Das Ergebnis: Fünf neue "wirtschaftliche Primitives". Das sind einfache Messgrössen, die zeigen, wie Menschen AI wirklich nutzen. Nicht wie Tech-Firmen behaupten, dass sie genutzt wird.

Die Daten decken fünf Dimensionen ab: Nutzer- und AI-Fähigkeiten, Aufgabenkomplexität, Autonomiegrad, Erfolgsquote und Verwendungszweck (Arbeit, Studium, Privat).

Die wichtigsten Erkenntnisse

Seit dem letzten Report im September 2025 hat sich einiges getan. Aber nicht alles.

Die fünf neuen Primitives

Anthropic führt fünf neue Messgrössen ein. Sie erfassen, was bei AI-Nutzung wirklich passiert:

Diese Primitives sind nicht perfekt. Aber sie sind richtungsweisend. Anthropic hat sie mit externen Benchmarks validiert. Etwa: Die geschätzten Bildungsjahre korrelieren stark mit tatsächlichen Worker-Bildungslevels in verschiedenen Berufen.

Das Ziel: Signale liefern. Nicht definitive Wahrheiten. Mehrere einfache Messgrössen zusammen ergeben ein klareres Bild als eine komplexe, möglicherweise fehlerhafte Einzelmessung.

Was die Daten zeigen: Geografische Unterschiede

Die Primitives enthüllen markante Unterschiede. Zwischen Ländern. Und innerhalb der USA.

BIP bestimmt Nutzung. Ein Prozent mehr BIP pro Kopf bedeutet 0,7% mehr Claude-Nutzung. Dieser Zusammenhang gilt global und in den USA. Reiche Länder nutzen AI anders: Mehr für persönliche Projekte. Ärmere Länder: Schwerpunkt auf Studium und spezifischen Anwendungen (z.B. Coding).

Bildung korreliert mit Nutzung. Länder und US-Staaten, in denen Nutzer komplexere Prompts schreiben (höherer Bildungsbedarf), nutzen Claude intensiver. Aber: Innerhalb der USA verschwindet dieser Effekt, wenn man BIP kontrolliert. Bildung ist dort eher ein Proxy für wirtschaftliche Entwicklung.

Erfolgsquote variiert paradox. Global: Höhere Nutzer-Bildung korreliert mit niedrigerer Erfolgsquote. Warum? Gebildete Nutzer stellen härtere Fragen. Innerhalb der USA: Umgekehrtes Muster (höhere Bildung, höhere Erfolgsquote). Aber dieser Effekt verschwindet bei Kontrolle anderer Faktoren.

Input bestimmt Output. Ein zentraler Befund: Die Bildungsjahre, die man braucht, um den Nutzer-Prompt zu verstehen, korrelieren fast perfekt mit den Bildungsjahren für Claudes Antwort (r > 0.92). Das heisst: Wer sophistiziert fragt, bekommt sophistizierte Antworten. Wer simpel fragt, bekommt simple Antworten.

Tasks und Produktivität: Die Trade-offs

Je komplexer die Aufgabe, desto grösser der Zeitgewinn. Aber auch: Desto tiefer die Erfolgsquote.

Tasks, die 12 Bildungsjahre erfordern (Matura-Niveau), schaffen eine 9-fache Beschleunigung. Tasks mit 16 Jahren (Bachelor)? 12-fache Beschleunigung. Das bedeutet: AI hilft besser bei komplexen, hochqualifizierten Tätigkeiten.

Aber Claude versagt häufiger bei schweren Tasks. Bei einfachen Aufgaben liegt die Erfolgsquote bei 70%. Bei komplexen sinkt sie auf 66%. Trotzdem bleibt der Nettogewinn bei komplexen Tasks höher.

Task Horizons in der Praxis. Wie lange Tasks dauern, beeinflusst die Erfolgsquote. Bei API-Nutzung fällt sie von 60% (unter 1 Stunde) auf 45% (über 5 Stunden). Die 50%-Schwelle liegt bei 3,5 Stunden. Bei Claude.ai dauert es länger, bis die Erfolgsquote sinkt. 19 Stunden. Warum? Multi-Turn-Gespräche erlauben Korrekturen. Nutzer teilen komplexe Tasks in Schritte auf.

Job-Exposure neu berechnet. Früher mass Anthropic nur, welcher Prozentsatz eines Jobs von AI abgedeckt wird. Jetzt: "Effective AI Coverage". Das gewichtet nach Erfolgsquote und Zeitanteil jeder Aufgabe.

Dateneingabe-Clerks haben hohe Coverage. Warum? Ihre Hauptaufgabe (Daten aus Dokumenten eingeben) hat hohe Erfolgsquote bei Claude. Mikrobiologen? Niedrige Coverage. AI deckt zwar viele ihrer Tasks ab, aber nicht die zeitintensiven (Laborarbeit).

Deskilling oder Upskilling?

Wenn AI bestimmte Tasks übernimmt, verändert sich der Job-Inhalt. Aber in welche Richtung?

Anthropic hat analysiert: Welche Tasks übernimmt Claude durchschnittlich? Antwort: Die mit höherem Bildungsbedarf. Der Durchschnitt aller Tasks in der Wirtschaft: 13,2 Bildungsjahre. Tasks, die Claude macht: 14,4 Jahre.

Das bedeutet: Wenn Claude diese Tasks wegnimmt, bleiben im Schnitt weniger anspruchsvolle Aufgaben übrig. Netto-Effekt: Deskilling.

Beispiel Reisebüro-Angestellte: Claude übernimmt Reiseplanung und Kostenberechnung (höhere Bildung). Übrig bleiben: Tickets drucken, Zahlungen kassieren (niedrigere Bildung). Deskilling.

Gegenbeispiel Immobilien-Manager: Claude übernimmt administrative Routine (Aufzeichnungen, Marktvergleiche). Übrig bleiben: Kreditverhandlungen, Stakeholder-Management (höhere Bildung). Upskilling.

Diese Muster sind nicht in Stein gemeisselt. Sie basieren auf aktueller Nutzung. Wenn neue AI-Fähigkeiten dazukommen, ändern sich die betroffenen Tasks.

Produktivitätsgewinne: Die Realität

Frühere Schätzungen: AI könnte die Arbeitsproduktivität um 1,8 Prozentpunkte pro Jahr steigern. Über ein Jahrzehnt.

Jetzt, mit Erfolgsquoten gewichtet: Der Effekt halbiert sich. Auf etwa 1,0 Prozentpunkte pro Jahr. Das berücksichtigt, dass Claude nicht alle Tasks perfekt schafft. Validierung kostet Zeit.

Aber selbst 1,0 Prozentpunkt ist wirtschaftlich signifikant. Das wäre eine Rückkehr zu den Produktivitätsraten der späten 1990er und frühen 2000er.

Task-Komplementarität als Bottleneck. Wenn bestimmte Tasks essentiell sind und nicht ersetzt werden können, limitiert das die Produktivität. Lehrer können mit AI schneller Unterrichtspläne erstellen. Aber die Zeit im Klassenzimmer bleibt gleich.

Anthropic modelliert verschiedene Szenarien (CES-Aggregation). Bei starker Komplementarität sinkt der Produktivitätsgewinn auf 0,6-0,8 Prozentpunkte. Bei starker Substitutierbarkeit steigt er auf 2,2-2,6 Prozentpunkte.