Najnowszy raport Anthropic Economic Index (26 czerwca 2026) pokazuje, że 93% rozmów z Claude kończy się konkretnym efektem (dokumentem, wyjaśnieniem, fragmentem kodu), a koszt obliczeniowy rośnie wraz z wartością wykonywanej pracy. Najbardziej zaskakujący wniosek dotyczy percepcji: osoby, które delegują AI całe zadania, są jednocześnie najbardziej optymistyczne co do swoich przyszłych zarobków i bezpieczeństwa zatrudnienia. Raport łączy dwa typy danych: telemetrię użycia próbkowaną godzinowo oraz ankietę wśród około 9 700 użytkowników Claude. To pierwsze tak granularne spojrzenie Anthropic na to, co AI faktycznie produkuje i jak ludzie odbierają jej wpływ na pracę.
Kluczowe wnioski
- ✓ 93% rozmów daje gotowy efekt. Najczęściej: wyjaśnienia (17%), dokumenty i raporty (15%), instrukcje (11%) (Anthropic Economic Index, czerwiec 2026; pomiar na chat i Cowork).
- ✓ Koszt śledzi wartość pracy. Tworzenie aplikacji zużywa ponad 3x mediany tokenów; proste wyjaśnienie około 1/5. 44% różnicy w zużyciu tokenów między zawodami tłumaczy sam dobór typu efektu (Anthropic, 2026).
- ✓ Autonomia AI rośnie wraz z produktem, nie modelem. W Claude Code poziom autonomii jest średnio o 0,37 pkt wyższy (skala 1-5) niż w chacie, a różnica utrzymuje się przy tym samym modelu (Anthropic, 2026).
- ✓ Paradoks delegowania. Użytkownicy o najwyższym udziale automatyzacji są najbardziej optymistyczni co do płac, bezpieczeństwa pracy i wartości swoich umiejętności (Anthropic Economic Index Survey, 2026).
- ✓ Obawa o juniorów. Ponad jedna trzecia respondentów oceniła, że prawdopodobieństwo utraty pracy przez młodszego kolegę w ciągu roku przekracza 60% (Anthropic, 2026).
- ✓ AI rozszerza dzień pracy wiedzy. Nocami i w weekendy rośnie udział zadań z najwyżej płatnych zawodów, a zapytania prywatne skaczą z około 35% do niemal 50% (Anthropic, 2026).
Czym jest raport Anthropic Economic Index
Anthropic Economic Index to cykliczny raport badawczy Anthropic, który analizuje, jak generatywna AI rozkłada się w gospodarce, na podstawie zanonimizowanych danych o użyciu Claude. Edycja z czerwca 2026 (podtytuł „Cadences”) wprowadza trzy zmiany metodologiczne: próbkowanie godzinowe zamiast tygodniowego, klasyfikację efektu każdej rozmowy oraz powiązanie danych użycia z osobną ankietą.
Raport opiera się na danych z 10 kwietnia do 10 czerwca 2026 (rozdział o artefaktach) oraz na ankiecie linkowanej do użycia od połowy maja do początku czerwca. Mapowanie zadań na zawody korzysta z amerykańskich danych płacowych BLS OEWS (wydanie z maja 2025). To istotne ramy: liczby opisują populację użytkowników Claude, nie ogół rynku pracy.
AI pracuje zgodnie z rytmem dnia użytkownika
Użycie Claude zmienia się niemal z godziny na godzinę i odzwierciedla codzienny rytm życia, a nie tylko procesy biznesowe. To centralna obserwacja raportu (stąd jego podtytuł „Cadences”). Wiadomości dominują rano (około 7:00 czasu lokalnego), korespondencja biznesowa śledzi łuk dnia pracy z lekkim szczytem o 10-11, a przepisy kulinarne są 2,3 razy częstsze o 18:00 niż średnio. Porad o śnie ludzie szukają nad ranem, na kilka godzin przed świtem.
