Claude 用戶更分散，也更會用

Claude 以前常被當成寫程式工具。現在這個印象，差不多該更新了。Anthropic 在 2026 年 2 月的 Economic Index 給了一組很直接的數字：Claude.ai 上的個人用途對話占比升到 42%，幾個月前還是 35%；同一時間，前 10 大任務裡，coding 占比從 24% 掉到 19%。

這不是那種看了會大叫的變化，但很有意思。講白了就是，Claude 正在從「工程師常用工具」慢慢變成「更多人日常會打開的工具」。另一條線也很清楚：用得久的人，表現比較好，而且這個差距不只是主觀感受，Anthropic 的資料看得到。

如果你在做 AI 產品、企業導入，或單純想知道 LLM 到底怎麼進入真實工作流，這份報告很值得拆開看。因為重點不是模型又多強，而是使用者怎麼變成熟，產品又怎麼跟著分流。

Claude 不再只像寫程式助手

Anthropic 這次看的時間點，大約是 Claude Opus 4.5 推出三個月後，並且碰上 Opus 4.6 上線。產品本身在進步，這很正常。但更有趣的是，使用行為開始分散，重心也在移動。

在 Claude.ai 這一端，個人用途變多了。這代表更多人拿它來處理生活裡的零碎問題。像是產品比較、運動問題、家中修繕、旅行規劃、寫信改稿，這些都不是高技術門檻任務，但很貼近日常。你可以說這比較不酷，可是這通常才代表產品真的開始進入一般人的生活。

另一邊，寫程式占比下降，不代表工程用途消失。比較像是工程師把重複性高的工作，慢慢往 API 和自動化流程搬。Web 介面留給臨時查詢、討論、推敲與草稿工作；API 則吃下可重複、可編排、可串接的軟體任務。這個分工，我覺得很合理。

• Claude.ai 個人用途占比從 35% 升到 42%
• Claude.ai 前 10 大任務中，coding 從 24% 降到 19%
• Claude.ai 平均每小時任務價值，從 49.3 美元降到 47.9 美元
• Anthropic 指出，運動、產品比較、居家維修問題增加，是數值下滑原因之一

看到「平均任務價值下降」這件事，有些人可能會先皺眉。先別急。這不一定是壞事。因為它也可能表示 Claude 被拿去做更多普通但高頻的事情。工具越通用，平均單次任務價值本來就可能往下掉。

說真的，這很像很多軟體的成長路徑。一開始由專業用戶帶動，後來才擴散到一般人。Photoshop、Notion、Figma 都有點這種味道。先被一群重度使用者玩熟，再慢慢往更廣的場景滲透。Claude 現在看起來也在走這條路。

差別在於，LLM 的介面有兩層。聊天視窗是一層，API 是另一層。表面上看，Claude.ai 比較「不工程」。實際上，技術工作可能只是從聊天框移到後台流程。你在前台看到 coding 比例掉了，不代表整體軟體工作真的變少。

真正有意思的是，老手真的比較強

這份報告最值得看的一段，不是任務分類，而是所謂的 tenure effect。意思很簡單：使用 Claude 越久的人，越常做高薪資價值的工作，也越容易把事情做對。這不是雞湯，是 Anthropic 從資料裡看到的模式。

你可能會想問，這會不會只是因為老手本來就比較厲害？Anthropic 的說法是，就算把任務類型考慮進去，這個差異還是存在。也就是說，熟悉工具本身，真的有幫助。使用者會慢慢學會怎麼問、什麼時候該追問、什麼答案要驗證、什麼情況要直接換更強的模型。

很多人把 AI 生產力想成模型分數競賽。其實有一半以上，可能是人的判斷。你知道何時該用 Opus，何時用較便宜模型就夠；你知道 prompt 要先定義目標、限制、輸出格式；你知道模型講得很順，不代表它真的對。這些都是技能，不是按鈕。

“AI systems will have the biggest impact when they augment what humans can do.”

