Anthropic Wirtschaftsindex neuesten Berichtsanalyse: Nutzung von Claude im Februar 2026 zeigt weiterhin vielfältige Einsatzszenarien, durchschnittliche Aufgabenvergütung leicht rückläufig. Dieser Bericht basiert auf einer Forschungsstudie von Anthropic, übersetzt und bearbeitet von Dongqu Dongqu.
（Vorgeschichte: Anthropic veröffentlicht AI Impact Dashboard: Beruf eingeben, in Sekundenschnelle prüfen, wie viel Arbeit AI übernimmt）
(Hintergrund: CZ: Die Kosten für Krypto-Handel in den USA sind zu hoch, auf dem Weg zur Krypto-Hauptstadt fehlt noch der Wettbewerb)
Inhaltsverzeichnis
Toggle
- Veränderungen seit dem letzten Bericht
- Lernkurve
- Kapitel 1: Veränderungen seit dem letzten Bericht
- Vielfältigkeit der Claude.ai Einsatzszenarien
- Neue Automatisierungsmodelle
- Überprüfung der geografischen Konvergenz
- Kapitel 2: Nutzung von KI lernen
- Diskussion
- Fußnoten
Der Anthropic Wirtschaftsindex nutzt unser Datenschutz-geschütztes Analysesystem, um die Nutzung von Claude im gesamtwirtschaftlichen Kontext zu verfolgen. Dies ist ein Schritt, um die wirtschaftlichen Auswirkungen von KI frühzeitig zu verstehen, damit Forscher und Entscheidungsträger ausreichend Zeit zur Vorbereitung haben.
Der aktuelle Bericht analysiert die Nutzung von Claude im Februar 2026, basierend auf dem wirtschaftlichen Grundrahmen unseres vorherigen Berichts (mit Daten von November 2025). Unser Stichprobenzeitraum reicht vom 5. bis 12. Februar, drei Monate nach der Veröffentlichung von Claude Opus 4.5, und überschneidet sich mit der Veröffentlichung von Claude Opus 4.6.
Zunächst dokumentieren wir die Veränderungen im Vergleich zum vorherigen Bericht: Der Anteil der interaktiven, also KI-unterstützten Zusammenarbeit (bei der Nutzerfähigkeiten durch KI ergänzt werden) ist sowohl bei Claude.ai als auch im API-Verkehr leicht gestiegen. Bei Claude.ai wird die Vielfalt der Einsatzszenarien deutlicher: Die Top 10 Aufgaben machen weniger als zuvor den Anteil an der Gesamtverwendung aus, im Februar 19 % gegenüber 24 % im November. Trotz dieser Diversifizierung ist fast jede Aufgabe im vorherigen Datensatz auch im aktuellen vertreten. Etwa 49 % der Berufe umfassen mindestens ein Viertel der Aufgaben, die mit Claude erledigt werden.
Der Einsatzbereich von Claude hat sich auf Aufgaben mit niedrigerem Gehalt ausgeweitet. Mit zunehmender Vielfalt der Szenarien sinkt der durchschnittliche wirtschaftliche Wert der Arbeit, gemessen am durchschnittlichen Stundenlohn der entsprechenden Berufe in den USA, leicht. Mechanismen dahinter sind die Zunahme persönlicher Anfragen zu Sport, Produktvergleichen, Heimwerken etc. Dieses Muster entspricht der klassischen „Adoptionskurve“: Frühadopter konzentrieren sich auf codierungsbezogene, hochpreisige Aufgaben, während spätere Nutzer eine breitere Aufgabenpalette abdecken.
Globale Ungleichheit in der Nutzung besteht weiterhin: Die Nutzung ist nach wie vor stark konzentriert: Die Top 20 Länder machen 48 % des durchschnittlichen Pro-Kopf-Verbrauchs aus, gegenüber 45 % im vorherigen Bericht. Das zeigt, dass die globale Adoption weiterhin ungleich verteilt ist. In den USA konvergiert die Nutzung pro Bundesstaat: Der Anteil der Top 10 Bundesstaaten sank von 40 % auf 38 % seit dem letzten Bericht.
Lernkurve
Ein zentrales Ergebnis des Wirtschaftsindex ist: Die frühe Adoption von Claude ist extrem unausgewogen – in Hochlohnländern wird intensiver genutzt, innerhalb der USA vor allem in Wissensarbeit-Regionen, und nur für eine begrenzte Anzahl an professionellen Aufgaben.
