以下はhttps://www.anthropic.com/research/anthropic-economic-index-september-2025-reportの翻訳です。
はじめに（Introduction）
AIは、その前例のない導入速度において、これまでのテクノロジーとは異なります。米国だけでも、従業員の40%が職場でAIを使用していると報告しており、これは2年前の2023年の20%から増加しています。1 この急速な導入は、このテクノロジーがすでに幅広いアプリケーションでいかに有用であるか、既存のデジタルインフラストラクチャに展開可能であること、そして専門的なトレーニングなしに単にタイプ入力や音声入力によって使えるという利用の容易さを反映しています。フロンティアAIの急速な改善は、これら各側面において導入の速さをさらに強化する可能性があります。
歴史的に見て、新しいテクノロジーが広く普及するには数十年かかりました。電気が都市で電化された後、農家に行き渡るまでには30年以上かかりました。最初のマスマーケット向けパーソナルコンピュータが初期導入者（early adopters）に届いたのは1981年ですが、米国の大部分の家庭に普及するまでにはさらに20年を要しました。急速に導入されたインターネットでさえ、AIがわずか2年間で達成した導入率に達するまでには、約5年かかりました。2
なぜこのような違いがあるのでしょうか？簡単に言えば、変革をもたらすテクノロジーであっても、経済全体に浸透し、消費者による導入の地理的集中が薄れ、企業が新たな技術的能力を最大限に引き出すために事業運営を再構築するには時間がかかるからです。企業による導入、最初は狭い範囲のタスクに対して、次に汎用性の高いアプリケーションに対して行われることが、重大なテクノロジーが広がり、変革的な経済効果をもたらす重要な方法です。3
言い換えれば、初期のテクノロジー導入の特徴は、少数の地理的地域と、企業における少数のタスクの両方で集中しているということです。本レポートで示すように、AIの導入は21世紀においても同様のパターンを辿っているように見えますが、そのタイムラインは20世紀のテクノロジー普及よりも短く、強度（intensity）はより大きいものとなっています。
このような初期のAI導入パターンを調査するために、私たちはAnthropic経済インデックスを2つの重要な側面で拡張し、Claude.aiの会話に関する地理的分析と、企業によるAPI使用に関する初の調査を導入します。これにより、Claudeの利用状況が時間とともにどのように進化してきたか、導入パターンが地域によってどのように異なるか、そして企業がフロンティアAIをビジネス上の問題を解決するためにどのように展開しているかを初めて示します。
Claude.aiにおける利用パターンの経時的変化（Changing patterns of usage on Claude.ai over time）
本レポートの最初の章では、基礎となるモデル能力の改善、新製品機能、およびClaudeの消費者ベースの拡大に伴って、過去8ヶ月間にClaude.aiの利用状況に見られた顕著な変化を特定します。
主な発見は以下の通りです。
- 教育と科学の利用シェアが増加傾向にある： コーディングのためのClaudeの使用が全体のサンプルで36%を占めて依然として支配的である一方、教育関連のタスクは9.3%から12.4%に、科学関連のタスクは6.3%から7.2%に急増しました。
- ユーザーはClaudeにより大きな自律性（autonomy）を委ねている： ユーザーがClaudeに完全なタスクを委任する「指示的（Directive）」な会話は、27%から39%に跳ね上がりました。コーディングにおけるプログラム作成の増加（+4.5pp）とデバッグの減少（-2.9pp）が見られ、ユーザーが単一のやり取りでより多くの目標を達成できている可能性を示唆しています。
AI導入の地理的状況（The geography of AI adoption）
今回、私たちは150以上の国と米国の全州にわたるClaude.aiの利用データに関する地理的な区分を初めて公開します。普及パターンを調査するために、私たちはAnthropic AI利用インデックス（Anthropic AI Usage Index、AUI）を導入し、Claude.aiの使用がその経済の生産年齢人口（working age population）に対して過大に表現されているか、あるいは過小に表現されているかを測定します。
主な発見は以下の通りです。
- AUIは国ごとの所得と強く相関する： 以前のテクノロジーと同様に、AIの利用が地理的に集中していることがわかります。シンガポールとカナダは、人口に基づいて予測される利用率に対して、それぞれ4.6倍と2.9倍という、一人当たりの利用率が最も高い国々に入ります。対照的に、インドネシアの0.36倍、インドの0.27倍、ナイジェリアの0.2倍といった新興経済国では、Claudeの利用が少ないことがわかります。
- 米国では、地域の経済要因が利用パターンを形成する： 一人当たりの利用率ではDC（人口シェアに対して3.82倍）がリードしていますが、ユタ州（3.78倍）がそれに僅差で続いています。地域ごとの利用パターンが、その地域の経済の際立った特徴を反映しているという証拠が見られます。例えば、カリフォルニア州ではIT分野、フロリダ州では金融サービス分野、DCでは文書編集とキャリア支援のための利用が増加しています。
