化）
本章では、2026年1月に公開された前回レポート（2025年11月データ）と比較した変化を検証しています。今回分析対象となったのは2026年2月5日〜12日のデータで、Claude.aiとファーストパーティAPI（Anthropicが直接提供するAPIで、AWSやGoogle Cloud経由のサードパーティとは区別されます）のそれぞれから、100万件の会話をサンプリングしています。
なお、タスクの分類にはO*NET（Occupational Information Network）を使用しています。O*NETとは、米国労働省が整備した職業情報データベースで、各職種がどのようなタスクを行うかを細かく分類したものです。AIがどの職種・タスクにどれだけ使われているかを定量的に把握するための枠組みとして活用されています。
Diversification of use cases in Claude.ai（Claude.aiにおけるユースケースの多様化）
Claude.aiで最も多いユースケースは依然としてコーディングです。Computer and Mathematical（コンピュータ・数学系）職種に関連するタスクが全体の35%を占めています。ただし、2025年11月から2026年2月にかけて、ユースケースの集中度が低下しました。上位10のO*NETタスクが占める割合は、全会話の24%から19%へと減少しています（Figure 1.1）。
この多様化には複数の要因があります。第一の要因はコーディング作業のAPIへの移行です。Claude Codeと呼ばれるコーディング専用エージェントがAPIトラフィックの大きな割合を占めるようになっており、Claude.aiからAPIへとユーザーが移っています。Claude Codeはエージェント型アーキテクチャ（作業を複数の小さなAPIコールに分割する設計）を採用しているため、同じコーディング作業であっても多くの異なるタスク分類に分散して計上されます。その結果、APIにおいてコーディングの絶対量は増えているものの、個別のタスクカテゴリへの集中度は高まらず、全体的に平坦な分布を保っています。
第二の要因は会話の用途構成の変化です。授業・学習関連（Coursework）の会話が19%から12%に減少した一方、個人的な利用（Personal use）は35%から42%に増加しました（Figure 1.2）。授業関連の減少は、サンプル期間中に多くの国で冬休み中だったことが一因と考えられ、冬休み中の国では授業関連の減少が12ポイントに達したのに対し、学期中の国では5ポイントにとどまっています。また、2月から新規サインアップが増加したことで（後述のスーパーボウル広告の影響を含む）、よりカジュアルな利用層が流入したことも影響しています。
これまでの累積推計では、全職種の約49%がそのタスクの25%以上をClaudeで実行した実績を持っており、この値は今回のデータでもほぼ変わっていません。新たに観察されたO*NETタスクは前回より大幅に少なく、既存のユースケースの定着が進んでいることを示しています。
インタラクションタイプの観点では、Anthropicは会話を自動化（automation）と補完（augmentation）の2つに大別しています。自動化とはAIに多くの自律性を委ねる利用パターン（指示的：directive）、補完とはユーザーとAIが協力しながら進める利用パターン（検証：validation、学習：learning、フィードバックループ：feedback loop、タスク反復：task iterationなど）です。Claude.aiでは補完がわずかに増加しており、検証と学習パターンの小さな増加が主因です（Figure 1.3）。なおファーストパーティAPIでは自動化が大幅に減少しています（Appendix Figure A.3）。
タスクの経済的価値を近似する指標として、各タスクを行う米国労働者の平均時給が用いられています。この値はClaude.aiで49.3ドルから47.9ドルへとわずかに低下しました（Figure 1.4）。低下の主因はスポーツ結果・天気などの単純な事実確認クエリの増加と、コーディングのAPI移行です。それでも、Claudeで行われるタスクは米国の全国平均賃金より高い水準にあります。
タスクの複雑さを示すいくつかの指標も変化しています（Table 1.1）。人間の入力に必要な平均学歴年数は12.2年から11.9年に低下し、AIへの自律性付与がやや増加し、人間が単独でタスクを完了するのに要する時間は約2分短縮されました。これらは相互に整合した方向の変化であり、利用者の裾野が広がりカジュアルな用途が増えたことを反映していると考えられます。
Emergent automation patterns（新たな自動化パターンの出現）
APIを通じた自動化ワークフローを分析したところ、2025年11月比で利用シェアが2倍以上に増加したタスクが2種類確認されました。なお、このフィルタリングでは当該データで少なくとも300件以上出現し、かつ前回比2倍以上の成長を示したO*NETタスクを対象としています。
1つ目はビジネス営業・アウトリーチの自動化です。セールス支援コンテンツの生成、B2Bリードの選定・リサーチ、顧客データの拡充（エンリッチメント）、コールドメール（面識のない相手への営業メール）の下書き作成といったタスクが含まれます。
