Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
anthropic15. Januar 2026 · Q001414

Economic Index report: Economic primitives

anthropic.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Anthropic untersucht Claude-Nutzung anhand neuer Maße für Aufgaben, Kompetenzen, Zweck, Autonomie und Erfolg. Die Auswertung zeigt eine Konzentration auf wenige Aufgaben, geografische Unterschiede sowie einen Zielkonflikt: Komplexe Tätigkeiten bringen größere geschätzte Zeitersparnisse, gelingen aber seltener. Die Produktivitätswerte sind modellabhängige Schätzungen aus selbst ausgewählten Nutzungsdaten und daher keine gesicherten Prognosen.

Mittel

Der Bericht führt fünf neue Messgrößen zur Claude-Nutzung ein: Aufgabenkomplexität, erforderliche Kompetenzen, Nutzungszweck, Claude eingeräumte Autonomie und geschätzten Aufgabenerfolg. Anthropic wertet dafür jeweils eine Million anonymisierte Claude.ai-Gespräche und API-Datensätze aus November 2025 aus. Die Klassifikationen seien laut Bericht richtungsweisend, aber nicht exakt.

Die Nutzung bleibt auf wenige, häufig programmierbezogene Aufgaben konzentriert. Auf Claude.ai nahm unterstützende Zusammenarbeit im Vergleich zur Automatisierung wieder zu; die API-Nutzung blieb stärker automatisiert. Weltweit hängt die Nutzungsintensität mit dem Einkommen zusammen: In wohlhabenderen Ländern ist die Nutzung häufiger beruflich oder privat, in ärmeren häufiger bildungsbezogen. Diese Beobachtungen zeigen Zusammenhänge, aber keine Ursachen. Eine rasche Angleichung der US-Bundesstaaten wird aus nur drei Monaten Daten hochgerechnet und ist unsicher.

Komplexere Aufgaben versprechen laut Schätzungen größere Zeitersparnisse, gelingen Claude aber seltener. Unter Einbezug der Erfolgsquoten sinkt die modellierte Produktivitätsschätzung für die USA von 1,8 auf 1,0 bis 1,2 Prozentpunkte jährlichen Zuwachs über zehn Jahre. Die Werte hängen von Annahmen zu Aufgabenerfolg und Wechselwirkungen zwischen Tätigkeiten ab. Weil Nutzer ihre Aufgaben selbst auswählen und die Daten aktuelle Claude-Nutzung statt kontrollierter Tests abbilden, sind die Ergebnisse keine gesicherten Prognosen.

Ausführlich lesen

Der Bericht stellt neue Messgrößen vor, mit denen Anthropic die wirtschaftlich relevanten Eigenschaften der Claude-Nutzung untersuchen will. Er wertet dafür anonymisierte Gespräche von Claude.ai und einzelne Anfrage-Antwort-Paare aus der First-Party-API aus. Die fünf neuen „ökonomischen Primitiven“ erfassen Aufgabenkomplexität, benötigte menschliche und KI-Kompetenzen, den Nutzungszweck (Arbeit, Bildung oder privat), die Claude eingeräumte Entscheidungsfreiheit und den geschätzten Aufgabenerfolg. Zusammen mit der bereits erfassten Unterscheidung zwischen Automatisierung und Unterstützung sollen sie zeigen, wie Claude eingesetzt wird und welche Folgen das für Arbeit und Produktivität haben könnte.

Die Analyse beruht vor allem auf je einer Zufallsstichprobe von einer Million Claude.ai-Gesprächen und einer Million API-Transkripten aus dem Zeitraum 13. bis 20. November 2025. Anthropic lässt Claude die anonymisierten Daten klassifizieren. Die Forschenden berichten, dass sie die Klassifikatoren anhand begrenzter menschlicher Bewertungen sowie interner und synthetischer Daten geprüft und teilweise überarbeitet haben. Sie halten die Maße für richtungsweisend, betonen aber, dass einzelne Zuordnungen ungenau sein können und nicht als exakte Messungen zu verstehen sind.

Ein Vergleich mit dem vorigen Bericht zeigt, dass die Nutzung weiterhin stark auf wenige Aufgaben konzentriert ist: Die zehn häufigsten Aufgaben machen laut Bericht 24 Prozent der Claude.ai-Gespräche und 32 Prozent der API-Datensätze aus. Softwarefehler zu beheben ist auf beiden Plattformen die häufigste Aufgabe. Auf Claude.ai nahm unterstützende, interaktive Nutzung im untersuchten Zeitraum wieder zu: 52 Prozent der Gespräche wurden als Ergänzung menschlicher Arbeit und 45 Prozent als Automatisierung eingestuft. Bei API-Nutzung blieb Automatisierung deutlich verbreiteter. Weltweit konzentriert sich die Nutzung weiterhin auf wohlhabendere Länder; innerhalb der USA wurde sie zwischen Bundesstaaten gleichmäßiger. Eine Angleichung binnen zwei bis fünf Jahren ist eine Hochrechnung aus nur drei Monaten Beobachtung und laut Bericht unsicher.