Dla managera ważniejszy jest jednak rytm tygodnia. Nocami i w weekendy, gdy ludzie sięgają po Claude do pracy, zadania przesuwają się ku najwyżej płatnym zawodom (np. menedżerom marketingu, programistom), a udział zadań z dwóch najniższych ćwiartek płacowych spada. Wniosek biznesowy: AI nie skraca dnia pracy wiedzy, lecz go rozszerza poza tradycyjne godziny.
Telemetria reaguje też na wydarzenia gospodarcze niemal w czasie rzeczywistym. Przed amerykańskim terminem rozliczeń podatkowych (15 kwietnia) liczba rozmów podatkowych wzrosła ośmiokrotnie wobec przeciętnego dnia. To sugeruje, że analiza danych o użyciu modeli może z czasem stać się szybkim wskaźnikiem aktywności gospodarczej. To interpretacja wynikająca z danych, nie wniosek formułowany wprost przez Anthropic; termin podatkowy dotyczy USA, nie Polski.
Co AI realnie produkuje w pracy
Generatywna AI w warstwie firmowej wytwarza przede wszystkim treść pisaną i wyjaśnienia, nie kod. Klasyfikator Anthropic przypisał konkretny efekt do 93% rozmów na chacie i w Cowork. Trzy najczęstsze to wyjaśnienia (17%), dokumenty i raporty (15%) oraz instrukcje (11%). Rozmowy konwersacyjne (wyjaśnienia, porady) i pisane (dokumenty, prezentacje) odpowiadają każde za około jedną trzecią; kod i prace techniczne za około jedną szóstą.
Podział na zastosowania jest wyraźny. Ponad 80% rozmów tworzących twórcze pisanie, porady i przepisy zaklasyfikowano jako prywatne. Najbardziej służbowe są: treści marketingowe (80%), blogi i artykuły (81%) oraz zapytania do baz danych (82%). Część efektów (plany, tłumaczenia) rozkłada się niemal po równo między pracę a życie prywatne.
Koszt obliczeniowy śledzi wartość pracy
Im wyżej płatne zadanie, tym więcej tokenów zużywa rozmowa. Anthropic zmierzył koszt obliczeniowy w tokenach i zmapował zadania na typowo wykonujące je zawody. Zależność jest dodatnia, choć z wyjątkami. Przykładowo menedżerowie marketingu zarabiają około dwa razy więcej niż redaktorzy (80 vs 37 dolarów za godzinę, BLS), a rozmowy mapowane na ich zadania zużywają około 2,5 razy więcej tokenów.
Z perspektywy wdrożeniowej to kluczowa obserwacja: w rozmowach o wyższej wartości człowiek pozostaje bardziej zaangażowany (1,53 razy więcej rund dialogu), a nie mniej. Anthropic interpretuje ten wzorzec jako bardziej wspomagający niż zastępujący pracę. To argument za projektowaniem procesów, w których AI rozszerza kompetencje specjalisty, zamiast wycinać go z pętli decyzyjnej.
Autonomia AI zależy od produktu, nie od modelu
To, ile decyzji oddajemy AI, zależy bardziej od używanego narzędzia niż od modelu pod spodem. Anthropic mierzy autonomię w skali 1-5 (od „brak” do „skrajna”). W Claude Code autonomia jest wyższa niż w chacie i Cowork dla 26 z 31 typów efektów, średnio o 0,37 pkt. Różnica utrzymuje się nawet przy porównaniu rozmów obsłużonych przez ten sam model Sonnet (0,26 pkt), co wskazuje, że to produkt, a nie surowa moc modelu, kształtuje sposób pracy.
Najlepiej ilustruje to przykład bloga: mediana rozmowy tworzącej artykuł w chacie to 13 rund dialogu, a w Claude Code jeden prompt człowieka. Dla decydenta oznacza to, że wybór narzędzia jest decyzją o poziomie kontroli, nie tylko o interfejsie. Zadania wymagające osądu (aplikacje, strony, prezentacje), historycznie trudne do zautomatyzowania, zaczynają przesuwać się w stronę większej delegacji.