— Dario Amodei，Anthropic CEO

Dario Amodei 這句話，放在這份報告裡很貼。因為資料呈現的不是「人把工作全丟給 Claude」，而是「人逐漸學會怎麼跟 Claude 配合」。這種配合一開始很笨拙，後來會變順。你用久了，就知道哪些事適合交給模型，哪些事一定要自己盯。

Anthropic 也提到，經驗較多的使用者，面對高價值任務時更常選 Opus。這聽起來很廢話，但其實很關鍵。很多團隊花大錢買最強模型，結果每個人都亂用。真正有效率的團隊，不是永遠選最貴，而是知道什麼任務值得用最強模型。

這也說明一件很現實的事：AI 工具的學習曲線，比很多人以為的還深。介面看起來像聊天，但要穩定產出高品質結果，沒有那麼直覺。你得建立自己的使用套路。像是先丟背景資料、再要求列假設、最後請它自我檢查。老手跟新手的差距，通常就卡在這些細節。

從數字看，Claude.ai 和 API 正在走不同路

如果把 Claude.ai 跟 API 拆開看，Anthropic 產品方向其實越來越清楚。Claude.ai 正在變成更通用的對話工具。API 則更像基礎設施，吸收那些能自動化、能串系統、能進 pipeline 的任務。兩條線不衝突，反而互補。

對開發者來說，這很重要。因為它會影響你該把產品做在哪一層。如果你的服務核心是固定流程、重複任務、批次處理，那你大概該押 API。反過來，如果你的產品需要大量探索、反覆追問、即時調整，那聊天式介面還是比較適合。

Anthropic 的數字也透露出一個現象：一般使用者正在把 Claude 當成生活工具，而不是只拿來工作。這會讓產品成長更像消費型軟體，而不是純 B2B 工具。對營運和定價來說，這差很多。因為消費者在意的是好不好用、快不快、能不能解決今天眼前的問題；企業則更在意穩定性、權限、整合、成本。

• Claude.ai 平均任務價值少了 1.4 美元，從 49.3 降到 47.9
• 個人對話占比增加 7 個百分點，從 35% 到 42%
• Claude.ai 內 coding 占比少了 5 個百分點，從 24% 到 19%
• 全球前 20 個國家，占 Claude 人均使用量的 48%
• 美國前 10 州的人均使用占比，從 40% 降到 38%

這裡還有一個地理分布的訊號。全球來看，使用仍偏集中，前 20 國就吃掉 48% 的人均使用量。這不意外。LLM 的採用本來就會先集中在語言資源多、雲端資源成熟、付費能力高的市場。

但在美國內部，分布反而變得更平均。前 10 州占比從 40% 掉到 38%。Anthropic 估計，如果照現在速度走，要達到州與州之間更接近的普及程度，可能還要 5 到 9 年。這個時間比很多人想像得久。代表 AI 採用不是一波流，而是很不平均地慢慢擴散。

對產品團隊來說，這件事很現實。你不能假設所有使用者都已經懂 LLM。不同地區、不同職業、不同公司規模，熟悉度差很多。你在台北做的 AI 產品，拿去給傳產業務、醫療行政、地方中小企業，使用情境可能完全不同。介面、教學、收費，最好都別一套打天下。

競品也在變，Claude 的位置變得更清楚

如果把 Claude 放到整個市場看，這份報告也能幫我們理解它跟 GPT、Gemini 這些產品的差異。GPT 在大眾市場的存在感很強，很多人第一個想到的 AI 就是它。Gemini 靠 Google 生態系吃到搜尋、文件、Android 的入口。Claude 則一直有一種比較偏深度工作、長文本、分析整理的形象。

現在的變化是，Claude 這個形象開始鬆動。它不再只是一群工程師和重度知識工作者在用。個人用途上升，代表它也在吃一般日常問題。這對 Anthropic 是好事，因為產品定位如果太窄，成長空間會卡住。但副作用也很明顯：你會更常看到低價值、高頻、瑣碎型查詢，把平均任務價值往下拉。

另一個競爭點是 API。很多開發團隊其實不太在乎聊天介面誰比較順眼，他們在乎的是延遲、費用、穩定性、上下文長度、工具呼叫能力、資料治理。Claude 如果把更多 coding 和自動化任務留在 API，等於是在跟 OpenAI、Google、甚至開源模型供應商打另一場仗。那場仗比較硬，也比較不浪漫。

