Economic Indexで見る利用歴と成功率 — 6か月以上使う人は成功率が高い

利用歴6か月以上の人は、会話の成功率が高い

Anthropic Economic Indexの2026年3月版(副題「Learning curves」)は、Claudeに登録して6か月以上たつユーザーのほうが、会話が成功と判定される割合が高いと報告しています。要約では「成功率が10%高い」と書かれ、タスクの種類・国・言語・モデルをそろえた回帰でも、約4ポイントの差が残りました。

ただし、この差を「使い込めば誰でも上達する」という証拠とは読めません。レポート自身が、早期に使い始めた人の性質や、使い続けた人だけが残る生存バイアスの可能性を挙げています。本稿では、何をどう測った数字なのかを先に押さえ、そのうえで初心者が取り入れやすい使い方を、Claude Codeの公式ガイドから拾います。

測ったのは2026年2月の100万会話

3月版は2026年3月24日に公開されたレポートで、対象は2026年2月5日から12日のClaude利用です。Claude Opus 4.5の公開から3か月後で、Claude Opus 4.6の公開と重なる時期にあたります。Claude.aiと自社APIからそれぞれ100万件の会話を抽出しており、会話の中身を個別に見ずに集計だけを出す、プライバシー保護型の分析基盤を使っています。

「高利用歴」の定義はひとつだけです。サンプル採取の6か月以上前に登録した人を高利用歴とし、それ以外を低利用歴にしています。別の定義で区切っても結果は似ていた、と脚注にあります。

「成功」は、会話が成功したかどうかをClaude自身が判定した値です。この判定の枠組みは、2026年1月の前回レポートで導入された経済プリミティブの一つにあたります。前回レポートの内容はEconomic Index Primitivesの解説にまとめています。成功の判定が人手ではなくClaudeによる評価である点は、数字を読むときの前提になります。

高利用歴の人は、使い方そのものが違う

成功率の前に、使い方の差が報告されています。高利用歴のユーザーは、次のような傾向を示しました。

要点は、経験者ほど「一度に全部頼む」のではなく、やり取りを重ねて仕上げる傾向があることです。レポートはこれを、前年に立てた仮説への反証として書いています。当時は「経験を積んだ洗練されたユーザーほど、自動化に寄った使い方をする」と予想していました。実際には、最も使い込んでいる層が反復的に協働していました。

タスクの内容にも差があります。利用歴の平均が長いタスクの例は、AI研究、git操作、原稿の改稿、スタートアップの資金調達でした。短いのは、俳句づくりやスポーツのスコア確認、パーティーの料理の提案です。新しく入った人の多くが、軽い用途から使い始めている様子が分かります。

成功率の差は3つの数字で見る

成功率の差は、統制の強さに応じて3段階で示されています。数字が小さくなるほど、「別のタスクを持ち込んでいるだけ」という説明を排除した値になります。

要約にある「10%高い」と、回帰図の「約3〜5ポイント」は、同じ差を別の単位で書いたものかもしれません。ただし、レポートの本文はこの2つがどう対応するかを説明していません。記事で引用するときは、どちらの数字かを区別するのが安全です。

もう一つ、見落としやすい点があります。ここでの成功は「Claudeが成功と評価した割合」なので、依頼する側が満足したかとは別の指標です。差の絶対値も数ポイントで、「経験者はほぼ必ず成功する」といった話ではありません。

学習効果と断定できない理由

レポートは、この差を「経験による上達(learning-by-doing)」の証拠だとは言い切っていません。代わりに、次の3つの代替説明を並べています。

一方で、回帰によって「経験者はもともと成功しやすいタスクを選んでいるだけ」という単純な説明は外されています。レポートの言い方は、「引き続き学習効果は有力な説明だが、確定ではない」という慎重な立場です。

また、サンプル採取期間にはスーパーボウルの広告が重なり、初めて使う人が多く入ったと脚注で触れられています。低利用歴の側に、広告で来た人が多く含まれている期間だったことになります。