- 先行国では利用の多様性が高い： 導入率の低い国ではコーディング関連の利用が多い傾向があるのに対し、導入率の高い地域では教育、科学、ビジネスといった多様なアプリケーションが見られます。例えば、インドではコーディングタスクが全利用の半分以上を占めていますが、世界全体ではおよそ3分の1です。
- 高導入国では自動化が少なく、拡張（augmented）利用が多い： 国ごとのタスク構成を調整して比較すると、AUIの低い国では完全なタスクの委任（自動化）を行う傾向が強いのに対し、高導入地域では学習と人間-AIの反復（拡張）の傾向が強いことがわかります。
初期のAI導入における不均一な地理的状況は、経済収束（economic convergence）に関して重要な疑問を提起します。19世紀後半から20世紀初頭にかけての変革的なテクノロジー（広範な電化、内燃機関、屋内配管など）は、現代の経済成長の時代をもたらしただけでなく、世界中の生活水準の大きな乖離（divergence）を伴いました。4
もし生産性向上が高導入経済圏でより大きい場合、現在の利用パターンは、AIの恩恵がすでに裕福な地域に集中する可能性を示唆しており、世界の経済的不平等を増大させ、近年の成長収束（growth convergence）を逆転させる可能性があります。5
AIの体系的な企業展開（Systematic enterprise deployment of AI）
最後の章では、当社のファーストパーティ（1P）APIトラフィックの大部分に関する初のインサイトを提示し、企業や開発者がClaudeを使用して達成しているタスクを明らかにします。重要なのは、APIユーザーはWebユーザーインターフェース（Claude.aiと同様）ではなく、プログラム的にClaudeにアクセスするということです。これは、早期導入企業がフロンティアAI能力をどのように展開しているかを示しています。
主な発見は以下の通りです。
- 1P API利用はClaude.ai利用と類似しているが、専門的な違いがある： 1P API利用もClaude.ai利用も、コーディングタスクに大きく焦点を当てています。しかし、1P API利用ではコーディングとオフィス/管理タスクの割合が高く、Claude.ai利用では教育と執筆タスクの割合が高くなっています。
- 1P API利用は自動化が支配的である： ビジネス利用の77%が自動化の利用パターンに関与しており、Claude.aiユーザーの約50%と比較して高い割合です。これは、API利用がプログラム的であるという性質を反映しています。
- ビジネス展開の形成においては、コストよりも能力が重要であるように見える： APIデータにおける最も頻繁に使用されるタスクは、使用頻度の低いタスクよりもコストが高い傾向があります。全体として、価格感応度（price sensitivity）が弱いという証拠が見られます。モデルの能力と、特定のタスクを自動化可能にすることの経済的価値が、企業の利用パターンを形成する上でより大きな役割を果たしているようです。
- コンテキスト（文脈）が高度な利用を制約する： 私たちの分析は、複雑なドメインでAIを大きな影響力を持って展開するためには、モデルにとって適切なコンテキストをキュレーション（精選）することが重要になることを示唆しています。これは、一部の企業にとって、コンテキスト情報を引き出すためのコストのかかるデータモダナイゼーション（data modernization）や組織への投資が、AI導入のボトルネックになる可能性があることを意味します。
独立した研究を促進するためのオープンソースデータ（Open source data to catalyze independent research）
以前のレポートと同様に、私たちはAIの経済的影響に関する独立した研究を支援するために、基礎となるデータをオープンソース化しました。この包括的なデータセットには、Claude.aiと1P APIトラフィックの両方について、タスクレベルの利用パターン（O*NET分類およびボトムアップのカテゴリにマッピング）、タスクごとのコラボレーションモードの内訳、および当社の方法論の詳細な文書が含まれています。現時点では、地理的な利用パターンはClaude.aiトラフィックでのみ利用可能です。
このデータが他者の調査を助けることが期待される主要な疑問には、以下のものが含まれます。
- AIの利用と導入が、労働者や企業の地域の労働市場にどのような結果をもたらすか？
- AIの導入は国や米国内で何によって決定されるか？AIの恩恵がすでに裕福な経済圏のみに蓄積されることがないようにするために、何ができるか？
- タスクあたりのコストは、企業展開のパターンを形成する上でどのような役割を果たすか、あるいは全く果たさないか？
- 企業が一部のタスクを自動化でき、他のタスクを自動化できないのはなぜか？これは、どのタイプの労働者がより良い、またはより悪い雇用の見通しを経験するかについて、どのような意味を持つか？
Chapter 1: Claude.ai利用の経時的変化（Claude.ai usage over time）
概要（Overview）