2つ目は自動化トレーディングおよびマーケット運用です。市場・ポジションのモニタリング、特定銘柄への投資提案の生成、トレーダーへの市場状況通知といったタスクが含まれます。
Anthropicのレポートは、こうしたAPI自動化ワークフローの急速な拡大が、関連職種における業務変革の近い将来の到来を示唆している可能性があると述べています。
Revisiting geographic convergence（地理的収束の再検討）
地理的な利用格差については、米国内と国際的な傾向が対照的な方向を示しています。
米国内では収束が続いています。一人当たり利用量を示す指標「Anthropic AI Usage Index（AUI）」で見ると、上位5州のシェアは2025年8月から2026年2月にかけて30%から24%に低下しました。不平等度を表すジニ係数（0が完全平等、1が完全不平等）も低下傾向にあります。ただし前回レポートより収束ペースは鈍化しており、現在の速度が続けば州間で一人当たり利用量が均等になるまでに5〜9年かかると試算されています（Figure 1.5左）。
国際的には逆の傾向が見られます。人口比で調整した利用量では、上位20カ国のシェアが45%から48%に増加し、グローバルな格差はやや拡大しています（Figure 1.5右）。利用が多い国と少ない国の間の格差は、米国内の州間格差とは逆方向に動いており、AI恩恵の国際的な分配の不均等さが持続していることを示しています。
Learning to use AI（AIの使い方を学ぶ）
本章では、ユーザーがどのようにClaudeを使いこなしているかを2つの視点から分析しています。第一はモデルの選択行動（どんなタスクにどのモデルを選ぶか）、第二は利用歴（テニュア）と利用内容・成果の関係です。
Model selection（モデル選択）
Claudeには現在、Haiku・Sonnet・Opusの3つのモデルクラスがあります。Opusは最も高い推論能力を持つ一方でトークン消費量も多く、APIでの利用コストも高くなっています。もしユーザーがこのトレードオフを理解したうえで賢く使い分けているなら、複雑で価値の高いタスクにはOpus、比較的シンプルなタスクにはSonnetやHaikuを選ぶはずです。データはこの予測を概ね支持しています。
有料Claude.aiアカウントのデータによると、全利用のうちOpusの割合は51%ですが、コンピュータ・数学系タスクでは55%（(+4.4) ポイント）、教育関連タスクでは45%（(-6) ポイント）と、タスクの種類によって差が生じています（Figure 2.1）。
職種レベルでさらに細かく見ると、ソフトウェア開発者タスクの34%がOpusを使用しているのに対し、家庭教師タスクは12%にとどまります（Figure 2.2）。定量的には、タスクに関連する職種の時給が10ドル増加するごとにOpus使用率は、Claude.aiで約 (+1.5) ポイント、APIでは約 (+2.8) ポイント上昇します。APIの傾きが約2倍大きいのは、プログラム的なワークフローを構築するAPIユーザーがコストと性能を意識的にコントロールする傾向があるためと解釈されています。
この結果は、ユーザーが各モデルの能力差を把握し、タスクに応じたモデル選択を行っていることを示唆します。あるいは、使用上限（rate limit）を意識してOpusを必要な場面に絞ろうとする効率重視の行動として理解することもできます。いずれにせよ、モデルの多様化がユーザーの行動を変化させている実態が確認できます。
Learning curves（学習曲線）
Claudeの最初のモデルは2023年3月にリリースされました。今回のサンプルには、初期リリースからのユーザーと前日に登録したばかりの新規ユーザーが混在しています。利用歴（テニュア）がユーザーの行動や成果にどのような影響を与えているかを、ここでは分析しています。
分析では利用歴6カ月以上を「高テニュア（high tenure）」、それ未満を「低テニュア（low tenure）」と定義しています（Table 2.1）。高テニュアユーザーには次の特徴が確認されています:
- Claudeとの反復的な作業（task iteration）を行う割合が高く、AIに一方的に指示する（directive）使い方が少ない
- 仕事目的の利用が7ポイント多い
- 会話の入力に必要な学歴水準が高い
- 個人的な会話が10%少ない
- 上位10タスクへの集中度が低い（22.2%対20.7%）、すなわちより多様なタスクにClaudeを活用している
利用歴と会話の複雑さの関係を可視化したデータ（Figure 2.3左）では、Claudeの利用期間が1年増えるごとに、プロンプトに必要な学歴年数が約1年増加するという相関が示されています。また個人利用の割合（Figure 2.3右）は、1年以上前に登録したユーザーで38%、最新の登録ユーザーで44%であり、経験を重ねるほど仕事目的での利用が増える傾向がみられます。
最もテニュアの長いユーザーが行うタスク例（上位）は、AIリサーチ、gitオペレーション、原稿の改訂、スタートアップの資金調達支援などです。一方、最もテニュアの短いユーザーが多く行うタスクは、俳句の作成、スポーツ結果の確認、パーティの料理提案など、比較的シンプルなものが並びます。
