Anthropic Economic Index: cadencias del uso de Claude | Keryc
Hace un año, usar Claude era mayormente una conversación entre una persona y un asistente. Hoy, con Claude Code y Cowork en crecimiento, muchas sesiones son tareas largas y agenticas: ya no basta con mirar un chat transcript para entender el impacto económico. Anthropic actualiza su Economic Index con muestreo más frecuente, nuevos clasificadores y una encuesta vinculada a uso real para mostrar cómo la IA se incrusta en los ritmos del trabajo y la vida diaria.
Qué cambió en este informe
Muestreo horario en lugar de muestreos semanales: ahora pueden ver patrones por hora y por día.
Un clasificador nuevo etiqueta el artefacto principal de cada conversación (documento, explicación, código, etc.).
Datos más granulares: separan chat y Cowork (juntos, "Claude conversations") de la 1P API, agregados mensualmente.
Telemetría privada: los transcripts solo los procesa otra instancia de Claude para clasificar, y se filtran celdas con pocas observaciones.
Estos cambios permiten analizar cadencias diarias, el tipo de salida que genera Claude y cómo la gente percibe el impacto en su trabajo.
La proporción de conversaciones personales en chat y Cowork sube de ~35% en días laborables a casi 50% los fines de semana. ¿Qué cambia? De correos y presentaciones a apoyo emocional, preguntas médicas y consejos de inversión.
Ritmos horarios claros: la gente pide noticias a las 7 a.m., recetas a las 6 p.m. (2.3x el promedio) y pide consejos para dormir alrededor de las 3 a.m.
Fechas importantes aparecen en los datos: solicitudes sobre impuestos se multiplicaron por ocho justo antes del deadline de EE. UU. el 14 de abril.
Los fines de semana también muestran más conversaciones relacionadas con iniciar negocios, mientras que aplicar a empleos baja. Y cuando la gente trabaja fuera del horario típico, las tareas tienden a corresponder a ocupaciones de mayor salario.
Artefactos: qué produce Claude y cómo se usa
Anthropic clasificó cada conversación en >30 categorías de artefactos. Resultado clave: el 93% de las conversaciones producen un artefacto visible.
Más comunes: explicaciones (17%), documentos y reportes (15%), y guías o recomendaciones (11%).
Conversaciones laborales suelen generar documentos, borradores de email, análisis y resúmenes. Conversaciones personales generan más explicaciones y recomendaciones.
Algunas categorías son casi exclusivamente personales (creativa, recetas, guía), mientras que marketing, blogs y queries de base de datos son mayoritariamente laborales.
Esto nos ayuda a mapear no solo cuánto se usa Claude, sino qué se saca de cada interacción.
Coste computacional y valor: tokens como proxy
Anthropic usa tokens (texto procesado y generado, incluyendo razonamiento interno) como medida del "coste" de una conversación. Usan medias geométricas por la gran asimetría en consumo.
Existe una relación positiva entre tokens por conversación y salario promedio de la ocupación mapeada: ocupaciones mejor pagadas tienden a usar más tokens.
Ejemplo: conversaciones mapeadas a marketing managers consumen ~2.5x tokens que las de editores, en línea con diferencias salariales.
Artefactos complejos (apps, sitios) usan muchas más tokens que explicaciones sencillas.
La implicación económica: más tokens suelen corresponder a outputs de mayor valor, y en ocupaciones de mayor salario tanto Claude como el usuario producen más durante la sesión, lo que sugiere aumento de productividad más que simple reemplazo.
Autonomía: cuánto decide Claude por su cuenta
Medida en una escala 1-5 (ninguna a extrema). Tareas como traducciones o cálculos son baja autonomía; construir apps, juegos o presentaciones es alta autonomía.
Claude Code muestra consistentemente más delegación que chat o Cowork: diferencia promedio 0.37 puntos. Parte se debe a que usuarios delegan más en Code y parte al distinto mix de tareas.