Eine wichtige Frage ist, wie diese Ungleichheit die Verteilung der KI-Vorteile beeinflusst: Wer profitiert? Wenn effektive Nutzung von KI auf komplementären Fähigkeiten und Fachwissen beruht (wie im vorherigen Bericht argumentiert), und diese Fähigkeiten durch Nutzung und Experimentieren erlernt werden können, dann könnten die Vorteile der frühen Nutzer eine selbstverstärkende Schleife bilden.
Im zweiten Kapitel untersuchen wir, wie Nutzer den Wert, den sie aus Claude ziehen, aktiv gestalten: Wie passen sie das Modell an ihre Aufgaben an? Wie verändern sich Nutzungsmuster und Erfolge mit zunehmender Erfahrung?
- Modellauswahl und Aufgabenanpassung. Nutzer tendieren dazu, für Aufgaben mit höherem Verdienst das leistungsstärkste Modell – Opus – zu wählen. Bei zahlenden Claude.ai-Nutzern ist Opus bei Programmieraufgaben 4 % häufiger im Einsatz als im Durchschnitt, bei beratungsbezogenen Aufgaben 7 % seltener. Dieses Muster ist im API noch deutlicher sichtbar.
- Erfahrungsbasierte Aufgabenverlagerung. Nutzer mit längerer Nutzung (über 6 Monate) verwenden Claude häufiger für Arbeit. Die Wahrscheinlichkeit, dass erfahrene Nutzer (über 6 Monate Nutzung) Claude für Arbeit einsetzen, ist um 7 % höher. Auch die Bildungsanforderung der Aufgaben ist bei ihnen höher.
- Learning by Doing. Erfahrene Nutzer erzielen in Gesprächen mit Claude tendenziell mehr Erfolg: Selbst nach Kontrolle von Aufgabenart und Region sind sie 3–4 % erfolgreicher.
Kapitel 1: Veränderungen seit dem letzten Bericht
Vielfältigkeit der Claude.ai Einsatzszenarien
Wir analysieren die Aufgabenarten, die Claude anhand der Zuordnung zu den Tätigkeiten im US-Arbeitsmarkt-Informationsnetz O*NET ausführt. Diese Zuordnung erfolgt unter Wahrung des Datenschutzes, um das Verhalten insgesamt zu beschreiben, ohne einzelne Gespräche offenzulegen.
Wir haben jeweils eine Million Dialogbeispiele von zwei Plattformen gezogen: Claude.ai (unsere Endnutzeroberfläche) und die First-Party-API (unsere Entwicklerplattform).
Programmieren bleibt die häufigste Nutzungsszene, mit 35 % der Gespräche im Zusammenhang mit Computer- und Mathematikberufen bei Claude.ai.
Zwischen November 2025 und Februar 2026 ist die Konzentration der Aufgaben bei Claude.ai leicht zurückgegangen: Die Top 10 O*NET-Aufgaben machen im Februar 19 % der Gespräche aus, im November noch 24 %. Dieser Rückgang ist teilweise auf die Migration von Programmieraufgaben in die API zurückzuführen, bei der die Programmierung in Claude Code in viele einzelne API-Aufrufe zerlegt wird. Trotz des Anstiegs der Programmieraufgaben im API-Bereich bleibt die Verteilung der Aufgabenarten insgesamt relativ stabil.
Diese Migration erklärt nur einen Teil des Konzentrationsrückgangs. Auch die Zusammensetzung der Szenarien hat sich verändert: Der Anteil der akademischen Gespräche sank von 19 % auf 12 %, während persönliche Nutzung von 35 % auf 42 % stieg. Der Rückgang bei akademischen Szenarien ist auf Winterferien in einigen Regionen zurückzuführen. Zudem gab es im Februar eine Zunahme neuer Nutzer, die mehr Freizeit- und Hobbyanfragen stellen.
Die Vielfalt der beruflichen Aufgaben, die Claude unterstützt, basiert auf bestehenden Mustern. Unser früherer Bericht zeigte, dass 49 % der Berufe Claude in mindestens einem Viertel ihrer Aufgaben einsetzen; dieser Wert hat sich seitdem kaum verändert. Auch die Geschwindigkeit der neuen O*NET-Aufgaben ist im Vergleich zu früher deutlich langsamer.
Seit unserem ersten Bericht klassifizieren wir Gespräche in fünf Interaktionstypen – Anweisungs-, Feedback-, Iterations-, Validierungs- und Lern-Typen – und gruppieren diese in Automatisierung und Erweiterung. Die Nutzung der Erweiterungsmodelle bei Claude.ai ist leicht gestiegen, vor allem durch einen Anstieg bei Validierungs- und Lernmustern. Bei der First-Party-API ist die Automatisierungsnutzung deutlich zurückgegangen.
