职务层级散点图比较Claude.ai数据中的任务覆盖率，与纳入成功率并以工时占比及发生频率加权的有效AI覆盖率，虚线表示两者相等，落在虚线下方则代表仅看任务覆盖率可能高估AI影响

Anthropic发布第四份经济指数报告，分析共200万条匿名化记录，其中包含Claude.ai对话100万条，以及第一方API流量逐字稿100万条，试图将外界讨论的AI影响转化为可量化的指标。Anthropic主张，若仅使用任务覆盖率来判断哪些职业受影响，容易高估或低估实际变化，应将任务成功率、该任务在一天工作中的时间占比以及发生频率综合加权，才能更贴近AI在职业层级的实际渗透程度。

报告提出“有效AI覆盖率”概念，用于衡量AI对单一职业的实际影响。其计算方式是：将各项任务的成功率加总，并以任务在工作时间中的占比乘以任务发生频率作为权重。也就是说，即使某职业仅有少数任务被AI覆盖，但若这些任务恰好是最耗时或最常进行的核心工作，整体有效覆盖率仍可能较高。

报告以数据录入员为例指出，该职业虽有九项工作任务，但在样本中仅覆盖其中两项。由于这两项正是读取源文件并录入数据的核心工作，成功率高且占用大量工时，因此在有效AI覆盖率评估中反而位居前列。

医疗逐字稿处理人员与放射科医师也出现类似情况，因为AI能处理的多是高频且耗时的关键任务，因此整体影响程度被上调。相比之下，微生物学家虽然有大量任务出现在数据中，但大量工时仍集中在实验室仪器操作等AI难以直接介入的环节，导致仅看任务出现比例时容易高估，改用有效AI覆盖率后则更贴近实际。

该研究也揭示了效率与可靠性之间的差距。报告以理解输入内容所需的受教育年限作为任务复杂度的近似指标，发现Claude.ai在处理较复杂任务时的速度提升更显著：高中水平任务约提升9倍，大学水平任务约提升12倍。不过，成功率随复杂度上升略有下降，若以低于高中水平任务约70%的成功率为基准，大学水平任务成功率约为66%。

纳入成功率后，宏观层面的生产率估算明显下调。报告沿用此前以任务速度提升估算的框架，原推算未来十年美国劳动生产率年增长率可额外增加1.8个百分点，但若进一步将节省的时间乘以成功率，Claude.ai情境下的估算降至1.2个百分点，第一方API使用情境的估算则降至1.0个百分点。