Anthrope publicó su informe del índice económico el 15 de septiembre de 2025, analizando patrones de adopción de IA desiguales geográficamente y en empresas. El estudio examina los cambios de uso de Claude.AI, introduce el índice de uso de IA antrópico para las métricas per cápita en más de 150 países y todos los estados de EE. UU., Y proporciona la primera vista a gran escala del tráfico API empresarial, que se basa en datos de primera parte para revelar implementaciones específicas de tareas. El informe destaca la velocidad de adopción sin precedentes de AI en comparación con las tecnologías históricas. En los Estados Unidos, el 40 por ciento de los empleados informaron que usaron IA en el trabajo en septiembre de 2025, una duplicación del 20 por ciento en 2023, según la encuesta 2025 de Gallup sobre el uso de la IA en el trabajo. Este aumento ocurre dos años después de la línea de base 2023. La rápida absorción proviene de la utilidad de IA en diversas aplicaciones, su integración con la infraestructura digital existente y su accesibilidad a través de una simple tipificación o habla, no requiere capacitación especializada. Las mejoras continuas en los modelos de IA fronteriza aceleran aún más esta adopción al mejorar la utilidad, la implementabilidad y la facilidad de uso. Las tecnologías históricas se difundieron más lentamente. La electricidad llegó a las áreas urbanas primero, pero tardó más de 30 años en extenderse a los hogares agrícolas, como se detalla en el análisis 2020 de Lewis y Severnini del despliegue de la red eléctrica de EE. UU. La primera computadora personal del mercado masivo apareció en 1981 para los primeros usuarios, sin embargo, tardó otros 20 años en ingresar a la mayoría de los hogares estadounidenses. Internet, a pesar de su rápida propagación, requirió aproximadamente cinco años para lograr tasas de adopción que la IA ha coincidido en solo dos años, por Bick, Blandin y el estudio 2024 de Deming sobre los puntos de referencia generativos de adopción de IA contra PC e Internet. Varios factores explican estos plazos históricos más lentos. Las nuevas tecnologías necesitan tiempo para propagarse por toda la economía, reducir la concentración geográfica en la adopción del consumidor y las empresas impulsan a reestructurar las operaciones para un uso óptimo. La adopción a nivel de empresa comienza con tareas estrechas antes de expandirse a aplicaciones de uso general, un proceso que impulsa la transformación económica más amplia, como se describe en Kalyani, Bloom, Carvalho, Hassan, Lerner y el artículo 2025 de Ahmed Tahoun sobre difusión de tecnología. Las fases de adopción temprana generalmente se concentran en regiones geográficas específicas y tareas limitadas dentro de las empresas. El informe antrópico documenta la IA después de este patrón en el siglo XXI, aunque en plazos comprimidos y con intensidad elevada en relación con las tecnologías del siglo XX. Para explorar estas dinámicas, el informe extiende el índice económico antrópico al incorporar el análisis geográfico de las conversaciones de Claude.AI y un nuevo examen del uso de la API empresarial. Rastrea la evolución del uso de Claude, las diferencias regionales y las implementaciones comerciales de IA fronteriza para la resolución de problemas. Durante los ocho meses anteriores al informe, los patrones de uso de Claude.Ai cambiaron en medio de mejoras de capacidad del modelo, nuevas características y una base de consumidores en expansión. La codificación siguió siendo la categoría dominante al 36 por ciento del uso total. Las tareas educativas aumentaron de 9.3 por ciento a 12.4 por ciento, lo que refleja una creciente dependencia de la IA para actividades de aprendizaje, como resumir materiales, explicar conceptos o generar ayudas de estudio. Las tareas científicas aumentaron de 6.3 por ciento a 7.2 por ciento, que abarca aplicaciones como análisis de datos, formulación de hipótesis o revisiones de literatura en campos como biología, física y química. Los usuarios otorgaron cada vez más a Claude más autonomía en las interacciones. Las conversaciones directivas, donde los individuos