本文由 Anthropic 发布，聚焦于 Claude 在编码相关任务中的应用情况。通过对 Claude.ai 和专用编码工具 Claude Code 上 500,000 次交互的分析，揭示了 AI 在编码实践中的新兴模式、应用领域及采纳趋势。

主要观点

  1. AI 驱动编码自动化趋势显著：特别是在专用的 AI 编码工具（如 Claude Code）中，AI 更倾向于直接执行任务（自动化），而非仅仅辅助人类（增强）。
  2. 用户界面开发是 AI 编码的热点：开发者普遍使用 AI 构建面向用户的应用程序，如网页和移动应用的界面，这可能导致相关工作岗位面临更早的 AI 冲击。
  3. 初创企业在 AI 编码工具采纳上领先：与大型传统企业相比，初创企业更积极地采用尖端的 AI 编码工具，显示出更强的敏捷性。
  4. 软件开发领域的 AI 应用或为其他行业的先导指标：编码作为 AI 应用相对成熟的领域，其发展模式可能为预测 AI 在其他职业领域的影响提供参考。

关键细节

AI 使用模式：自动化与增强

  • 在 Claude Code 上，79% 的对话被识别为“自动化”（AI 直接执行任务），而“增强”（AI 协作并提升人类能力）占 21%。相比之下，Claude.ai 的自动化比例为 49%。
  • “反馈循环”（Feedback Loop）模式（AI 自主完成任务，但需人类验证和纠错）在 Claude Code 上更为普遍（占交互的 35.8%），远高于 Claude.ai（21.3%）。
  • “指令式”（Directive）对话（AI 以最少用户交互完成任务）在 Claude Code 上也更高（43.8% vs 27.5%）。
  • 所有增强模式（包括“学习”）在 Claude Code 上的比例均低于 Claude.ai。

AI 辅助编码的应用领域

  • 编程语言使用：
    • 以 Web 开发为主的语言 JavaScript 和 TypeScript 合计占所有查询的 31%。
    • HTML 和 CSS 合计占 28%。
    • 后端开发和数据分析语言 Python 占 14%，SQL 占 6%。
  • 常见编码任务：
    • “UI/UX 组件开发”占对话的 12%。
    • “Web 和移动应用开发”占对话的 8%。
    • 这种趋势与“vibe coding”（开发者用自然语言描述期望结果，AI负责实现细节）现象相符。
  • 通用任务如“软件架构与代码设计”和“调试与性能优化”也占有较高比例。

AI 编码工具的采纳者

  • 初创企业 vs. 大型企业：
    • 初步分析估计，Claude Code 上 32.9% 的对话服务于初创企业相关工作。
    • 相比之下，仅 23.8% 的 Claude Code 对话被识别为与大型企业相关。
  • 个人用户：
    • 学生、学者、个人项目开发者和教程/学习用户相关的交互在两个平台上合计占到一半。
  • 这种采纳差距反映了初创企业利用新工具获取竞争优势，而成熟组织则更为谨慎。

研究方法与局限性

  • 数据来源：分析了 Claude.ai (Free 和 Pro 版本) 和 Claude Code (仅限第一方 API 驱动) 在 2025 年 4 月 6 日至 13 日期间的 500,000 次编码相关交互。
  • 主要局限性：
    1. 数据仅限 Claude.ai 和 Claude Code，未包括 Team、Enterprise 和 API 使用，可能影响专业场景的代表性。
    2. 对于 Claude Code 这类代理工具，自动化和增强的界限模糊。
    3. 用户类型（如“初创”vs“企业”）的分类依赖于有限上下文的推断。
    4. 数据集可能主要捕获了早期采纳者。
    5. 数据分析窗口较短，可能未捕捉到周期性开发模式。
    6. Claude 的使用情况不一定能代表整体 AI 编码辅助工具的采纳情况。
    7. 研究未涉及 AI 输出代码的最终使用、质量或对生产力的实际改善。

未来展望

  • 研究引发了关于人类在 AI 编码流程中角色的持久性、开发者职能转变以及哪些软件开发岗位可能受冲击最大的问题。
  • AI 编码能力的提升也可能加速 AI 自身的研发进程，形成正向反馈循环。