AI導入が時間とともにどのように進化するかを理解することは、生産性の向上から労働力の変化に至るまで、その経済的影響を予測するのに役立ちます。2024年12月と2025年1月（最初のレポート「V1」より）から2025年2月と3月（「V2」）、そして2025年8月（「V3」）の最新インサイトにわたるデータを用いて、能力と製品機能の改善、新しい種類のユーザーの導入、および利用の高度化に伴い、過去8ヶ月間でAI利用がどのように変化したかを追跡できます。以下に示す証拠は、新しい製品機能が既存のタスクに対する導入を単に加速させたのではなく、新しい形の仕事を可能にしたことを示唆していると私たちは見ています。
経済的タスクに対するClaude.aiの利用がどのように変化したか（How Claude.ai usage for economic tasks has changed）
教育および科学的タスクの相対的な重要性が引き続き上昇（Educational and scientific tasks continue their rise in relative importance）
コンピュータおよび数学的タスクが依然として全体の利用の36%を占めて支配的である一方で、私たちは知識集約的な分野で持続的な成長を目の当たりにしています。教育指導および図書館（Educational Instruction and Library）関連のタスクはV1の9%からV3の12%に増加しました。生命、物理、社会科学（Life, Physical, and Social Science）関連のタスクは6%から7%に増加しました。一方、ビジネスおよび財務運営（Business and Financial Operations）タスクの相対的シェアは6%から3%に低下し、管理（Management）タスクは5%から3%に低下しました。
この乖離は、AI利用が従来のビジネス運営と比較して、知識の統合と説明を伴うタスクの間で特に急速に広がりつつあることを示唆しています。これは、おそらくこれらのタスクがClaudeの推論能力からより大きな恩恵を受けているためと考えられます。
新しい機能が利用パターンを形成している（New capabilities are shaping usage patterns）
より詳細なレベルで見ると、V2とV3の間にリリースされた機能と関連していると思われるタスク構成の変化を確認しています。例えば、電子ソースおよびデータベースの検索（searching electronic sources and databases）は大幅に増加しており（0.03% → 0.49%）、これはおそらく3月のウェブ検索機能（web search release）を反映しています。加えて、インターネットベースの研究タスク（internet-based research tasks）の増加も見られ（0.003% → 0.27%）、これは4月にリリースしたリサーチモード（Research mode）と一致しています。
他の種類の変化も見られます。教材の開発（developing instructional materials）に関連するタスクは1.3パーセントポイント（pp）増加し、ベースの0.2%から1.5%へと、6倍以上の増加となりました。これは、教育関係者の間での導入が増加していることを反映している可能性があります。2 マルチメディア文書の作成（Creating multimedia documents）は0.4pp増加し、0.16%から0.55%へとほぼ3倍になりました。これは、Claude.ai内で従来型およびAIパワードのアプリを構築するためのArtifacts機能（Artifacts feature）の継続的な利用によって促進されている可能性があります。
興味深いことに、新しいコードを作成する（creating new code）タスクのシェアは2倍以上に増加し、4.5パーセントポイント増（4.1%から8.6%へ）となりました。一方で、デバッグおよびエラー修正（debugging and error correction）タスクは2.8パーセントポイント減少しました（16.1%から13.3%へ）。これは、コードの修正よりも作成へと、正味7.4ppのシフトがあったことを示しています。これは、モデルがますます信頼性が高くなっているため、ユーザーが単一のやり取りで問題を修正する時間を減らし、作成する時間により多く費やしている可能性を示唆しています。3
指示的自動化が加速している（Directive automation is accelerating）
以前のレポートと同様に、私たちは人々がClaudeを何に使用しているかだけでなく、Claude.ai上でClaudeとどのように協力（collaborate）または委任（delegate）しているかも追跡しています。
大まかに見て、Claudeを使用する自動化（automation）と拡張（augmentation）のモードを区別しています。
自動化（Automation）には、タスク完了に焦点を当てた対話パターンが含まれます。
- 指示的（Directive）： ユーザーがClaudeにタスクを与え、Claudeは最小限のやり取りでそれを完了します。
- フィードバックループ（Feedback Loops）： ユーザーはタスクを自動化し、必要に応じてClaudeにフィードバックを提供します。
拡張（Augmentation）は、協調的な対話パターンに焦点を当てています。
- 学習（Learning）： ユーザーは様々なトピックに関する情報や説明をClaudeに求めます。