Der Anteil der computer- und mathematikspezifischen Aufgaben im API hat zugenommen: Seit August 2025 ist dieser Anteil um 14 % gestiegen, bei Claude.ai um 18 % gefallen. Unsere Arbeitsmarktanalyse zeigt, dass diese Migration auf eine stärkere berufliche Betroffenheit hindeutet: Der Anteil beruflicher Aufgaben, die verwaltet werden, stieg von 3 % auf 5 %, inklusive analytischer Aufgaben wie Investment-Memos und Kundenkommunikation.
Wir messen den Aufgabenwert anhand des durchschnittlichen Stundenlohns der entsprechenden Berufe in den USA. Der durchschnittliche Wert pro Aufgabe bei Claude.ai ist leicht gefallen, von 49,30 USD auf 47,90 USD, hauptsächlich durch die Zunahme einfacher Faktenabfragen (Sport, Wetter) und die Migration von Programmieraufgaben. Frühere Analysen zeigten, dass Claude-Aufgaben meist eine höhere Bildung erfordern und entsprechend höher vergütet werden.
Zwischen den beiden Berichten ist die durchschnittliche Komplexität der Aufgaben bei Claude.ai leicht gesunken: Der durchschnittliche Bildungsgrad der Eingaben sank von 12,2 auf 11,9 Jahre; Nutzer gewähren Claude mehr Autonomie; die geschätzte Dauer für die eigenständige Erledigung der Aufgaben verkürzte sich um ca. 2 Minuten. Gleichzeitig ist die Schwierigkeit, Aufgaben ohne KI-Unterstützung zu lösen, leicht gestiegen.
Abbildung 1: Veränderung der Konzentration der Top 10 Aufgaben bei Claude.ai und API, zeigt Diversifizierung bei Claude.ai und Konzentration bei API
Abbildung 2: Verteilung des Aufgabenwerts bei Claude, gemessen am durchschnittlichen Stundenlohn in den USA, zeigt leichten Rückgang von 49,30 USD auf 47,90 USD
Abbildung 3: Vergleich der Aufgabenarten bei Claude.ai und API, zeigt Migration von Programmieraufgaben in die API
Neue Automatisierungsmodelle
Mit zunehmender Migration in die API steigt auch die Automatisierungsintensität. Die API-Workflows sind meist instruktionsbasiert, mit minimaler manueller Intervention. Frühere Hinweise auf die Verbreitung im Kundenservice – inklusive automatisierter Zahlungen und Rechnungsstellung – deuten auf eine hohe Automatisierungsrate hin, was den Wandel im Berufsumfeld beschleunigen könnte.
Zwei API-Workflow-Typen haben sich während des Untersuchungszeitraums verdoppelt:
- Vertrieb & Outreach: Automatisierte Unterstützung beim Verkauf, Recherche zu B2B-Kunden, Kundeninformationen, Kaltakquise
- Automatisierter Handel & Marktüberwachung: Markt- und Positionsüberwachung, Investmentberatung, Marktberichte an Trader
Überprüfung der geografischen Konvergenz
Frühere Berichte zeigten, dass der Anthropic AI Index (adjustiert nach Bevölkerung) in den US-Bundesstaaten schnell konvergiert: Staaten mit niedriger Anfangsadoption holen auf.
Aktuelle Daten bestätigen die anhaltende Konvergenz, aber mit langsamerem Tempo: Von August 2025 bis Februar 2026 sank der Anteil der Top 5 Bundesstaaten an der Pro-Kopf-Nutzung von 30 % auf 24 %. Der Gini-Koeffizient ist seit August 2025 gefallen, die Konvergenzgeschwindigkeit hat sich jedoch verlangsamt. Unsere aktualisierte Prognose schätzt, dass alle Bundesstaaten etwa 5 bis 9 Jahre benötigen, um eine gleichmäßige Nutzung zu erreichen, früher waren 2 bis 5 Jahre angenommen.6
International betrachtet ist die Konzentration hingegen gestiegen: Der Gini-Koeffizient hat sich erhöht, die Länder mit höchster Nutzung machen nun einen größeren Anteil aus. Die Top 20 Länder haben ihren Anteil an der globalen Nutzung von 45 % auf 48 % erhöht.