原文：Anthropic 经济指数：AI 对软件开发的影响

计算机编程相关的职业在现代经济中虽然占比不大，但影响深远。过去几年里，随着能够辅助甚至自动化大量编码工作的人工智能系统的出现，这些职业发生了显著变化。

在我们之前的经济指数研究中，我们发现从事计算机相关工作的美国用户对 Claude 的使用比例异常高。也就是说，与从事这些工作的人数相比，使用 Claude 进行计算机相关任务的对话数量远超预期。在教育领域也是如此：涉及大量编码的计算机科学专业的学生，其 AI 使用率也极高。

为了更详细地了解这些变化，我们分析了 Claude.ai （大多数人使用 Claude 的“默认”方式）和 Claude Code （我们新的专业编码“AI 智能体”，可以使用各种数字工具独立完成复杂的任务链）上 50 万次与编码相关的交互。

我们发现了三个关键模式：

  1. 编码智能体更多用于自动化。在 Claude Code 上，79% 的对话被识别为“自动化”——即 AI 直接执行任务——而不是“增强”（21%），后者指 AI 与人类协作并提升人类能力。相比之下，Claude.ai 上只有 49% 的对话被归类为自动化。 这可能意味着随着 AI 智能体越来越普及，以及更多具备智能体能力（agentic AI）的产品被开发出来，我们可以预见任务的自动化程度会更高。
  2. 开发者普遍使用 AI 构建面向用户的应用。JavaScript 和 HTML 等网络开发语言在我们数据集中是最常见的编程语言，而用户界面（UI）和用户体验（UX）任务是主要的编码用途之一。 这表明，专注于构建简单应用和用户界面的工作，可能比纯粹专注于后端开发的工作更早受到 AI 系统的冲击。
  3. 初创公司是 Claude Code 的主要早期采用者，而大型企业则相对滞后。在初步分析中，我们估计 Claude Code 上 33% 的对话与初创公司相关工作有关，而只有 13% 被确定为企业相关应用。 这种采用上的差距表明，灵活的组织正在积极使用尖端 AI 工具，而传统企业则较为缓慢。

我们如何分析 Claude Code 和 Claude.ai 上的对话

我们使用我们具有隐私保护功能的分析工具，分析了总共 50 万次 Claude 交互（分布在 Claude Code 和 Claude.ai¹ 上），该工具将用户对话提炼成更高级别的匿名洞察。在这里，我们用它来识别对话的主题（例如“UI/UX 组件开发”），或者——如下文所述——将对话归类为侧重于“增强”还是“自动化”。

开发者如何与 Claude 交互？

在我们之前的经济指数报告中，我们将 AI 直接执行任务称为“自动化”，将 AI 与用户协作完成任务称为“增强”。在这里，我们发现 Claude Code 的自动化率显著更高——79% 的对话涉及某种形式的自动化，而 Claude.ai 上的这一比例为 49%。

我们还将自动化和增强细分为几种子类型（如我们在之前的工作中所讨论的）。“反馈循环”模式，即 Claude 自主完成任务，但在人类验证的帮助下进行（例如，用户将任何错误信息发回给 Claude），在 Claude Code 上（占交互的 35.8%）几乎是 Claude.ai（21.3%）的两倍。“指令”对话，即 Claude 在最少的用户交互下完成任务，在 Claude Code 上也更高（43.8%，而 Claude.ai 上为 27.5%）。所有增强模式——包括“学习”，即用户从 AI 模型中获取知识——在 Claude Code 上都显著低于 Claude.ai。

图 1: 堆叠柱状图显示 Claude.ai 和 Claude Code 上的自动化和增强百分比。 子类型定义如下。指令：以最少的交互完全委托任务；反馈循环：由环境反馈引导的任务完成；任务迭代：协作细化过程；学习：知识获取和理解；验证：工作验证和改进。

这些结果说明了专业的、专注于编码的智能体（在此例中为 Claude Code）与用户和大型语言模型交互的更“标准”方式（即通过类似 Claude.ai 的聊天机器人界面）之间的区别。随着更多具备智能体能力的产品发布，我们可能会看到 AI 集成到人们工作方式上的差异。至少在编码领域，这可能意味着更多任务的自动化。

