[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-claude-users-spreading-out-and-getting-better-zh":3,"tags-claude-users-spreading-out-and-getting-better-zh":35,"related-lang-claude-users-spreading-out-and-getting-better-zh":51,"related-posts-claude-users-spreading-out-and-getting-better-zh":55,"series-industry-4bcec76f-4c36-4daa-909f-54cd702f7c93":92},{"id":4,"title":5,"content":6,"summary":7,"source":8,"source_url":9,"author":10,"image_url":11,"keywords":12,"language":23,"translated_content":10,"views":24,"is_premium":25,"created_at":26,"updated_at":26,"cover_image":11,"published_at":27,"rewrite_status":28,"rewrite_error":10,"rewritten_from_id":29,"slug":30,"category":31,"related_article_id":32,"status":33,"google_indexed_at":34,"x_posted_at":10,"tweet_text":10,"title_rewritten_at":10,"title_original":10,"key_takeaways":10,"topic_cluster_id":10,"embedding":10,"is_canonical_seed":25},"4bcec76f-4c36-4daa-909f-54cd702f7c93","Claude 用戶更分散，也更會用","\u003Cp>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%。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>Claude 不再只像寫程式助手\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774516213822-5mbj.png\" alt=\"Claude 用戶更分散，也更會用\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>Claude.ai 個人用途占比從 35% 升到 42%\u003C\u002Fli>\u003Cli>Claude.ai 前 10 大任務中，coding 從 24% 降到 19%\u003C\u002Fli>\u003Cli>Claude.ai 平均每小時任務價值，從 49.3 美元降到 47.9 美元\u003C\u002Fli>\u003Cli>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\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>真正有意思的是，老手真的比較強\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“AI systems will have the biggest impact when they augment what humans can do.”\u003C\u002Fp>\u003Cp>— Dario Amodei，Anthropic CEO\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>從數字看，Claude.ai 和 API 正在走不同路\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774516231099-jz1z.png\" alt=\"Claude 用戶更分散，也更會用\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>Claude.ai 平均任務價值少了 1.4 美元，從 49.3 降到 47.9\u003C\u002Fli>\u003Cli>個人對話占比增加 7 個百分點，從 35% 到 42%\u003C\u002Fli>\u003Cli>Claude.ai 內 coding 占比少了 5 個百分點，從 24% 到 19%\u003C\u002Fli>\u003Cli>全球前 20 個國家，占 Claude 人均使用量的 48%\u003C\u002Fli>\u003Cli>美國前 10 州的人均使用占比，從 40% 降到 38%\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>競品也在變，Claude 的位置變得更清楚\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>GPT 優勢在大眾心智與多產品整合\u003C\u002Fli>\u003Cli>Gemini 優勢在 Google Workspace 與搜尋入口\u003C\u002Fli>\u003Cli>Claude 目前較強的印象，在長文本處理與工作型對話\u003C\u002Fli>\u003Cli>API 市場比聊天市場更看重成本、穩定與整合能力\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>產業脈絡：AI 導入卡住的，常常不是模型\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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」。\u003C\u002Fp>\u003Ch2>接下來一年，重點會是誰能縮短學習曲線\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>","Anthropic 2026 年 2 月資料顯示，Claude.ai 的個人用途占比從 35% 升到 42%，寫程式任務占比則降到 19%。另一個重點更實際：用得久的人，真的比較會用，也更常把 Claude 用在高價值工作。","www.startuphub.ai","https:\u002F\u002Fwww.startuphub.ai\u002Fai-news\u002Fartificial-intelligence\u002F2026\u002Fclaude-usage-diversifies-learning-curves-emerge",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774516213822-5mbj.png",[13,14,15,16,17,18,19,20,21,22],"Claude","Anthropic","Claude.ai","API","LLM","人工智慧","AI 生產力","Opus","開發者工具","經濟指數","zh",1,false,"2026-03-26T07:22:52.325888+00:00","2026-03-26T09:10:31.453+00:00","done","067a2a11-bf3f-454c-944b-27246953c8b8","claude-users-spreading-out-and-getting-better-zh","industry","0ebb5b16-774a-4922-945d-5f2ce1df5a6d","published","2026-04-10T09:00:27.071+00:00",[36,37,38,41,43,45,47,49],{"name":21,"slug":21},{"name":18,"slug":18},{"name":39,"slug":40},"研究整理","-",{"name":19,"slug":42},"ai-生產力",{"name":20,"slug":44},"opus",{"name":14,"slug":46},"anthropic",{"name":17,"slug":48},"llm",{"name":13,"slug":50},"claude",{"id":32,"slug":52,"title":53,"language":54},"claude-usage-diversifies-learning-curves-en","Claude Usage Diversifies, Learning Curves Emerge","en",[56,62,68,74,80,86],{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":31},"e6379f8a-3305-4862-bd15-1192d3247841","why-nebius-ai-pivot-is-more-real-than-hype-zh","為什麼 Nebius 的 AI 轉型比炒作更真實","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778823044520-9mfz.png","2026-05-15T05:30:24.978992+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":31},"66c4e357-d84d-43ef-a2e7-120c4609e98e","nvidia-backs-corning-factories-with-billions-zh","Nvidia 出資 Corning 工廠擴產","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778822450270-trdb.png","2026-05-15T05:20:27.701475+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":31},"31d8109c-8b0b-46e2-86bc-d274a03269d1","why-anthropic-gates-foundation-ai-public-goods-zh","為什麼 Anthropic 和 Gates Foundation 應該投資 A…","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778796636474-u508.png","2026-05-14T22:10:21.138177+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":31},"17cafb6e-9f2c-43c4-9ba3-ef211d2780b1","why-observability-is-critical-cloud-native-systems-zh","為什麼可觀測性是雲原生系統的生存條件","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778794245143-tfqn.png","2026-05-14T21:30:25.97324+00:00",{"id":81,"slug":82,"title":83,"cover_image":84,"image_url":84,"created_at":85,"category":31},"2fb441af-d3c6-4af8-a356-a40b25a67c00","data-centers-pushing-homeowners-to-solar-zh","資料中心推升房主裝太陽能","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778793651300-gi06.png","2026-05-14T21:20:40.899115+00:00",{"id":87,"slug":88,"title":89,"cover_image":90,"image_url":90,"created_at":91,"category":31},"387bddd8-e5fc-4aa9-8d1b-43a34b0ece43","how-to-choose-gpu-for-yihuan-zh","怎麼選《异环》GPU","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778786461303-39mx.png","2026-05-14T19:20:29.220124+00:00",[93,98,103,108,109,114,119,124,129,134],{"id":94,"slug":95,"title":96,"created_at":97},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":4,"slug":30,"title":5,"created_at":26},{"id":110,"slug":111,"title":112,"created_at":113},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":135,"slug":136,"title":137,"created_at":138},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]