• GPT 優勢在大眾心智與多產品整合
• Gemini 優勢在 Google Workspace 與搜尋入口
• Claude 目前較強的印象，在長文本處理與工作型對話
• API 市場比聊天市場更看重成本、穩定與整合能力

我覺得 Anthropic 這次報告最聰明的地方，是它沒有只吹模型能力。因為現在大家都知道，模型強很重要，但那不是全部。真正麻煩的是，使用者能不能把模型用好。這也是 Claude 接下來如果要跟 GPT 長期競爭，最該補的地方。

講白了，模型差 5 分，很多人感受不到。教學流程差 50 分，大家馬上卡住。你 prompt 不會寫、輸出格式不會控、驗證方法不知道，模型再強也像在跟空氣對話。這也是為什麼很多企業試用 AI 一輪後，覺得好像沒有想像中有用。不是模型不行，是導入方式太隨便。

所以 Claude 的下一步，可能不只是把 Opus 再做強一點。還包括把使用者引導做得更完整。像是任務模板、模型選擇建議、錯誤提醒、答案驗證清單，甚至依使用者成熟度給不同介面。這些東西很不 flashy，但很有用。

產業脈絡：AI 導入卡住的，常常不是模型

如果你有看過企業導入 AI 的過程，大概會發現一件事：最常卡住的，不是模型 benchmark，而是人和流程。有人不知道能拿 AI 做什麼，有人不知道資料能不能丟，有人不知道結果該怎麼驗。最後變成只有少數人會用，其他人把它當高級搜尋框。

這也是為什麼 Anthropic 提到「augmentation」很重要。意思不是讓 AI 直接取代人，而是讓人做得更多、更快、更準。這種模式比較符合多數公司現況。因為真實世界的工作，通常有很多例外情況、內部規則、跨部門溝通，不可能全自動。

從這個角度看，Claude 使用者越用越熟，反而是一個比模型跑分更有商業價值的訊號。因為它代表學習效應存在，而且能累積。只要一個團隊建立出可複製的用法，生產力提升就不會只是一次性的。它會變成組織能力。

對台灣市場來說，這件事尤其有感。很多公司規模不大，IT 資源有限，不太可能自己訓練模型。最實際的路線，就是把現成模型接進既有流程，再把員工訓練起來。誰能更快讓同事學會正確用法，誰就比較容易把 AI 變成真的產能，而不是簡報上的口號。

還有一點別忽略。使用者成熟度會反過來影響產品資料。當更多人知道怎麼問、怎麼修正、怎麼驗證，平台蒐集到的互動也會更高品質。這會讓產品優化方向更清楚。新手多的時候，產品得先解決「怎麼開始」；老手變多後，產品就得處理「怎麼更穩、更快、更可控」。

接下來一年，重點會是誰能縮短學習曲線

如果要我用一句話總結這份報告，我會說：下一階段的競爭，不只看模型多強，也看誰能讓使用者更快變高手。這對 Anthropic、OpenAI、Google 都一樣。產品分數高，不代表大家就會用。會用的人，才拿得到真正的價值。

所以對企業管理者，我的建議很直接。別只買授權。要做內部教學。至少整理出 10 個高頻場景、每個場景的 prompt 範本、驗證清單、模型選擇原則。花 2 週做這件事，通常比多買 20% Token 配額更有效。

對開發者也是一樣。你在做 AI 產品時，先問自己一題：你是在服務第一次接觸 LLM 的人，還是在幫使用者更快升級成老手？這兩種產品設計完全不同。前者重視簡單與引導，後者重視控制力、效率與可重複性。

我自己的預測是，2026 年底前，市場上會有更多「教你怎麼用模型」的功能，直接內建在產品裡。像是自動建 prompt、依任務推薦模型、提醒你補背景資料、要求你指定輸出格式，甚至主動標出高風險答案。這些功能看起來不像模型創新，但很可能直接影響留存和付費。

最後留一個很實際的問題。如果你的團隊現在已經在用 Claude、GPT 或其他 LLM，你們有沒有把「高手的用法」整理下來？如果沒有，那你們現在累積的經驗，很可能每天都在白白流失。先把這件事補起來，效果通常比再追一個新模型還快。