初心者が取り入れやすい使い方

レポートには、どの習慣が成功率を上げるのかという記載がありません。観察されたのは「高利用歴ほど反復的に使う」「より難しい仕事を持ち込む」という傾向までです。したがって、以下はレポートの結論ではなく、Claude Codeの公式ベストプラクティスにある推奨のうち、観察された傾向と方向が合うものです。

一括指示より、確認手段つきで反復する

Claude Codeのガイドは、Claudeが実行できる確認(テスト、ビルド、スクリーンショットとの比較)を渡すことを最初の柱に置いています。確認がなければ、利用者自身が検証のループになってしまうためです。

後者は、公式ガイドが「症状を伝える」例として挙げている形です。症状、疑わしい場所、直ったと言える条件の3点が入っています。

何度直しても駄目なら、仕切り直す

ガイドは、同じ問題で2回を超えて修正しても直らないとき、コンテキストに失敗した試行が溜まっているとして、/clear で会話をリセットし、学んだことを盛り込んだ具体的なプロンプトで始め直すよう勧めています。反復は、続けるほど良いわけではありません。

/clear

難しい仕事ほど上位モデルを使う

3月版の「モデル選択」の節は、利用歴とは別の観察です。Claude.aiでは、Software Developerのタスクの34%がOpusで、Tutorのタスクは12%でした。タスクの時給が10ドル上がるごとに、Opusの使用率は1.5ポイント上がります。

レポートはこの理由を、技術者が性能差に気づいて切り替えている、またはSonnetで足りるものはSonnetで済ませて利用上限を節約している、という2通りで推測しています。どちらが主因かは書かれていません。自分の仕事で上位モデルが効く場面を探すときの目安として使える数字です。

プロンプトの組み立て方そのものはClaudeプロンプトの書き方とコツに、自走させる運用の設計はClaude Codeのベストプラクティスにあります。

同じ報告で変わった、利用の全体像

利用歴の話は報告の第2章です。第1章では、2025年11月から2026年2月にかけて、Claude.aiの利用が分散したことが示されています。

• 上位10タスクの占有率は、24%から19%に低下しました。
• 個人利用は35%から42%に増え、授業関連は19%から12%に減りました。
• コーディングはClaude.aiからAPIへ移っています。Claude Codeはコーディング作業を小さなAPI呼び出しに分けるため、APIでは多数のタスク分類に散らばります。
• 会話あたりのタスク価値(関連職種の時給で推計)は、49.3ドルから47.9ドルに下がりました。

この分散の一因は、2月前後の新規登録の増加で、気軽に使う人が増えたことです。新規ユーザーの比率が上がると、「低利用歴」の側が軽い用途に寄るため、利用歴別の比較は時期によって見え方が変わりえます。時間別の利用や当事者サーベイを加えた次回の報告はEconomic Index Cadencesで扱っています。国・地域の格差はClaude利用の国別格差にあります。

技能の差が広がる可能性という論点

レポートの最後は、成功率の差が労働市場の不平等を深める可能性に触れています。技能の高い人の賃金を上げ、そうでない人を押し下げる技術変化(skill-biased technological change)の経路が、すでに働いているかもしれないという指摘です。高い技能を要するタスクを持つ早期の採用者は、Claudeとのやり取りがうまくいきやすく、AIによる変化の影響も最も受けうる層だとしています。

読者にとっての含意は、成功率の差を才能の差として受け取らないことです。報告が示した差は数ポイントで、そこから先は、確認手段を付ける、反復する、仕切り直すといった作業習慣で動かせる余地があります。ただし、その余地が実際に成功率に効くかどうかは、このレポートでは検証されていません。

まとめ

3月版が示したのは、6か月以上使うユーザーほど反復的に協働し、成功率も数ポイント高いという相関です。学習の効果とも、自己選択や生存バイアスとも解釈でき、このデータでは区別がつきません。

使い始めの人にとっての実用的な読み方は、「経験者の成功率が高い」という結果から、確認手段を付ける、反復する、行き詰まったら仕切り直すという、公式ガイドの基本動作を実際に回してみることです。差が学習で生まれるものなら、その入口はそこにあります。