delegan tareas enteras a la IA, aumentaron del 27 al 39 por ciento. En la codificación específicamente, la creación del programa aumentó en 4.5 puntos porcentuales, mientras que la depuración disminuyó en 2.9 puntos porcentuales. Estos cambios indican que los usuarios completan los objetivos de manera más eficiente en los intercambios individuales, aprovechando la precisión mejorada del modelo para evitar las correcciones iterativas. El informe introduce desgloses geográficos del uso de Claude.AI por primera vez, cubriendo más de 150 países y todos los estados de los Estados Unidos. Para cuantificar la difusión, define el índice de uso de AI antrópico (AUI) como una medida del uso de Claude.Ai en relación con la población en edad laboral en cada área. Un AUI por encima de 1.0 señala la sobrerrepresentación, mientras que por debajo de 1.0 indica subrepresentación, proporcionando una métrica estandarizada para comparar la intensidad de adopción entre las economías. La AUI exhibe una fuerte correlación con los niveles nacionales de ingresos. Singapur registra el más alto a 4.6 veces el uso esperado en función de su población en edad laboral, seguido de Canadá a 2.9 veces. Estas cifras sugieren una integración robusta de IA en flujos de trabajo diarios en entornos de altos ingresos. En contraste, las economías emergentes muestran índices más bajos: Indonesia a 0.36 veces, India a 0.27 veces y Nigeria a 0.20 veces. Dichas disparidades destacan las barreras como el acceso a la infraestructura, la alfabetización digital o las prioridades económicas que limitan la penetración de la IA en las regiones de bajos ingresos. Dentro de los Estados Unidos, Washington, DC, encabeza el uso per cápita con una AUI de 3.82 veces su participación en la población, estrechamente seguida por Utah a 3.78 veces. Las variaciones regionales se alinean con las estructuras económicas locales. California muestra un uso elevado para tareas de tecnología de la información, incluido el desarrollo de software y la optimización del sistema. Los patrones de Florida enfatizan los servicios financieros, como la evaluación de riesgos y los informes de cumplimiento. En Washington, DC, la edición de documentos y la asistencia profesional dominan, apoyando los sectores de servicios gubernamentales y profesionales. Estas alineaciones demuestran cómo la adopción de IA refleja las necesidades y oportunidades específicas de la industria en cada localidad. La diversidad de uso varía según el nivel de adopción. Los países con puntajes de AUI más bajos se concentran en gran medida en la codificación, lo que constituye más del 50 por ciento de las tareas en India en comparación con aproximadamente un tercio a nivel mundial. Los países de alta adopción muestran aplicaciones más amplias, que abarcan la educación, la ciencia y las tareas comerciales. Esta diversificación apunta a una integración más madura, donde la IA admite múltiples facetas de productividad profesional y personal en lugar de una sola función. Después de ajustar la composición de la tarea en los países, los estilos de colaboración difieren. Los países bajos de AUI favorecen la automatización, con tasas más altas de delegar tareas completas a la IA. Las áreas de alta adopción se inclinan hacia el aumento, enfatizando el aprendizaje de los resultados de la IA e interacciones iterativas de Human-AI. Por ejemplo, los usuarios en las regiones líderes podrían refinar el contenido generado por la IA a través del diálogo de ida y vuelta, mejorando los resultados mientras crean habilidades, mientras que el uso centrado en la automatización prioriza la ejecución de la práctica para la eficiencia. Estos patrones geográficos hacen eco de las tendencias históricas en tecnologías transformadoras. La electrificación, el motor de combustión interna y la plomería interior impulsaron el crecimiento económico moderno a fines del siglo XIX y principios del XX, pero también ampliaron las brechas de nivel de vida global, como se documenta en el análisis de divergencia económica de Pritchett en 1997. El examen de Gordon en 2012 del crecimiento económico estadounidense compara innovaciones temprano y finales del siglo XX, señalando sus impactos desiguales de productividad. El análisis empresarial del informe ofrece información sin precedentes sobre el tráfico de API de primera parte, donde las empresas acceden a Claude mediante programación en lugar de a través de la interfaz web. Estos datos revelan cómo los primeros adoptantes integran la IA fronteriza en las operaciones. Las tareas de codificación dominan tanto la API como el uso de Claude.ai, pero el tráfico de API se sesga hacia áreas especializadas. El uso de API excede Claude.ai para la codificación y las tareas administrativas/de oficina, como la entrada de datos, la programación o la generación de informes. Por el contrario, Claude.ai lidera en tareas educativas, como tutoría o construcción de habilidades y tareas de escritura, incluida la creación o edición de contenido. La automatización caracteriza el 77 por ciento de los usos de la API empresarial, en comparación con aproximadamente el 50 por ciento para los usuarios de Claude.AI. Esta disparidad surge del diseño programático de la API, que permite una delegación de tareas sin problemas sin intervención humana, ideal para procesos comerciales escalables. Los ejemplos incluyen la generación de código automatizado para tuberías de software o procesamiento por lotes de documentos administrativos. La implementación de negocios prioriza las capacidades del modelo sobre las consideraciones de costos. Las tareas utilizadas con frecuencia en los datos de API incurren en costos más altos debido a las demandas computacionales, pero el uso persiste. Este patrón indica una débil sensibilidad a los precios, con decisiones impulsadas por la capacidad de la IA para manejar operaciones complejas y el valor económico de automatizar funciones específicas. Por ejemplo, las tareas de alto valor como el modelado financiero avanzado justifican los precios premium debido a las ganancias de productividad que ofrecen. Los factores contextuales limitan las aplicaciones avanzadas. Curación de entradas de datos apropiadas resulta esencial para el rendimiento efectivo de la IA en dominios intrincados, como el análisis legal o el diagnóstico médico. El informe identifica la modernización de datos e inversiones organizacionales para capturar detalles contextuales como posibles cuellos de botella. Es posible que las empresas necesiten invertir en bases de datos estructuradas o herramientas de extracción de conocimiento para proporcionar a los modelos antecedentes relevantes, lo que permite resultados más precisos e impactantes. Sin tales preparativos, la implementación de IA permanece limitada a tareas más simples y menos dependientes del contexto. Para facilitar más estudios, Anthrope ha obtenido el conjunto de datos subyacente al informe. Esto incluye patrones de uso a nivel de tarea para el tráfico de API de Claude.AI y de primera parte, asignados a la Taxonomía Ocupacional Neta O*y las categorías de abajo hacia arriba personalizadas. También cubre modos de colaboración por tarea y documentación metodológica completa. Los datos geográficos se aplican actualmente solo a Claude.ai, excluyendo el tráfico de API por razones de privacidad. Los investigadores pueden acceder a esto para explorar las ramificaciones económicas de IA de forma independiente. Los datos de código abierto respaldan investigaciones en varias áreas. Los efectos del mercado laboral local incluyen consecuencias para los trabajadores y las empresas del uso y la adopción de la IA, como los cambios en los requisitos de trabajo o las estructuras salariales. Los determinantes de los países de adopción y las regiones estadounidenses, con posibles estrategias para ampliar los beneficios más allá de las economías de altos ingresos. El costo por tarea influye en los patrones empresariales, aclarando la dinámica de sustitución. La viabilidad de la automatización explica por qué algunas tareas integran la IA, mientras que otras se resisten, informando las perspectivas de empleo para diferentes tipos de trabajadores. La estructura del informe profundiza en estos temas en los capítulos. El Capítulo 1 examina