Geografisch hängt eine höhere Nutzung mit dem Pro-Kopf-Einkommen zusammen. Wohlhabendere Länder weisen relativ mehr berufliche und private Nutzung auf, während Bildungsnutzung in Ländern mit niedrigerem Einkommen häufiger ist. Diese Zusammenhänge belegen laut Bericht keine Ursache-Wirkung-Beziehung. Zudem unterscheiden sich Länder- und US-Bundesstaatenvergleiche teils: So hängt höhere Nutzung auf Länderebene mit kürzeren Aufgaben und geringerer Claude-Autonomie zusammen, während diese Muster innerhalb der USA statistisch nicht klar erkennbar sind. Die Bildungsanforderungen von Eingaben und Antworten korrelieren stark; daraus folgert Anthropic, dass die Art der Eingabe mit dem Antwortniveau zusammenhängt.

Bei Produktivität und Beschäftigung berichtet Anthropic einen Zielkonflikt: Komplexere, bildungsintensivere Aufgaben zeigen größere geschätzte Zeitersparnisse, aber zugleich niedrigere Erfolgsquoten. Der geschätzte Erfolg sinkt außerdem mit der Zeit, die Menschen allein für eine Aufgabe benötigen. Für reale Claude.ai-Nutzung wird eine Erfolgsquote von 50 Prozent bei Aufgaben von etwa 19 Stunden hochgerechnet, für API-Anfragen bei etwa 3,5 Stunden. Das sind keine kontrollierten Fähigkeitsmessungen: Nutzer wählen selbst aus, welche Aufgaben sie Claude geben, und API-Daten bestehen nur aus einzelnen Anfrage-Antwort-Paaren.

Anthropic berechnet auch eine effektivere Abdeckung von Berufen, indem es Aufgabenanteile, Häufigkeit und geschätzte Erfolgsquoten kombiniert. Dadurch können Berufe stark betroffen erscheinen, wenn Claude gerade zentrale oder zeitintensive Aufgaben bewältigt; bloße Aufgabenabdeckung kann die Wirkung überschätzen. Die erfassten Aufgaben erfordern im Durchschnitt mehr Bildung als Aufgaben der Gesamtwirtschaft. Ein Gedankenexperiment, in dem diese Aufgaben aus Berufen entfernt werden, ergibt daher meist eine Abwertung der verbleibenden Tätigkeiten, bei einzelnen Berufen aber eine Aufwertung. Die Folgen hängen davon ab, welche Aufgaben tatsächlich ersetzt oder ergänzt werden und wie sich Claude weiterentwickelt.

Für das US-Produktivitätswachstum schätzt der Bericht aus aktuellen Nutzungsmustern zunächst etwa 1,8 Prozentpunkte zusätzlichen jährlichen Zuwachs über zehn Jahre. Werden die geschätzten Erfolgsquoten berücksichtigt, sinkt die Schätzung auf 1,2 Punkte für Claude.ai und 1,0 für die API. Je nachdem, ob Aufgaben einander ergänzen oder ersetzen können, fallen die Modellwerte weiter niedriger oder höher aus. Diese Ergebnisse sind Szenarien, keine beobachteten künftigen Gewinne; sie beruhen auf Annahmen zur Übertragung von Aufgaben-Zeitersparnissen auf die Gesamtwirtschaft und auf den Fähigkeiten vor Opus 4.5. Der Bericht veröffentlicht die Daten, damit externe Forschende diese Fragen weiter untersuchen können.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Bericht zu Wirtschaftskennzahlen; er behandelt keine Governance-Fragen direkt, daher fallen die Stufen für die Sammelfragen niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Befund, dass ohne die von Claude übernommenen Aufgaben netto Dequalifizierung entstünde, weil Claude vor allem höher qualifizierte Aufgaben übernimmt
  • Schätzung, dass sich die Nutzung je Einwohner zwischen den US-Bundesstaaten in 2–5 Jahren angleichen könnte (in der kurzen Fassung nicht genannt, in der mittleren nur als Angleichung erwähnt)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 25 %nur am Rande erwähnt
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 33 %einzelne zitierbare Belege
    • JEV 34 %umfangreiche Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 83 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 79 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 32 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 82 %Hintergrund, keine Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 43 %Hintergrund, keine Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 92 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-E4-T01 Was hieße die Formel von KI als „gemeinsamem Gut der ganzen Menschheit“ praktisch (Zugang, Teilen des Nutzens, gestaffelte Preise, Technologietransfer), so dass jeder Staat sie tatsächlich unterschreiben und prüfen könnte? Luna: Stufe 3 · 53 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  4. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 51 %einzelne zitierbare Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 50 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 49 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →