Anthropic économie indice rapport d’analyse février 2026 : utilisation de Claude, diversification des scénarios, baisse légère des salaires moyens par tâche. Ce rapport, issu d’une étude publiée par Anthropic, a été traduit et édité par Dongqu Dongqu.
(Précédent : Anthropic lance le tableau de bord d’impact AI : entrez votre métier, découvrez en secondes combien l’AI pourrait le remplacer ?)
(Contexte supplémentaire : CZ : les frais de transaction crypto aux États-Unis sont trop élevés, il manque encore de concurrence pour faire de la ville de la cryptomonnaie une réalité)
Table des matières
Toggle
- Changements depuis le dernier rapport
- Courbe d’apprentissage
- Chapitre 1 : Changements depuis le dernier rapport
- Diversification des scénarios d’utilisation de Claude.ai
- Nouvelles formes d’automatisation
- Revue de la convergence géographique
- Chapitre 2 : Apprendre à utiliser l’IA
- Choix de modèles
- Courbe d’apprentissage
- Discussion
- Notes
L’indice économique d’Anthropic utilise notre système d’analyse basé sur la protection de la vie privée pour suivre l’utilisation de Claude dans l’économie globale. C’est l’un de nos efforts pour comprendre rapidement l’impact économique de l’IA, afin que chercheurs et décideurs aient le temps de se préparer.
Ce rapport étend l’analyse de février 2026 sur l’utilisation de Claude, en se basant sur le cadre économique établi dans notre rapport précédent (données de novembre 2025). Notre échantillon couvre du 5 au 12 février, trois mois après la sortie de Claude Opus 4.5, et chevauche la sortie de Claude Opus 4.6.
Nous commençons par observer les changements par rapport au rapport précédent : la proportion d’interactions augmentant la collaboration avec l’IA (interactions assistées par IA) dans Claude.ai et via l’API a légèrement augmenté. Sur Claude.ai, la diversification des scénarios est notable : les 10 principales tâches représentent moins de 20 % de l’utilisation totale en février, contre 24 % en novembre 2025. Cette diversification explique une baisse du salaire moyen par tâche associée aux conversations sur Claude.ai.
Ensuite, nous analysons un facteur clé influençant l’impact de Claude sur le marché du travail et l’économie : la courbe d’apprentissage lors de l’adoption de Claude. Nous montrons que les utilisateurs expérimentés ont développé des habitudes et stratégies pour exploiter plus efficacement ses capacités. Nos données indiquent que ces utilisateurs, plus expérimentés, tentent des tâches à plus forte valeur, et obtiennent plus souvent des réponses satisfaisantes.
Changements depuis le dernier rapport
Dans le Chapitre 1, nous revisitons les résultats du rapport économique publié en janvier 2026. Nous en tirons ces conclusions :
- Diversification des scénarios d’utilisation de Claude.ai. La part des tâches de programmation continue de migrer de Claude.ai vers notre flux API, plus automatisé. La concentration des 10 principales tâches dans Claude.ai a diminué : elles représentaient 19 % du volume en février, contre 24 % en novembre. Malgré cela, presque toutes ces tâches étaient déjà présentes dans notre échantillon précédent. Environ 49 % des professions comportent au moins un quart de tâches réalisées avec Claude.
- Extension de l’adoption à des tâches à salaire plus faible. La diversification des scénarios entraîne une baisse légère de la valeur économique moyenne par tâche, mesurée en salaire horaire moyen dans les professions concernées. Ce phénomène s’explique par l’augmentation des requêtes personnelles : études, comparaisons de produits, bricolage, etc. Ce modèle correspond à la théorie de la « courbe d’adoption » — les premiers adopteurs se concentrent sur des tâches à forte valeur comme la programmation, puis l’adoption s’étend à un éventail plus large.
- Inégalités géographiques persistantes. La concentration d’utilisation reste forte : les 20 premiers pays représentent 48 % de l’utilisation par habitant, contre 45 % dans le rapport précédent. La disparité mondiale persiste. Cependant, la convergence intra-États-Unis se poursuit : la part des 10 États les plus actifs est passée de 40 % à 38 % depuis le dernier rapport.
Courbe d’apprentissage
Une découverte centrale de l’indice économique est que l’adoption de Claude a été initialement très inégale : utilisation plus dense dans les pays à revenu élevé, concentrée dans les régions à forte population de travailleurs qualifiés, et limitée à quelques professions.
Une question clé est de savoir comment cette inégalité influence la répartition des bénéfices de l’IA. Par exemple, si une utilisation efficace requiert des compétences complémentaires et une expertise spécifique (ce que notre rapport précédent soutenait), et si ces compétences peuvent s’acquérir par l’expérimentation, alors les premiers adopteurs pourraient bénéficier d’un effet de boucle auto-renforçant.
Dans le Chapitre 2, nous explorons comment les utilisateurs façonnent la valeur qu’ils tirent de Claude : comment ils adaptent leur utilisation en fonction des capacités du modèle, et comment leurs stratégies évoluent avec l’expérience.
- Choix de modèles et adéquation aux tâches. Nous constatons que les utilisateurs privilégient nos modèles les plus performants — Opus — pour des tâches à forte valeur, comme la programmation. Par exemple, parmi les utilisateurs payants de Claude.ai, 55 % des tâches en informatique et mathématiques (programmation) utilisent Opus, contre 45 % pour les tâches éducatives.
- Utilisateurs expérimentés et orientation vers le travail. Les utilisateurs avec plus d’expérience (plus de 6 mois sur la plateforme) ont 7 points de pourcentage de plus de chances d’utiliser Claude pour des tâches professionnelles, et leurs tâches requièrent un niveau d’éducation plus élevé.
- Apprentissage par la pratique. Les utilisateurs expérimentés réussissent mieux leurs conversations : même en contrôlant le type de tâche ou la localisation, leur taux de succès est supérieur de 3 à 4 points de pourcentage.
Chapitre 1 : Changements depuis le dernier rapport
Diversification des scénarios d’utilisation de Claude.ai
Nous analysons les tâches effectuées par Claude en les reliant aux catégories de l’O*NET, le référentiel professionnel américain, tout en respectant la vie privée. Cela nous permet de décrire globalement le comportement sans exposer de données individuelles.
Nous avons extrait un million d’échanges de deux plateformes : Claude.ai (interface utilisateur) et l’API propriétaire (plateforme de développement).
La programmation reste la tâche la plus courante, représentant 35 % des conversations sur Claude.ai, en lien avec les métiers de l’informatique et des mathématiques.
Entre novembre 2025 et février 2026, la concentration des tâches sur Claude.ai a diminué : les 10 principales catégories de l’O*NET représentaient 24 % en novembre, contre 19 % en février. Ce déclin s’explique en partie par la migration de la programmation vers l’API, où la conception modulaire de Code API décompose la tâche en plusieurs appels API. Malgré cette migration, la répartition globale des types de tâches reste relativement stable.
Ce changement ne peut expliquer entièrement la baisse de concentration. La composition des scénarios évolue aussi : la part des conversations liées aux études est passée de 19 % à 12 %, tandis que celles à usage personnel ont augmenté de 35 % à 42 %. La baisse de la part des études s’explique par les vacances d’hiver dans certains États. Par ailleurs, février a vu une accélération des nouvelles inscriptions, avec plus d’utilisateurs de loisir.
La diversification des tâches professionnelles sur Claude repose sur des tendances établies. Notre rapport précédent indiquait que 49 % des professions utilisaient Claude pour au moins un quart de leurs tâches, un chiffre stable depuis. La vitesse d’émergence de nouvelles catégories de tâches dans l’O*NET a ralenti.
Depuis notre premier rapport, nous avons classé les interactions en cinq types : commande, boucle de rétroaction, itération, validation, apprentissage, regroupés en deux catégories : automatisation et augmentation. L’utilisation augmentée de Claude.ai est principalement liée à une légère croissance des modes validation et apprentissage. Dans l’API, l’utilisation automatisée a fortement diminué.
La concentration des tâches en informatique et mathématiques dans l’API a augmenté : depuis août 2025, cette catégorie a représenté +14 %, contre -18 % sur Claude.ai. Notre analyse du marché du travail montre que cette migration pourrait indiquer un impact plus direct sur l’emploi. La part des tâches de gestion dans Claude.ai est passée de 3 % à 5 %, incluant des activités comme la préparation de mémos d’investissement ou la réponse aux clients.
Nous mesurons la valeur des tâches par le salaire horaire moyen des travailleurs américains dans les professions concernées. La valeur moyenne par tâche sur Claude.ai a légèrement baissé, passant de 49,30 $ à 47,90 $, en raison de l’augmentation des requêtes factuelles simples (sports, météo) et de la migration vers des tâches de programmation. Nos analyses antérieures montraient que ces tâches nécessitent généralement un niveau d’éducation supérieur à la moyenne, correspondant à des salaires plus élevés.
Entre les deux rapports, plusieurs indicateurs fondamentaux montrent une baisse de la complexité moyenne des tâches sur Claude.ai. Le niveau d’éducation moyen requis pour une tâche typique est passé de 12,2 à 11,9 années. Les utilisateurs donnent plus d’autonomie à Claude, et la durée estimée pour réaliser une tâche sans assistance AI a diminué d’environ 2 minutes. Parallèlement, la difficulté de réaliser une tâche sans AI a légèrement augmenté.
Figure 1 : Évolution de la concentration des 10 principales tâches sur Claude.ai et l’API, illustrant la diversification sur Claude.ai et la concentration accrue sur l’API
Figure 2 : Distribution de la valeur des tâches mesurée par le salaire horaire moyen dans les professions américaines, montrant une légère baisse de la valeur moyenne par tâche sur Claude.ai, de 49,30 $ à 47,90 $
Figure 3 : Comparaison de la répartition des types de tâches entre Claude.ai et l’API, illustrant la migration des tâches de programmation vers l’API
Nouvelles formes d’automatisation
Avec la migration croissante des tâches vers l’API, le degré d’exposition à l’automatisation augmente. Les flux de travail via API sont principalement commandés, avec peu d’intervention humaine. Nous avions souligné la généralisation des applications de service client — automatisation des paiements, support de facturation — qui expose fortement les agents, accélérant potentiellement la transformation des métiers.
Deux types de flux API ont vu leur fréquence doubler durant la période :
- Ventes et prospection commerciale : automatisation du support commercial, recherche de prospects B2B, enrichissement des données clients, rédaction de cold emails
- Trading et opérations de marché : surveillance des marchés et positions, conseils d’investissement, alertes aux traders
Revue de la convergence géographique
Notre rapport précédent montrait une convergence rapide de l’indice d’utilisation d’Anthropic AI (ajusté pour la population) entre États américains, avec une adoption initiale plus faible dans certains États en rattrapage.
Les données actuelles confirment cette tendance, mais à un rythme plus lent. Entre août 2025 et février 2026, la part par habitant des 5 États les plus actifs est passée de 30 % à 24 %. Le coefficient de Gini a diminué depuis août 2025, mais la convergence ralentit. Notre nouvelle prévision estime qu’il faudra environ 5 à 9 ans pour que tous les États atteignent une utilisation équivalente par habitant, contre 2 à 5 ans dans nos estimations précédentes.6
À l’échelle internationale, c’est le contraire : la concentration s’est accrue, le coefficient de Gini a augmenté. Les pays avec la plus forte utilisation par habitant représentent désormais une part plus grande de l’utilisation globale, avec 48 % pour les 20 premiers pays, contre 45 % dans le rapport précédent.
Figure 4 : Convergence de l’utilisation par habitant de Claude dans les États américains, avec la part des 5 États les plus actifs passant de 30 % à 24 %, ralentissement de la convergence
Figure 5 : Évolution du coefficient de Gini mondial pour l’utilisation de Claude par pays, indiquant une augmentation des inégalités globales par rapport au rapport précédent
Chapitre 2 : Apprendre à utiliser l’IA
Ce chapitre explore deux dimensions de l’apprentissage par l’utilisateur : le choix de modèles, et la façon dont les utilisateurs expérimentés exploitent davantage l’outil.
La première concerne le choix de modèles, révélant la hiérarchie des besoins en intelligence. Peu d’études existent sur le comportement des utilisateurs dans un environnement multi-modèles, où ils doivent arbitrer entre rapidité, performance et coût. La sélection préférentielle du modèle Opus pour des tâches à forte valeur reflète une stratégie d’allocation optimale.
La seconde dimension concerne l’impact de l’expérience sur l’utilisation. Nous analysons comment la durée d’utilisation influence la maîtrise de Claude, et comment les stratégies évoluent avec le temps.
- Choix de modèles et adéquation aux tâches. Les utilisateurs privilégient nos modèles les plus performants — Opus — pour des tâches à forte valeur, comme la programmation. Par exemple, parmi les utilisateurs payants de Claude.ai, 55 % des tâches en informatique et mathématiques utilisent Opus, contre 45 % pour les tâches éducatives.
- Utilisateurs expérimentés et orientation vers le travail. Les utilisateurs avec plus d’expérience (plus de 6 mois) ont 7 points de pourcentage de plus à utiliser Claude pour des tâches professionnelles, et leurs tâches requièrent un niveau d’éducation plus élevé.
- Apprentissage par la pratique. Les utilisateurs expérimentés réussissent mieux leurs conversations : même en contrôlant le type de tâche ou la localisation, leur taux de succès est supérieur de 3 à 4 points de pourcentage.
Choix de modèles
Les séries de modèles Claude — Haiku, Sonnet, Opus — offrent un compromis entre coût, rapidité et performance. Opus, avec la plus grande limite de contexte, excelle dans les tâches complexes, mais coûte aussi le plus cher par token. Un utilisateur soucieux du coût, approchant la limite d’utilisation, préférera réserver Opus aux tâches difficiles et utiliser d’autres modèles pour les tâches simples. Ce comportement correspond à nos observations.
Parmi tous les utilisateurs payants de Claude.ai, 55 % des tâches en informatique et mathématiques (programmation) utilisent Opus, contre 45 % pour les tâches éducatives.
Les utilisateurs techniques, conscients de la performance, switchent souvent de Sonnet à Opus pour des tâches exigeantes. Ceux qui cherchent à économiser peuvent utiliser Sonnet pour des tâches routinières, évitant ainsi d’épuiser leur quota. La simplicité des tâches éducatives ou la sensibilité au coût chez les étudiants expliquent aussi ces choix.
Une analyse plus fine montre que les professions à salaire élevé ont une plus forte proportion d’utilisation d’Opus : 34 % pour les développeurs, contre 12 % pour les tuteurs. Après contrôle, chaque augmentation de 10 $/h du salaire horaire moyen augmente de 1,5 point de pourcentage la part d’Opus dans Claude.ai. La sensibilité à la complexité des tâches dans l’API est environ deux fois plus forte : chaque hausse de 10 $/h augmente la part d’Opus de 2,8 points. Les utilisateurs automatisant leurs workflows ont davantage tendance à privilégier Opus.
Figure 6 : Part d’Opus selon le type de tâche, montrant une préférence pour Opus dans les tâches techniques à salaire élevé (ex. développement logiciel), et une utilisation moindre dans l’éducation
Figure 7 : Corrélation entre salaire et choix d’Opus, indiquant qu’une hausse de 10 $/h augmente la proportion d’Opus d’environ 1,5 point de pourcentage dans Claude.ai, et 2,8 points dans l’API
Courbe d’apprentissage
Le premier modèle Claude a été lancé en mars 2023. La croissance rapide a créé une diversité d’expériences : des premiers utilisateurs dès la sortie du modèle, à ceux qui ont rejoint récemment. Comprendre comment l’expérience influence l’utilisation est essentiel.
Les utilisateurs expérimentés (au moins 6 mois) adoptent davantage une utilisation itérative, et délèguent moins. Ils utilisent Claude pour le travail 7 points de pourcentage plus souvent, et leurs tâches nécessitent un niveau d’éducation plus élevé. Leur part dans les 10 principales catégories de l’O*NET est de 20,7 %, contre 22,2 % pour les nouveaux.
Les utilisateurs expérimentés ont une distribution de tâches correspondant à une année supplémentaire d’expérience, en moyenne. Ils utilisent moins Claude pour des applications personnelles : 38 % de leurs conversations, contre 44 % pour les nouveaux.
Ces observations peuvent s’interpréter de plusieurs façons. Les utilisateurs expérimentés forment un groupe auto-sélectionné, avec des traits spécifiques — par exemple, les early adopters comme les développeurs — qui peuvent biaiser les résultats. Il y a aussi un biais de survivance : ceux qui ont commencé il y a un an ont probablement trouvé Claude utile, tandis que ceux qui ont arrêté ne sont pas comptabilisés.
Les premières analyses montraient que les pays à faible revenu et faible niveau d’éducation utilisaient Claude à un niveau plus complexe. Cela s’explique probablement par le mode d’adoption initial : les premiers utilisateurs dans un pays ou une population sont souvent des early adopters dans des applications à forte valeur. Avec l’expansion, la base d’utilisateurs s’élargit à des usages plus récréatifs.
Une analyse de regroupement révèle que parmi les utilisateurs les plus expérimentés, ceux avec le salaire moyen le plus élevé se concentrent sur des tâches comme la recherche en IA, git, la révision de manuscrits ou le financement de startups. À l’inverse, ceux avec le salaire le plus faible privilégient la poésie haïku, la recherche de scores sportifs, ou la suggestion de repas pour fêtes.
Figure 8 : Relation entre expérience utilisateur et distribution des tâches, montrant que les utilisateurs expérimentés (plus de 6 mois) privilégient les tâches à salaire élevé et à forte exigence éducative, tandis que les nouveaux se concentrent sur des requêtes personnelles
Effet d’expérience
Pour approfondir, nous analysons des logs avec des caractéristiques spécifiques de conversation.7 En utilisant la réussite de la conversation comme variable dépendante, et la durée d’expérience comme variable prédictive, une régression simple montre que les utilisateurs expérimentés ont environ 5 points de pourcentage de plus de chances de réussir leur conversation.8
Ce succès peut refléter une meilleure maîtrise des techniques de communication, mais si ces utilisateurs se concentrent sur des tâches intrinsèquement plus faciles ou plus rémunératrices, cela pourrait aussi expliquer ces résultats.
En contrôlant pour le type de tâche, la localisation, et en utilisant des effets fixes pour les catégories, on compare des utilisateurs expérimentés et novices réalisant la même tâche. La différence de succès reste d’environ 3 à 4 points de pourcentage.
Les résultats montrent que, même en tenant compte de ces facteurs, les utilisateurs expérimentés ont une meilleure réussite. Cela suggère que leur expérience leur confère une capacité accrue à exploiter efficacement Claude, indépendamment du contexte.
Figure 9 : Résultats de la régression sur la réussite, montrant que, même après contrôle, les utilisateurs expérimentés ont 3 à 4 points de pourcentage de succès en plus
Discussion
Ce rapport revisite les principaux indicateurs d’utilisation de Claude, en intégrant pour la première fois l’impact du choix de modèle sur la réussite. Depuis août 2025, l’utilisation de l’API s’est concentrée : les 10 principales catégories de l’O*NET ont représenté 28 % puis 33 % du volume. La diversification sur Claude.ai s’est poursuivie. La convergence géographique aux États-Unis continue, mais à un rythme plus lent. Les pays à faible adoption restent désavantagés.
Le cadre économique nous permet de suivre l’évolution longitudinale de l’utilisation de Claude. La part des usages liés aux études a diminué, celle des usages personnels a augmenté. La complexité moyenne des entrées a légèrement baissé, avec des conversations moins sophistiquées et un temps de réalisation réduit.
Globalement, Claude traite principalement des tâches complexes et à forte valeur, peu représentatives de l’économie globale. La croissance de l’échantillon a accru la part de tâches à salaire plus faible. La valeur des tâches, mesurée par le salaire horaire, a baissé sur Claude.ai depuis le dernier rapport, mais a augmenté dans l’API. Les deux plateformes concentrent les tâches complexes sur le puissant modèle Opus, avec une migration plus marquée dans l’API.
Les utilisateurs expérimentés, plus orientés vers le travail, utilisent davantage Claude, tentent des tâches plus difficiles, et obtiennent de meilleurs résultats. Cela va à l’encontre de l’idée que l’automatisation serait réservée aux débutants ou aux utilisateurs occasionnels ; au contraire, les utilisateurs avancés privilégient une utilisation itérative. Ces résultats confirment l’hypothèse que l’apprentissage et l’expérience renforcent la capacité à exploiter l’outil.
Une autre explication pourrait être un biais de sélection ou de survie : les early adopters, souvent très compétents, continuent à utiliser Claude, ce qui biaise les résultats. La réussite accrue pourrait aussi aggraver les inégalités sur le marché du travail : les plus qualifiés, qui adoptent tôt, en tirent le plus de bénéfices. La diffusion inégale de l’IA pourrait ainsi renforcer la polarisation des revenus.
Figure 10 : Synthèse des relations entre inégalités d’utilisation, courbe d’apprentissage et impact sur le marché du travail
Notes
- La programmation automatisée dans Claude Code, dérivée de Claude.ai, est comptabilisée dans le volume de Claude.ai.
- Nous définissons comme « usage personnel » (ou privé) : 1) préparation alimentaire et services liés (35-0000) ; 2) soins personnels et services (39-0000) ; 3) arts, design, divertissement, sport, médias (27-0000), uniquement pour loisirs/sport ; 4) agriculture, pêche, sylviculture (45-0000) ; 5) construction et entretien des sites (37-0000) ; 6) services communautaires et sociaux (21-0000), principalement pour la santé et la famille. Nous n’incluons pas les tâches éducatives dans l’usage personnel.
- Dans cette analyse, nous excluons les utilisateurs du plan gratuit de Claude.ai.
- Pour agréger les salaires dans différentes professions liées à une même tâche, nous utilisons une moyenne pondérée par le nombre d’emplois et le temps consacré à cette tâche.
- Pour identifier les nouvelles tendances, nous sélectionnons les tâches O*NET apparaissant au moins 300 fois dans les données actuelles, et ayant doublé ou plus leur fréquence par rapport au rapport précédent.
- Les intervalles donnés reflètent des estimations avec ou sans pondération (5 ou 9 ans) dans le précédent rapport.
- Nous utilisons des données de logs au niveau conversationnel, avec le même seuil de confidentialité. Voir méthodologie en annexe.
- Peu importe la définition retenue pour l’expérience, les résultats sont similaires.
- La période d’échantillonnage coïncide avec la diffusion des publicités du Super Bowl, ce qui a attiré de nombreux nouveaux utilisateurs.