- タスク反復（Task Iteration）： ユーザーはClaudeと協力してタスクを反復します。
- 検証（Validation）： ユーザーは自分の作業に対するフィードバックをClaudeに求めます。
Claude.aiの会話からサンプリングされた指示的（directive）会話のシェアは、2024年後半のV1における27%からV3では39%に急増しました。この増加は主にタスク反復（task iteration）および学習（learning）の対話の犠牲の上に起こっており、利用の自動化パターンを示す会話のシェアが大幅に純増していることを意味します。これは、わずか8ヶ月間で注目すべき増加です。本レポートは、自動化利用が拡張利用を上回った最初のレポートとなります。
一つの解釈として、これはモデル能力の向上の結果であるというものがあります。モデルがユーザーのニーズを予測し、最初の試行で高品質な出力を生成する能力が向上するにつれて、ユーザーはフォローアップの修正を必要とすることが少なくなる可能性があります。指示的利用の急増は、AIに完全なタスクを委任することへの信頼が高まっていること、つまり学習による習熟（learning-by-doing）の一形態を示している可能性もあります。4
指示的利用の増加が、モデル能力の向上に起因するものなのか、それとも学習による習熟に起因するものなのかによって、労働市場への影響は大きく異なる可能性があります。もし、より高度なモデルが単に自動化されるタスクの範囲を拡大するだけであれば、そのようなタスクを実行する労働者が代替されるリスクが高まります。しかし、指示的利用の増加が学習による習熟を反映しているのであれば、新しいAIを活用したワークフローに適応できる労働者ほど、需要が高まり、より高い賃金を得る可能性が高くなります。言い換えれば、AIは一部の労働者に他の労働者よりも大きな利益をもたらす可能性があります。すなわち、技術変化に適応する能力が最も高い人々にはより高い賃金をもたらす一方で、適応能力が低い人々は仕事の混乱に直面するかもしれません。5 これは、今後の研究にとって重要な調査領域となるでしょう。
今後の展望（Looking ahead）
V3データは、AIの能力と導入が引き続き進展していることを明らかにしています。教育的および科学的なアプリケーションを含む知識ベースのタスクは、急速な成長率を維持しており、新しい製品機能は、既存のタスクを加速させるだけでなく、異なる種類の仕事を可能にしているようです。
最も顕著なのは、タスクのAIシステムへの委任（delegation）が増加しているというデータです。これは、テクノロジーに対するユーザーの信頼と、基礎となるモデル能力の改善のいくつかの組み合わせによるものかもしれません。また、基盤となるユーザーベースの変化による可能性もあります。本レポートの次章では、初めて利用状況を地理的に区分し、今後、時間的変化と地理的変化をより明確に切り離せるようにします。私たちは、今後のレポートでこれらのトレンドを引き続き注意深く追跡していきます。
承知いたしました。ご希望の箇所から、太字などの強調を一切使わずに、正確な日本語に翻訳します。
Chapter 2: 米国および世界全体におけるClaudeの利用（Claude usage across the United States and the globe）
概要（Overview）
AIがどこで最初に導入され、どのように利用されるかが、世界中の経済的成果を形作ることになります。150以上の国と米国の全州にわたるClaudeの利用パターンを分析することで、私たちは3つの重要な動態を明らかにします。それは、初期導入者がどこにいるのか、彼らがAIを何に利用しているのか、そして導入が成熟するにつれて利用がどのように進化するのか、ということです。これらの地理的パターンは、AIの経済的普及に関する実世界の証拠を提供し、異なる地域間でAI導入が収束しているのか、それとも乖離しているのかを追跡するのに役立ち、また、地域の経済的特性がテクノロジーの展開をどのように形作っているかを明らかにします。
プライバシーを保護した（privacy-preserving）100万件のClaude.ai会話の分析1に基づく私たちのデータ2は、いくつかの予想を確認すると同時に、他の予想に異議を唱えるものでした。米国は総利用量で21.6%を占めており、その規模と高所得を考慮すれば驚くにはあたりません。しかし、生産年齢人口の規模で調整した場合でも、高所得国ほど利用率が高い傾向があります。例えば、シンガポールの利用率は、その生産年齢人口から予測される水準の4.5倍である一方、世界の広範な地域では利用が最小限にとどまっています。興味深いことに、米国内では、DCとユタ州が一人当たりの利用率でカリフォルニア州を上回っています。
また、一人当たりの導入が深まるにつれて、AIのユースケースに変化が見られます。一人当たりのAI導入率が低い国では、コーディングタスクへの集中が圧倒的です。インドでは全利用の半分以上を占めているのに対し、世界全体ではおよそ3分の1です。導入が成熟するにつれて、利用は多様化し、教育、科学、およびビジネス運営に重点が置かれるようになります。