这引发了关于随着 AI 使用变得更加普遍，开发者将参与到何种程度的问题。重要的是，我们的结果确实表明，即使在自动化中，人类仍然非常频繁地参与：“反馈循环”交互仍然需要用户输入（即使输入只是简单地将错误信息粘贴回 Claude）。但这绝不确定这种模式会持续到未来，因为功能更强大的智能体系统可能需要越来越少的用户输入。

开发者使用 Claude 构建什么？

总的来说，我们发现开发者普遍使用 Claude 构建网站和移动应用的 用户界面（UI）和交互元素。尽管没有单一语言占据主导地位，但主要的面向网络的开发语言 JavaScript 和 TypeScript 合计占所有查询的 31%，而 HTML² 和 CSS（其他用于面向用户代码的语言）合计又占 28%。

图 2: 折线图显示 Claude 中最常见的编码用例。 百分比表示跨两个平台的编码相关任务总百分比。由于 Claude Code 和 Claude.ai 权重相等，条形图中对应于每个平台的比例代表该平台使用量的一半。

后端开发语言（用于幕后逻辑、数据库和基础设施，以及 API 和 AI 开发）也有所体现：值得注意的是，Python 占查询的 14%。然而，Python 有双重用途——既用于后端开发也用于数据分析。结合 SQL（另一种面向数据的语言，占查询的 6%），这些语言可能包含了许多超出传统后端开发的数据科学和分析应用。

图 3: 折线图显示 Claude 中最常见的编程语言。 编码语言使用百分比表示跨两个平台的总百分比。由于 Claude Code 和 Claude.ai 权重相等，条形图中对应于每个平台的比例代表该平台使用量的一半。

这些模式进一步延伸到涉及 Claude 的常见编码任务类型。前五项任务中有两项侧重于面向用户的应用开发：“UI/UX 组件开发”和“Web 与移动应用开发”分别占对话的 12% 和 8%。这些任务越来越倾向于一种被称为“氛围编码”的现象——即不同经验水平的开发者用自然语言描述他们期望的结果，然后让 AI 负责具体的实现细节。

与更通用用途相关的对话，例如“软件架构与代码设计”和“调试与性能优化”，在 Claude.ai 和 Claude Code 中都有很高比例。

推测性地，这些发现表明，如果 AI 能力不断提高导致“氛围编码”更多地融入主流工作流程，那么那些侧重于构建简单应用和用户界面的工作可能会更早受到 AI 系统的颠覆。随着 AI 越来越多地处理组件创建和样式任务，这些开发者可能会转向更高级的设计和用户体验工作。

谁在使用 Claude 进行编码？

我们还分析了哪些开发者群体可能正在使用 Claude。我们使用分析系统来识别最能描述用户编码相关交互的项目类型（例如个人项目 vs. 为初创公司完成的项目）。由于我们不了解 Claude 的响应在现实世界中被使用的具体背景，这些分析依赖于对不完整数据的不确定推断。因此，我们将这些发现视为比上述发现更初步的结果。

图 4: 图表显示 Claude.ai 和 Claude Code 中的项目类型，以及数据集中不同项目出现的百分比列表。 点之间的距离表示 Claude.ai（蓝色）和 Claude Code（橙色）上每种项目类型流行程度的差距。

初创公司似乎是 Claude Code 的主要早期采用者，而企业采用则相对滞后。初创公司相关工作占 Claude Code 对话的 32.9%（比其在 Claude.ai 上的使用率高出近 20%），而企业工作仅占 Claude Code 对话的 23.8%（略低于其在 Claude.ai³ 上的 25.9% 份额）。

此外，涉及学生、学者、个人项目开发者和教程/学习用户的用例合计占两个平台交互的一半。换句话说，个人——而不仅仅是企业——也是编码辅助工具的重要采用者。

这些采用模式与过去的技术变革类似，初创公司利用新工具获取竞争优势，而老牌组织则更为谨慎，并且通常在全公司范围内采用新工具之前进行详细的安全检查。AI 的通用性可能会加速这种动态：如果 AI 智能体提供了显著的生产力提升，早期采用者和后期采用者之间的差距可能会转化为巨大的竞争优势。