No es solo modelo: aunque Code usa Opus más a menudo (54% vs 10% en chat/Cowork), la diferencia persiste entre sesiones servidas por el mismo modelo (por ejemplo Sonnet), lo que sugiere que el producto cambia el comportamiento.
Autonomía y tokens van juntos (correlación r = 0.68): más autonomía implica diálogo más costoso computacionalmente.
Nivel de lectura: Claude eleva el registro
Anthropic estimó años de educación necesarios para entender prompt y respuesta. Hallazgos importantes:
En promedio, la respuesta de Claude está ~1 año por encima del prompt en nivel educativo.
Brechas mayores cuando se pide construir algo: imagen/graphics +2.6 años, juegos +1.9, apps y sitios +1.7.
Para escritura dirigida al público (blogs, emails, papers) la brecha es cercana a cero.
Esto puede reflejar que los prompts son a menudo concisos y la salida viene en prosa pulida, pero también plantea preguntas sobre accesibilidad y adaptación del lenguaje según audiencia.
Percepciones: la encuesta ligada al uso (n ~ 9,700)
Anthropic lanzó en abril de 2026 la Anthropic Economic Index Survey. Vincularon respuestas con hasta 20 sesiones por usuario en un periodo de muestreo usando métodos preservadores de privacidad.
La mayoría espera progreso rápido en capacidades de IA el próximo año; cerca de 6 de cada 10 anticipan mayor capacidad en 12 meses.
Más de un tercio piensa que AI podrá hacer la mayor parte o casi todo su trabajo en un año.
Curiosa tensión: los usuarios que delegan más (más sesiones automatizadas) son los más optimistas sobre salario, seguridad laboral y sentido del trabajo.
Early-career workers se muestran más preocupados por desplazamiento, mientras que quienes delegan reportan más ganancias de productividad y aprendizaje.
Cómo miden la automatización y modos de colaboración
El clasificador de modo distingue entre: Directive (delegas la ejecución), Feedback Loop, Task Iteration, Learning y Validation. El "automation share" es la fracción de sesiones con patrones directivos o de bucle de feedback.
El reporte muestra que reported y anticipated exposure crecen con automation share: delegar es informativo sobre capacidades, o bien los entusiastas delegan más.
Empleo, riesgos y desigualdades
10% de los encuestados dijo que perder su empleo era probable o muy probable en 12 meses; muchos atribuyen riesgos de pérdida de empleo a AI.
Preocupación mayor por colegas junior y por trabajadores en países de menor ingreso.
Diferencia de género: en la muestra vinculada, mujeres (12% de la muestra) usan menos Claude Code, tienen menor automation share y trabajan de forma más iterativa con Claude.
Metodología, límites y privacidad
Periodo de análisis para capítulos: principalmente 10 de abril a 10 de junio de 2026.
Datos incluyen chat y Cowork (consumer Free/Pro/Max) y 1P API por separado; Claude Code se analiza cuando corresponde.
Privacidad: clasificadores privados leen transcripts con otra instancia de Claude y se filtran celdas escasas para evitar reidentificación.
Tokens medidos y resumidos con medias geométricas por la fuerte asimetría en consumo.
Qué nos deja esto (y qué preguntarnos)
Este informe confirma algo que ya intuíamos: la IA no es solo una herramienta puntual, es parte de los ritmos diarios del trabajo y la vida. Produce artefactos concretos, exige más compute cuando el trabajo vale más y recibe distintos niveles de delegación según la superficie y la tarea.
Preguntas abiertas que importan: ¿cómo aseguramos que las salidas de mayor lectura sean accesibles a audiencias amplias? ¿Cómo medimos erosión de habilidades reales frente a autoevaluaciones de aprendizaje? ¿Qué políticas sociales y de formación necesitamos si los beneficios de productividad se concentran en ciertos grupos?
La buena noticia es que los datos y la encuesta juntos nos dan una imagen más rica: no solo cuánto se usa Claude, sino qué se produce y cómo la gente lo percibe. Eso es clave para formular políticas y prácticas empresariales informadas.