ただし、これらのパターンには複数の解釈が存在します。高テニュアユーザーの特性が、単に「技術職など初期採用者に多い職種・スキルを反映している」だけの可能性（コホート効果）や、「成果が出たユーザーだけが継続利用し続けている」という生存者バイアスも完全には排除できません。継続して利用をやめたユーザーのデータはこの分析に含まれていないためです。
Experience effects（経験の効果）
本節では、会話の「成功率」を従属変数として、利用歴との関係をより精密に分析しています。成功率とは、Claudeが自らの会話を評価したもので、前回のレポートで定義されました。この指標により、同じユーザーが「成功した会話」をどれだけ引き出せるかを定量的に測定しています。
分析は段階的に3つの仕様で行われています（Figure 2.4）。
仕様（1）: 高テニュアダミー変数のみで単純回帰すると、高テニュアユーザーは低テニュアユーザーより成功率が約5ポイント高くなっています。
仕様（2）: O*NETタスクとリクエストクラスターの固定効果（Fixed Effects）を加えると、効果は約3ポイントに縮小します。固定効果を加えるとは、「同じタスク内でのみ高・低テニュアユーザーを比較する」ことを意味します。たとえば「企業の財務分析・評価・モデリング」というクラスター内でのみ高・低テニュアを比較し、同様の比較をすべてのクラスターで行います。これにより、「高テニュアユーザーが難しいタスクを多く持ち込んでいるから成功率が高い」という説明を排除してもなお、有意な差が残ることが示されます。
フルコントロール（Full controls）: さらにモデルクラス、ユースケース、国の固定効果を追加すると、効果はわずかに上昇して約4ポイントになります。
これらの結果は、言語・タスク種別・モデル選択・国籍といった単純な要因では説明できない「テニュアと成功率の関係」が存在することを示しています。長期ユーザーがAIからより多くを引き出すスキルを身につけている——いわゆる「使いながら学ぶ（learning-by-doing）」——という仮説と整合的な結果と言えます。
ただし、コホート効果（早期採用者が技術職など高スキル層に偏っている）や生存者バイアス（Claudeで成果が出たユーザーだけが継続している）を完全に排除するには、今後のデータ蓄積と縦断的な分析が必要です。Anthropicは今後の調査でこれらの要因をより明確に分離できると述べています。
Discussion（考察）
本章では、レポート全体の発見を整理し、経済的・社会的含意を論じています。
2025年8月以降、APIトラフィックの集中度は増加しており（上位10タスクのシェア: 28%→33%）、一方でClaude.aiは多様化が進んでいます。全体的なトレンドとして、コーディングなどの高度なタスクはAPIへ移行し、Claude.aiには幅広いユーザーが流入してカジュアルな用途が増えています。
タスクの複雑さを示す複数の指標がClaude.aiで若干低下しています。会話の入力の洗練度が下がり、推定完了時間も短縮しています。これは利用者層が拡大し、より多様なユーザーがClaudeを使い始めたことの自然な帰結と解釈できます。一方でAPIユーザーのタスク平均価値は上昇しており、高度なワークフローを構築するAPIユーザーがOpusをより積極的に活用していることが背景にあると考えられます。
重要な発見として、経験豊富なユーザーはより協調的（collaborative）にClaudeを活用しているという点があります。これは「熟練ユーザーほど自動化・指示型の使い方をする」という当初の仮説に反する結果です。むしろ長期ユーザーほど反復的にやりとりを重ね、AIと協力して作業を進める傾向があります。AIを使いこなすためには、適切なプロンプトを工夫し試行錯誤を続ける能力——いわゆるプロンプティング力——が重要であることを示唆していると思います。
レポートが特に注目しているのは、「スキル偏向型技術変化（skill-biased technological change）」への懸念です。これは経済学の概念で、技術革新が高スキル労働者の生産性・賃金を引き上げる一方で、低スキル労働者の相対的地位を低下させる現象を指します。今回の分析は、この現象が既に進行している可能性を示唆しています。高スキルの初期採用者はAIによる業務変革にさらされやすい一方で、AIからも最も多くの恩恵を受けています。つまり、AI導入による機会と恩恵が同じ層に集中する構造が生まれていると考えられます。
ただし、この懸念は仮説の段階であり、今後のデータ蓄積によってより精密な検証が必要です。コホート効果や生存者バイアスを丁寧に取り除いた分析を継続することで、learning-by-doingの実態がより明確になっていくと思います。
まとめ
Anthropic経済インデックスの最新レポートは、Claudeの利用が2026年2月時点で多様化しつつも、依然として高スキル・高賃金タスクに多く集中していることを示しています。長期ユーザーが短期ユーザーよりも成功率が高いという知見は、AIを使いこなす能力が経験によって培われる可能性を示しており、今後の格差問題を考えるうえで重要な視点と思います。国際的な利用格差の拡大も踏まえ、AI活用の機会をいかに広く届けるかという課題が改めて浮き彫りになっています。