さらに驚くべき点は、成熟した市場はAIをより協調的（collaboratively）に利用する傾向があるのに対し、新興市場は完全なタスクの委任を行う傾向が強いということです。これは、構造転換の異なる段階にある経済によって、AIが展開される方法の違いを反映している可能性があります。私たちのデータは、これらの地理間のパターンを垣間見る機会を提供し、今後、これらの導入格差が時間とともに縮小するのか、拡大するのか、あるいは構造が変化するのかを追跡することを可能にします。
世界全体におけるClaudeの普及（Claude diffusion across the globe）
総Claude利用量は米国で最も高い（Total Claude usage is highest in the US）
Claudeの導入全体は、地理的に高度に集中しています。世界の総利用量に関して言えば、米国が最も高いシェア（21.6%）を占めており、それに続く利用が多い国々は、著しく低いシェアを示しています（インドが7.2%、ブラジルが3.7%。図2.1を参照）。しかし、この集中度は、各国の人口規模3によって影響を受けます。つまり、大規模な国は、純粋に人口規模のために、より大きな利用シェアを持つ可能性があります。
一人当たりのClaude利用は技術的に進んだ国に集中（Per capita usage of Claude is concentrated in technologically advanced countries）
人口規模の違いを考慮に入れるため、私たちは生産年齢人口で調整した利用状況を分析し、Anthropic AI利用インデックス（Anthropic AI Usage Index、AUI）と呼ばれる新しい指標を導入します。各地域について、Claude利用におけるその地域のシェアと、生産年齢人口（15〜64歳）におけるその地域のシェアを計算します。その後、これらのシェアを割ることでAUIを算出します。
AUI = (Claude利用シェア) / (生産年齢人口シェア)
このインデックスは、各国がその生産年齢人口に対して予想されるよりもClaudeを多く利用しているか、少なく利用しているかを示します。AUIが1より大きい地域は、人口調整後、予想よりも高い利用率を示しているのに対し、AUIが1未満の地域は低い利用率を示します。
結果は、小規模で技術的に進んだ経済圏の間での顕著な集中パターンを明らかにしています。イスラエル（Israel）がAnthropic AI利用インデックス7で世界の一人当たりClaude利用をリードしています。これは、その生産年齢人口が、人口に基づいて予想される水準の7倍多くClaudeを利用していることを意味します。シンガポール（Singapore）が4.57で続き、オーストラリア（Australia）（4.10）、ニュージーランド（New Zealand）（4.05）、韓国（South Korea）（3.73）が一人当たりのClaude利用でトップ5を占めています。
次に、私たちはAUIに基づいて一人当たりの利用層（per capita usage tiers）を作成します。私たちは、100万件の会話のランダムサンプルの中で少なくとも200件の会話を持つ国に着目し、四分位数（quartiles）に基づいて異なる利用層の閾値を設定します。すなわち、先行（Leading）（上位25%）、上中位（Upper Middle）（50-75%）、下中位（Lower Middle）（25%-75%）、そして新興（Emerging）（下位25%）です。その後、200件未満の観測値しか持たない国であっても、そのAUIに基づいて層を割り当てます。人口データはあるものの、私たちのサンプルに利用データがない国は、最小（Minimal）層に割り当てます。4 図2.3は、世界全体のAnthropic AI利用インデックスの層を示しており、表2.1は層の概要と国の例を示しています。
技術水準の高い国と新興国の比較（Zooming into leading and emerging countries in terms of per capita usage）
人口規模が限定的な先進国に利用が集中しているのは、これらの国々が技術の先駆者（technology pioneers）としての確立されたパターンを反映しています。例えば、イスラエル（Israel）とシンガポール（Singapore）は両国とも世界中のさまざまな経済の革新度を測る指標である世界イノベーション指数（Global Innovation Index）で高い順位にあり、情報技術への一般的な投資が、フロンティアAIの迅速な導入に向けて経済を有利な位置につけていることを示唆しています。総じて、これらの経済は、教育水準の高い労働力、堅牢なデジタルインフラ、そしてイノベーションに友好的な政策を活用して、AIにとって肥沃な条件を作り出すことができます。
Claudeの利用における主要な先進国の位置も注目に値します。米国（United States）は一人当たりの導入率が3.62で先行国の中にランク付けされていますが、カナダ（Canada）（2.91）と英国（United Kingdom）（2.67）は、その人口と比較して高いものの、より穏やかな導入率を示しています。その他の主要経済国では、フランス（France）が1.94、日本（Japan）が1.86、ドイツ（Germany）が1.84と、より低い導入率を示しています。