Paradoks delegowania: automatyzacja a optymizm
Im bardziej automatycznie ktoś używa AI, tym bardziej optymistycznie ocenia jej wpływ na własną pracę. Wbrew częstej obawie, że oddawanie zadań maszynie zwiastuje wypchnięcie z rynku, ankieta pokazuje odwrotny związek. Na wszystkich sześciu wymiarach jakości pracy (płaca, bezpieczeństwo zatrudnienia, szansa na nową pracę, sens, autonomia, relacje międzyludzkie) osoby o wyższym udziale automatyzacji są bardziej optymistyczne. Najsilniej dotyczy to oczekiwań co do przyszłych zarobków i szans na znalezienie pracy.
Anthropic uczciwie zaznacza, że to korelacja, nie dowód przyczynowości. Możliwe, że entuzjaści AI po prostu chętniej oddają jej całe zadania (efekt selekcji). Związek utrzymuje się jednak po kontroli stażu konta na Claude.ai. Towarzyszą mu mierzalne korzyści: 86% respondentów raportuje zysk na szybkości pracy, 82% na zakresie, 69% na jakości, a 68% twierdzi, że uczy się więcej, korzystając z AI.
Co te dane oznaczają dla decydenta w Polsce
Poniższa tabela przekłada główne wnioski raportu na decyzje operacyjne. Liczby pochodzą z populacji użytkowników Claude (USA-centrycznej w warstwie płacowej), więc traktuj je jako kierunek, nie jako benchmark dla polskiego rynku.
| Wniosek z raportu (Anthropic, 2026) | Implikacja dla decydenta | Działanie |
|---|---|---|
| 93% rozmów daje gotowy efekt | AI to narzędzie produkcyjne, nie tylko wyszukiwarka | Mierz efekty (dokumenty, kod), nie liczbę zapytań |
| Koszt rośnie z wartością pracy | Wysokowartościowe zadania zużywają więcej tokenów | Planuj budżet AI proporcjonalnie do złożoności, nie liczby użytkowników |
| Autonomia zależy od produktu | Wybór narzędzia ustawia poziom kontroli | Do zadań wymagających nadzoru wybieraj interfejs konwersacyjny |
| Paradoks delegowania | Automatyzacja wiąże się z optymizmem, nie lękiem | Wprowadzaj delegację stopniowo, z mierzeniem efektów |
| Obawa o juniorów | Ryzyko percepcyjne skupia się na początkujących | Projektuj ścieżki rozwoju, które chronią naukę juniorów |
Dla sektora finansowego (na którym koncentruje się ten blog) istotne jest, że dane płacowe i przykłady pochodzą z BLS, a regulacje takie jak DORA czy wytyczne KNF nie są przedmiotem raportu. Wnioski o produktywności i delegowaniu warto czytać przez filtr wymogów nadzorczych: w środowisku regulowanym wyższa autonomia AI oznacza wyższe wymagania co do audytowalności i kontroli.
Nowy KPI wdrożeń AI
Skoro 93% rozmów daje konkretny efekt, użyteczniejszą miarą wdrożenia niż liczba zapytań czy aktywnych użytkowników jest liczba wartościowych artefaktów: raportów, analiz, prezentacji, fragmentów kodu, procedur i dokumentów. To praktyczna implikacja metodologii raportu, nie teza formułowana wprost przez Anthropic.
Kluczowe pytania i decyzje
Czy traktować AI jako narzędzie produkcyjne czy informacyjne?
Tak, jako produkcyjne: jeśli zespół tworzy dokumenty, kod, analizy lub treści (93% rozmów daje konkretny efekt). Pozostań przy modelu informacyjnym: jeśli głównym zastosowaniem jest research bez wytwarzania artefaktów, a wdrożenie produkcyjne wymagałoby zmian w procesach kontroli jakości.
Czy zwiększać poziom delegacji zadań do AI?
Tak: jeśli zadanie jest dobrze zdefiniowane, a człowiek może zweryfikować efekt (raport wiąże wyższą delegację z optymizmem i nauką, nie z atrofią umiejętności). Ostrożnie: jeśli zadanie wymaga osądu, kontekstu lub odpowiedzialności regulacyjnej, gdzie błąd jest kosztowny, a samoocena „uczę się więcej” nie wyklucza erozji kompetencji.
