2026-03-24 Anthropic Economic Index report: Learning curves

Anthropicが「経済インデックス」第3弾を公開。2026年2月（5〜12日）のClaude利用データを分析したもので、前回（2025年11月）との比較がメイン。プライバシー保護しつつ100万会話をサンプリングしている。

前回からの変化：ユースケースの多様化

Claude.aiでのタスク集中度が低下。上位10タスクのシェアが前回24%→今回19%に減少。コーディングがClaude.aiからAPIへ移行しているのが主因。

平均タスクの"賃金価値"が$49.3→$47.9にわずかに低下。スポーツ結果や天気といった単純な個人的質問が増えたためで、典型的なアドプションカーブ（後発ユーザーほど雑多な用途）と整合的。

コースワーク（課題・勉強）の割合が19%→12%に減少（冬休みの影響あり）、個人利用が35%→42%に増加。

累積で「全仕事の49%の業種で少なくとも1/4のタスクがClaudeで行われた」という数字は変わらず。新規のO*NETタスクはほぼ出てこなくなっており、カバレッジが成熟しつつある。

APIでは「ビジネス営業・アウトリーチ自動化」と「自動取引・マーケット監視」が前回比2倍以上に急増。

地理的格差

米国内では収束が継続（上位5州のシェアが30%→24%）。ただし収束ペースは鈍化しており、完全均等化には5〜9年かかる見込み（前回推計の2〜5年より長い）。

国際間では逆に格差が拡大。上位20カ国のシェアが45%→48%に上昇。

モデル選択の合理性

ユーザーは課題の複雑さに応じてモデルを使い分けている。有料Claude.aiユーザーでは、コーディングタスクではOpusが平均比+4.4ポイント多く選ばれ、チュータリングでは-7ポイント少ない。

APIユーザーはさらに感度が高く、タスク価値が$10上がるごとにOpus選択率が約2.8ポイント上昇（Claude.aiは1.5ポイント）。高コスト・高性能なモデルを必要な場面でだけ使うという合理的行動が確認された。

ラーニングカーブ：使い込むほど上手くなる

使用歴6ヶ月以上の「高テニュア」ユーザーは、新参ユーザーと比べて明確に異なる利用パターンを示す。

仕事目的利用が7ポイント高い

入力文の必要教育年数が約1年分高い

ONETというアメリカの職業情報データベースには、各タスクを「理解・遂行するのに必要な学歴年数」という指標が付いている。たとえば「ソフトウェアのバグを特定してデバッグする」なら高い値、「天気を調べる」なら低い値、みたいな感じ。

ClaudeへのユーザーのメッセージをそのONETのタスクに対応させることで、「この人が送ってきたプロンプトは、○年の教育を受けた人が普通やる仕事レベルだ」と推定できる。

で、使用歴6ヶ月以上のユーザーが送ってくるプロンプトは、新参ユーザーのそれより平均して約1年分その値が高かった、ということ。

個人的会話の割合が6ポイント低い（38% vs 44%）

タスクが分散しており、上位10タスクへの集中度が低い（20.7% vs 22.2%）

会話の成功率が約10%（4〜5ポイント）高い

この成功率の差は、タスク種別・使用モデル・国・ユースケースを固定効果でコントロールしても残存する。単に「得意なタスクを持ち込んでいる」だけでは説明できず、**使い方そのものが上達している（learning-by-doing）**と解釈できる。

高テニュアユーザーが得意とするタスク群：AIリサーチ、git操作、論文改稿、スタートアップ資金調達など。低テニュア寄りのタスク：俳句作成、スポーツスコア確認、パーティの食事提案など。

考察と留保

上記パターンはコーホート効果（早期採用者がそもそも技術者）やサバイバルバイアス（成果が出ない人は辞める）でも説明できるため、因果関係の断定は慎重。今後の継続追跡でより明確になる見込み。

懸念点として、早期採用者（高スキル・高収入層）ほど成功率が高いことは、AI活用の恩恵が特定層に集中する「スキル偏向型技術変化」のチャネルになりうる。AIで最も仕事が変わるリスクを負いつつ、同時にAIで最も恩恵も受けるという皮肉な構造。