一方、多くの中低所得経済国ではClaudeの利用が最小限にとどまっており、アフリカ、ラテンアメリカ、およびアジアの一部地域にわたる多くの国々が、その生産年齢人口に基づいて予想される水準を下回るClaude導入を示しています。これには、ボリビア（Bolivia）（0.48）、インドネシア（Indonesia）（0.36）、インド（India）（0.27）、ナイジェリア（Nigeria）（0.2）が含まれます。
この利用の変動は、これらの経済間の所得格差を反映しています。私たちは、Claudeの導入と生産年齢人口あたり国内総生産（Gross Domestic Product per working-age capita）との間に強い正の相関関係を見ており（図2.4を参照）、一人当たりGDPの1%の増加は、一人当たりClaude利用の0.7%の増加と関連しています。
Claudeの利用における格差は、いくつかの要因が組み合わさって生じたものと思われ、その一部は所得と相関しています。
デジタルインフラ：利用率の高い国は通常、AIアシスタントへのアクセスに必要な強固なインターネット接続とクラウドコンピューティングへのアクセスを備えています。
経済構造：本レポートおよび以前のレポートで文書化されているように、Claudeの能力は知識労働者に典型的な様々なタスクに適しています。先進経済国は、製造業の雇用シェアが大きい低所得経済国と比較して、このような役割を担う労働者の割合が大きい傾向があります。
規制環境：政府は、異なる産業間でのAIの利用をどの程度積極的に奨励しているか、また、その技術をどの程度厳しく規制しているかという点で異なります。
認知度とアクセス：シリコンバレーやAI研究コミュニティとの結びつきが強い国は、Claudeに対するより高い認知度とアクセスを持っている可能性があります。
信頼と安心感：AIに対する信頼に関する世論は、国によって大きく異なります。
米国内におけるClaudeの普及（Claude diffusion across the United States）
米国内では、カリフォルニア州が圧倒的に利用量の25.3%を占めてリードしています。ニューヨーク州（9.3%）、テキサス州（6.7%）、バージニア州（4.0%）といった主要なハイテクセンターを持つ他の州も高い順位にあります。人口調整はされていませんが、これらの高い導入数値は、経済的に重大な技術が歴史的に普及してきた経緯と同様に、技術ハブにおける急速な導入を部分的に反映していると推測されます。
しかし、この説明は、各州の人口規模で調整すると、より複雑になります。驚くべきことに、コロンビア特別区（District of Columbia、DC）がAnthropic AI利用インデックス3.82でリードしており、DCにおけるClaudeの利用が、国の生産年齢人口に占めるそのシェアの3.82倍であることを示しています。ユタ州（Utah）（3.78）が僅差で続き、カリフォルニア州（California）（2.13）、ニューヨーク州（New York）（1.58）、バージニア州（Virginia）（1.57）を顕著に上回っています。7
米国各州におけるClaudeの導入と一人当たり所得との間には、世界レベルと同様の相関関係が見られますが、その強さは弱いです。州をまたがる導入率のばらつきについて、所得の違いが説明できるのは半分未満です。この相関の弱さにもかかわらず、Claudeの導入は所得に応じてより速く上昇していることがわかります。州の一人当たりGDPが1%増加するごとに、AI利用インデックス（AI Usage Index）は1.8%増加することと関連しています。1
タスク利用パターンの国ごとの違い（Task usage patterns across countries）
Claudeが異なる国でどのように利用されているかについて、注目すべきばらつきが見られます。以前のレポートと同様に、私たちは2つの異なるアプローチを用いてこれらの傾向を分析しています。まず、私たちは会話を、特定のタスクを職業および職業群に対応付ける米国の分類体系であるO*NETに従ってタスクに分類します（例：ソフトウェアのデバッグを含むタスクは、コンピュータおよび数学（Computer and Mathematical）の職業群に分類されます）。
次に、私たちはClaudeを使用して、Claude.aiにおけるユーザーリクエストのボトムアップの分類体系を構築します。これは、既存の分類体系にうまく収まらない利用パターンに関するインサイトを提供します。例えば、「求職応募用のカバーレターの作成と改善を支援（help write and improve cover letters for job applications）」（最下層）というリクエストクラスターは、より高レベルのクラスターである「求職応募、履歴書、キャリア文書の支援（help with job applications, resumes, and career documents）」（中間層）につながり、さらに「求職応募、履歴書、キャリア向上（help with job applications, resumes, and career advancement）」（最上層）へとつながります。これら2つの相補的なアプローチにより、私たちは標準的な労働統計に合わせた結果を報告するとともに、標準的な分類体系が見落とすタスクを捉える柔軟性を提供することができます。
一人当たりのClaude利用率が高いほど、より多様なタスク利用と関連する（Higher per capita Claude usage is associated with more diverse task usage）