局限性

我们的分析基于现实世界中的 AI 使用——即开发者在工作流程中实际如何使用 Claude。虽然这种方法使我们的发现具有实际相关性，但也带来了固有的局限性。这些包括：

  • 我们仅分析了 Claude.ai 和 Claude Code 的数据。我们排除了可能在专业环境中表现出不同模式的 Team、Enterprise 和 API 使用；
  • 自动化和增强之间的界限在使用 Claude Code 等具备智能体能力的工具时变得越来越模糊。例如，“反馈循环”模式在本质上与传统自动化不同，因为它仍然需要用户监督和输入。我们可能需要扩展自动化/增强框架以考虑新的智能体能力；
  • 我们对谁使用 Claude 进行编码的分类依赖于从有限上下文中进行的推断。在将对话归类为“初创公司”与“企业”工作，或“个人”与“学术”项目时，我们的分析工具基于不完整信息进行了有根据的猜测。因此，某些分类可能不正确。此外，我们包含了一个“无法分类”的选项，Claude 在 5% 的 Claude.ai 对话和 2% 的 Claude Code 对话中选择了该选项。我们从分析中排除了该类别并重新规范化了结果；
  • 我们的数据集可能包含了早期采用者。这些用户可能不代表更广泛的开发者群体，这种自我选择可能会使使用模式偏向更有经验或技术上更具冒险精神的用户；
  • 由于隐私考虑，我们仅在特定的保留窗口内分析数据，可能会错过软件开发中的周期性模式（例如冲刺周期或发布计划）；
  • Claude 使用的代表性尚不清楚，相对于整体 AI 编码辅助采用情况。许多开发者使用多种 AI 工具而不仅仅是 Claude，这意味着我们只展示了他们 AI 参与模式的部分视图；
  • 我们仅研究了开发者委托给 AI 的任务——而不是他们最终如何在代码库中使用 AI 输出、生成代码的质量，或者这些交互是否有效提高了生产力或代码质量。

展望未来

AI 正在从根本上改变开发者工作的方式。我们的分析表明，在使用 Claude Code 等专业 AI 智能体系统时尤其如此，对于面向用户的应用开发工作尤其明显，并且可能给初创公司带来相对于更成熟商业企业的特定优势。

我们的发现提出了许多问题。随着 AI 能力的提升，人类仍然参与其中的“反馈循环”的普及是否会持续下去，还是我们会看到向更完全自动化的转变？随着 AI 系统能够构建更大规模的软件，开发者是否会主要管理和指导这些系统，而不是自己编写代码？哪些软件开发角色将发生最大变化，哪些可能会完全消失？

AI 不断提高的编码技能也可能对 AI 开发本身产生特别重要的影响。由于大量 AI 研究和开发依赖于软件，AI 辅助编码的进步可能会加速突破，从而形成一个积极强化的循环，进一步加速 AI 的进展。

从宏观来看，AI 系统非常新。但相对而言，编码是经济中 AI 最成熟的应用之一。这使得它值得关注。虽然我们不能假定从软件开发中得出的经验会直接适用于其他类型的职业，但软件开发可能是一个领先指标，为我们提供有关未来随着功能日益强大的 AI 模型推出，其他职业将如何变化的有用信息。

与我们合作

如果您有兴趣加入 Anthropic 研究 AI 对劳动力市场的影响，我们鼓励您申请我们的经济学家和数据科学家（政策）职位。

附录

作为一项补充分析，我们还比较了软件相关自动化和增强模式的结果与不涉及软件的交互模式。我们仅在 Claude.ai 中进行了这项分析，因为 Claude Code 专注于软件应用。

表 1: 显示 Claude.ai 中软件和非软件应用的不同 AI 使用模式百分比的表格。对于每种模式的描述，请参阅上面第一个图的标题。

与不涉及软件的用例相比，软件开发更具自动化性。反馈循环的显著增加（+18.3%）推动了这一点，值得注意的是，这抵消了指令行为的明显减少（-11.2%）。换句话说，与非编码任务相比，AI 辅助编码目前需要大量的人工审查和迭代，即使 Claude 完成了大部分工作。