el uso de Claude.AI a lo largo del tiempo, detallando los cambios en las tareas económicas, el creciente papel de las aplicaciones educativas y científicas, y cómo las nuevas capacidades influyen en los patrones. Hace hincapié en la aceleración de la automatización de la directiva, donde los usuarios asignan responsabilidades completas a la IA para obtener resultados simplificados. El Capítulo 2 cubre el uso de Claude en los Estados Unidos y a nivel mundial, analizando la difusión, las métricas per cápita, los contrastes entre los países líderes y emergentes, y las variaciones en la colaboración humana-AI geográficamente. Subraya cómo los niveles de ingresos dan forma a la amplitud y profundidad de adopción. El Capítulo 3 se centra en la implementación de la empresa API, destacando los usos especializados entre los clientes antrópicos, las diferencias en la segmentación ocupacional versus el enfoque de la tarea, la automatización versus el aumento en las transcripciones, los análisis de costos por tarea y los patrones de sustitución. Concluye vinculando estos a desafíos de implementación más amplios. Los autores del informe son Ruth Appel, Peter McCrory y Alex Tamkin como líderes, con contribuciones de Miles McCain, Tyler Neylon y Michael Stern. Acknowledgments extend to a extensive team including Alex Sanchez, Andrew Ho, Ankur Rathi, Asa Kittner, Ben Merkel, Bianca Lindner, Biran Shah, Carl De Torres, Cecilia Callas, Daisy McGregor, Dario Amodei, Deep Ganguli, Dexter Callender III, Esin Durmus, Evan Frondorf, Heather Whitney, Jack Clark, Jakob Kerr, Janel Thamkul, Jared Kaplan, Jared Mueller, Jennifer Martínez, Kaileen Kelly, Kamya Jagadish, Katie Streu, Keir Bradwell, Kelsey Nanan, Kevin Troy, Kim O’Rourke, Kunal Handa, Landon Goldberg, Linsey Fields, Lisia Fields, Lisia Fields, Lisasa, cogues, Lisa, cogues. González, Mengyi Xu, Michael Sellitto, Mike Schiraldi, Olivia Chen, Paola Renteria, Rebecca Jacobs, Rebecca Lee, Ronan Davy, Ryan Donegan, Saffron Huang, Sarah Heck, Ritchie Stuart, Sylvie Carr, Tim Belonax, Tina Chin y Zee Richards. Para la cita, se hace referencia al informe como: Appel, McCrory, Tamkin, et al. (2025). Informe del índice económico antrópico: adopción desigual geographic y de IA empresarial. Disponible en https://www.anthropic.com/research/anthropic-economic-index-september-2025-report. Las notas al pie proporcionan referencias de apoyo. La estadística de uso de IA de empleados estadounidenses se basa en Gallup (2025), el uso de IA en el trabajo casi se ha duplicado en dos años. Los puntos de referencia de adopción histórica provienen de Bick, Blandin y Deming (2024), la rápida adopción de IA generativa, y Lewis y Severnini (2020), impactos a corto y largo plazo de la electrificación rural. Las ideas de difusión tecnológica son de Kalyani et al. (2025), Difusión de nuevas tecnologías. Referencia de discusiones de divergencia económica Gordon (2012), ¿ha terminado el crecimiento económico de los Estados Unidos? y Pritchett (1997), Divergencia, Big Time. La evidencia de convergencia reciente aparece en Kremer, Willis y usted (2022), convergiendo a la convergencia, junto con Jones, Jones y Aghion (2017) sobre la IA y el crecimiento económico. Esta tercera iteración del índice económico antrópico captura la dinámica de adopción de IA en un momento fundamental. Claude y sistemas fronterizos similares se aplican ampliamente a las actividades económicas, con capacidades de avance que amplifican su alcance. Los concentrados de uso en tareas y regiones seleccionadas, correlacionándose fuertemente con los ingresos, particularmente internacionalmente. Los datos de API revelan una automatización del 77 por ciento en contextos comerciales, más altos que el 50 por ciento en uso del consumidor, con tareas de codificación y administradores prominentes. El conjunto de datos de origen abierto, que ahora incluye detalles geográficos de Claude.Ai y patrones de API clasificados por las categorías NET y personalizadas, permite un análisis riguroso de los impactos laborales, los impulsores de adopción, los roles de costos y las barreras de automatización de tareas.