O*NETタスクを最上層（それが属する標準職業分類の職業群）で集計して分析すると、国によって強いばらつきがあることに気づきます。全体的なパターンはノイズが多いものの—特に観測値が少ない国では—図2.7は、一人当たりのClaude導入率が低い国から高い国へと進むにつれて、利用がコンピュータおよび数学（Computer and Mathematical）の職業群のタスク（例：プログラミング）から、教育、オフィスおよび管理用途、芸術などの分野におけるより多様なタスクへとシフトすることを示唆しています。また、生命、物理、社会科学における利用の増加も見られます。
タスク利用パターンの国ごとの違い（Task usage patterns across countries）
Claudeが異なる国でどのように利用されているかについて、注目すべきばらつきが見られます。以前のレポートと同様に、私たちは2つの異なるアプローチを用いてこれらの傾向を分析しています。まず、私たちは会話を、特定のタスクを職業および職業群に対応付ける米国の分類体系であるO*NETに従ってタスクに分類します（例：ソフトウェアのデバッグを含むタスクは、コンピュータおよび数学（Computer and Mathematical）の職業群に分類されます）。
次に、私たちはClaudeを使用して、Claude.aiにおけるユーザーリクエストのボトムアップの分類体系を構築します。これは、既存の分類体系にうまく収まらない利用パターンに関するインサイトを提供します。例えば、「求職応募用のカバーレターの作成と改善を支援（help write and improve cover letters for job applications）」（最下層）というリクエストクラスターは、より高レベルのクラスターである「求職応募、履歴書、キャリア文書の支援（help with job applications, resumes, and career documents）」（中間層）につながり、さらに「求職応募、履歴書、キャリア向上（help with job applications, resumes, and career advancement）」（最上層）へとつながります。これら2つの相補的なアプローチにより、私たちは標準的な労働統計に合わせた結果を報告するとともに、標準的な分類体系が見落とすタスクを捉える柔軟性を提供することができます。
一人当たりのClaude利用率が高いほど、より多様なタスク利用と関連する（Higher per capita Claude usage is associated with more diverse task usage）
O*NETタスクを最上層（それが属する標準職業分類の職業群）で集計して分析すると、国によって強いばらつきがあることに気づきます。全体的なパターンはノイズが多いものの—特に観測値が少ない国では—図2.7は、一人当たりのClaude導入率が低い国から高い国へと進むにつれて、利用がコンピュータおよび数学（Computer and Mathematical）の職業群のタスク（例：プログラミング）から、教育、オフィスおよび管理用途、芸術などの分野におけるより多様なタスクへとシフトすることを示唆しています。また、生命、物理、社会科学における利用の増加も見られます。
承知いたしました。ご提示いただいた文章を、太字などの強調を一切使わず、プレーンテキストで翻訳します。
全般的に見て、ソフトウェア開発がClaudeの最も一般的な利用法として浮上しています。なぜ開発者タスクがClaudeの全体的な利用パターンにおいて一貫して上位を占めるのでしょうか？いくつかの要因がこの効果に寄与していると考えられます。
モデルとタスクの適合性：Claudeは非常に強力なコーディングモデルであり、コード生成、デバッグ、技術的な問題解決タスク全体に容易に展開できます。
開発者の受容性：開発者コミュニティは新しいツールを迅速に取り入れ、その利用は彼らの社会的・専門的なネットワークを通じて拡散します。
組織的障壁の低さ：個々の開発者は、通常、複雑な承認プロセスなしにClaudeを導入できます。これは、例えば医療分野でのユースケースとは対照的です。
米国内のタスク利用パターン（Task usage patterns across the United States）
このセクションでは、米国内の州をまたがるClaudeの利用パターンを探り、地域の経済状況が利用パターンをどのように形作っているかについて、さらなる洞察を得ます。前述したように、Anthropic AI利用インデックス（Anthropic AI Usage Index）における州間の違いは、米国内の州間所得差のばらつきの半分未満しか説明していません。このことは、Claudeの能力と地域の労働力の職業構成との互換性など、他の地域的な違いが、なぜ利用が一部の州に他よりも集中しているかを決定する上で、より大きな役割を果たしていることを示唆しています。
多くの州で、AI利用の局所的なパターンが地域の経済の際立った特徴と一致しているという証拠が見られます。各利用層におけるトップの州—先行（Leading）層のカリフォルニア州（California）、上中位（Upper Middle）層のテキサス州（Texas）、下中位（Lower Middle）層のフロリダ州（Florida）、新興（Emerging）層のサウスカロライナ州（South Carolina）—を分析すると、私たちのボトムアップのリクエスト分類体系に関して強いばらつきが見られます（図2.9を参照）。