Czy obawy o juniorów uzasadniają zmianę polityki kadrowej?
Tak, w wymiarze rozwoju: warto chronić zadania, na których młodsi pracownicy zdobywają kompetencje. Nie, w wymiarze redukcji: raport mierzy percepcję ryzyka, nie realne zwolnienia; 10% to ocena prawdopodobieństwa, nie wskaźnik faktycznych strat zatrudnienia.
Kiedy te wnioski nie przeniosą się na polski rynek
Raport ma kilka ograniczeń, które trzeba uwzględnić przed wyciąganiem wniosków dla polskiej firmy.
Po pierwsze, próba nie jest reprezentatywna. To wyłącznie użytkownicy Claude, z nadreprezentacją zawodów informatycznych (około 30% respondentów wobec 4% zatrudnienia w USA) i menedżerów (23% wobec 7%). Kobiety stanowią jedynie 12% próby.
Po drugie, dane percepcyjne to samoocena. Respondenci raportują, że uczą się więcej i że ich umiejętności zyskują na wartości, lecz Anthropic sam zaznacza, że samoocena nie wyklucza erozji kompetencji.
Po trzecie, to badanie dostawcy nad własnym produktem. Mapowanie płacowe opiera się na danych amerykańskich, a polskie realia płacowe, regulacyjne (KNF, UODO, DORA) i językowe mogą zmieniać obraz. Wnioski warto traktować jako hipotezy do weryfikacji na własnych danych, nie jako uniwersalne prawidłowości.
Podsumowanie
Edycja Anthropic Economic Index z czerwca 2026 dostarcza najbardziej granularnego jak dotąd obrazu tego, co generatywna AI realnie produkuje i jak ludzie odbierają jej wpływ na pracę. Trzy wnioski mają największą wartość operacyjną: AI jest narzędziem produkcyjnym (93% rozmów daje efekt), koszt obliczeniowy śledzi wartość pracy, a poziom delegacji zależy bardziej od produktu niż od modelu. Najciekawszy społecznie jest paradoks delegowania: osoby automatyzujące najwięcej są najbardziej optymistyczne, choć Anthropic uczciwie zaznacza, że to korelacja obciążona selekcją. Sam raport zamyka pytanie o nadzieje: ponad połowa respondentów chce współpracy z AI nad pracą, która ma sens, oraz automatyzacji nużących zadań.
Dla decydenta praktyczny wniosek brzmi: mierz efekty zamiast aktywności, dopasowuj narzędzie do wymaganego poziomu kontroli i wprowadzaj delegację stopniowo, z weryfikacją. Pamiętaj jednak, że to dane użytkowników jednego dostawcy, niereprezentatywne i amerykańskie w warstwie płacowej. Najbardziej wiarygodnym sprawdzianem pozostaną własne dane firmy o produktywności i jakości pracy.
Autor
Remigiusz Pruszczak: ekspert GenAI i menedżer z wieloletnim doświadczeniem w międzynarodowych instytucjach finansowych; makler papierów wartościowych z uprawnieniami do wykonywania czynności doradztwa inwestycyjnego. Więcej o autorze: strona O mnie.
Źródła
- Massenkoff M., Lyubich E., Sacher S., Hitzig Z. i in., Anthropic Economic Index report: Cadences, Anthropic, 26 czerwca 2026: https://www.anthropic.com/research/economic-index-june-2026-report
- Anthropic Economic Index report: Cadences (Appendix), Anthropic, 2026 (PDF): https://cdn.sanity.io/files/4zrzovbb/website/03ed1410f74a65ae4cc2a27120d0875e1e569535.pdf
- Anthropic Economic Index Survey announcement, Anthropic, kwiecień 2026: https://www.anthropic.com/research/economic-index-survey-announcement
- U.S. Bureau of Labor Statistics, OEWS (wydanie maj 2025), źródło danych płacowych w raporcie