例えば、カリフォルニア州（California）は、IT関連のリクエスト、デジタルマーケティング、および翻訳において不釣り合いに高い利用を示しており、これはそのテクノロジーセクターと言語的に多様な人口を反映している可能性が高いです。カリフォルニア州はまた、基本的な数値タスクに関するリクエストも不釣り合いに頻繁であり、これはモデル能力のテスト、あるいは悪用を表している可能性があります。フロリダ州（Florida）は、ビジネスアドバイスとフィットネスにおいて不釣り合いに高い利用が見られます。これは、比較的低い税率と屋外活動に適した温暖な気候を持つ金融ハブとしての役割に関連している可能性があります。
D.C. (コロンビア特別区)は、米国内で一人当たりのClaude利用率でトップであり、O*NETタスク分類とボトムアップ分類（図2.10を参照）の両方において、文書編集、情報提供、および求職応募に不釣り合いに焦点が当てられています。例えば、求職応募の支援は、DCでは米国全体と比較して1.84倍も頻繁に行われています。私たちのインタラクティブダッシュボード（interactive dashboard）では、誰もが米国内の州をまたがるばらつきやパターンの全範囲を探索することができます。
承知いたしました。ご提示いただいた文章を、太字などの強調を一切使わず、プレーンテキストで翻訳します。
人間-AIコラボレーションにおける地理的パターン（Geographic patterns in human-AI collaboration）
これまでのセクションでは、人々がClaudeを何に使用しているかを検証しましたが、彼らがClaudeとどのようにやり取りしているかという点でも、同様に示唆に富むパターンが見られます。ここでは、Chapter 1で定義したのと同じ拡張（augmentation）および自動化（automation）のコラボレーションパターンを使用します。
各国は異なるタスク構成を持っており、異なる経済的タスクに焦点を当てています。これが、自動化パターンにおける違いを部分的に説明している可能性があります。このセクションでは、タスク構成の違いを制御した場合でも、一人当たりの導入率が低い経済圏と高い経済圏の間で、自動化された利用が体系的に異なるかどうかを調査します。9
私たちは、ある国のタスク構成を制御した場合でも、異なる国のユーザーが自律的な委任（autonomous delegation）と協調的な相互作用（collaborative interaction）に対して著しく異なる選好を示していることを発見しました。一人当たりのClaude利用が増加するにつれて、各国は自動化に焦点を当てた利用から、拡張（augmentation）に焦点を当てた利用へとシフトします。これは、異なる国々の間でより多様なタスク構成を制御しているため、やや直感に反します。私たちは、文化的および経済的要因が自動化のシェアに影響を与えている可能性、あるいは、各国の初期導入者がより自動化的な方法でAIを利用する傾向がある可能性を推測しますが、これについてはさらなる研究が必要です。
結論（Conclusion）
Claudeの利用パターンを地理的に分析した結果、いくつかの重要なインサイトが明らかになりました。最も顕著な点の一つは、Claude利用の地理的な集中です。総Claude利用量における米国（US）とカリフォルニア州（California）のリード、そしてClaude利用と一人当たり所得の強い相関関係は、初期の地理的集中と専門的な利用が主要な特徴であった過去のテクノロジーとの類似性を示唆しています。以前のテクノロジーの普及パターンとの類似性を探ることは、AIの普及と影響をよりよく理解するのに役立つかもしれません。
驚くべきことに、地理はAIツールが何に利用されているかだけでなく、どのように利用されているかも形作っています。一人当たりの利用率が比較的低い経済圏のユーザーは、Claudeにタスクを委任すること（自動化、automation）を相対的に好み、一方、一人当たりの利用率が高い経済圏のユーザーは、タスク構成を制御した場合でも、Claudeとのより協調的な、または学習ベースの相互作用（拡張、augmentation）を好む傾向が若干高いです。タスク利用における地域的な専門化と同様に、AIコラボレーションパターンにおける地域的な専門化は、AIの影響が地域によって大きく異なる可能性を示唆しています。
AI導入の地理的パターン—どこで、どのタスクに、どのように利用されているか—は、AIが世界中の人々に恩恵をもたらす可能性を実現するためには、政策立案者がAIの利用と導入の地域的な集中に注意を払い、デジタルデバイド（digital divides）の深化のリスクに対処する必要があることを示唆しています。
免責事項
記事は、一般的な情報提供のみを目的としてのみ作成したものであり、投資家に対する有価証券の売買の推奨や勧誘を目的としたものではありません。また、記事は信頼できると判断した資料およびデータ等により作成しておりますが、その正確性および完全性について保証するものではありません。また、将来の投資成果や市場環境も保証されません。最終的な投資決定は、投資家ご自身の判断でなされますようお願いします。