Abbildung 4: Konvergenz der Pro-Kopf-Nutzung in US-Bundesstaaten, Top 5 Bundesstaaten sinken von 30 % auf 24 %, Konvergenz verlangsamt
Abbildung 5: Gini-Koeffizient der internationalen Claude-Nutzung, zeigt zunehmende globale Ungleichheit im Vergleich zum vorherigen Bericht
Kapitel 2: KI-Nutzung lernen
Dieses Kapitel untersucht zwei Aspekte, wie Nutzer den Einsatz und das Lernen mit KI gestalten: Modellauswahl und Muster erfahrener Nutzer.
Der erste Punkt ist die Modellauswahl, die Einblicke in die Anforderungen an Intelligenz gibt. Bisher gibt es kaum Studien zum Verhalten in Multi-Modell-Umgebungen, in denen Nutzer zwischen Geschwindigkeit, Effizienz und Kosten abwägen. Die Konzentration auf das leistungsstärkste Modell Opus bei geeigneten Aufgaben spiegelt das Bestreben wider, schwierigere, hochpreisige Aufgaben an dieses Modell zu delegieren.
Der zweite Punkt ist die Nutzung nach Erfahrungsstand, um Lernkurven zu erkennen. Nutzt man Claude länger, wird man besser darin? Ändert sich das Nutzungsverhalten? Es gibt Hinweise auf „Learning by Doing“: Erfahrene Nutzer erzielen bessere Ergebnisse, arbeiten tiefer mit Claude zusammen, versuchen schwierigere Aufgaben und setzen es in vielfältigen Szenarien ein.
Modellauswahl
Die Modellreihen Haiku, Sonnet und Opus unterscheiden sich in Kosten, Geschwindigkeit und Leistung. Opus bietet den höchsten Kontextraum und ist bei komplexen Aufgaben überlegen, ist aber auch am teuersten pro Token. Kostenbewusste Nutzer, die an die Grenzen ihrer Nutzung kommen, tendieren dazu, Opus für schwierige, wertvolle Aufgaben zu verwenden, während sie für einfachere Alternativen wählen. Dieses Muster stimmt mit unseren Daten überein.3
Bei zahlenden Claude.ai-Nutzern verwenden 55 % der Programmier- und Mathematikaufgaben Opus, bei Bildung nur 45 %.
Technikaffine Nutzer erkennen die Vorteile und wechseln aktiv vom Standardmodell Sonnet zu Opus. Effizienzorientierte Nutzer verwenden Sonnet für Routineaufgaben, um das Kontingent zu schonen. Diese Unterschiede spiegeln auch die Annahme wider, dass Bildungstätigkeiten einfacher sind oder die Nutzergruppe kostenempfindlicher ist.
Detaillierte Analysen zeigen, dass höher bezahlte Berufe häufiger Opus wählen: Bei Claude.ai nutzen 34 % der Softwareentwickler Opus, bei Nachhilfe nur 12 %. Nach Kontrolle anderer Variablen steigt die Wahrscheinlichkeit, bei einem um 10 USD höheren Stundenlohn Opus zu wählen, um 1,5 %. Im API ist die Sensitivität etwa doppelt so hoch: Bei 10 USD mehr Stundenlohn steigt die Opus-Quote um 2,8 %. Nutzer, die automatisierte Workflows implementieren, wechseln eher das Modell als Nutzer der Weboberfläche.
Abbildung 6: Anteil der Opus-Nutzung nach Aufgabentyp, zeigt Tendenz, bei höher bezahlten, technischen Aufgaben (z.B. Softwareentwicklung) Opus zu wählen, bei Bildungsaufgaben geringere Opus-Quote
Abbildung 7: Zusammenhang zwischen Berufseinkommen und Opus-Modelleinsatz, zeigt bei 10 USD höherem Stundenlohn steigt Opus-Nutzung um ca. 1,5 %, im API etwa doppelt so stark
Lernkurve
Das erste Modell von Claude wurde im März 2023 veröffentlicht. Das schnelle Wachstum führte zu einer vielfältigen Nutzerbasis – von den ersten Nutzern, die sofort dabei waren, bis zu jüngsten Registrierungen im Messzeitraum. Das Erfahrungsniveau beeinflusst die Nutzererfahrung erheblich.
Erfahrene Nutzer (mindestens 6 Monate im System) zeigen deutlich mehr iterative Nutzung, delegieren weniger, setzen Claude häufiger für Arbeit ein, bevorzugen Aufgaben mit höherem Bildungsniveau, und ihre Gespräche sind weniger konzentriert. Die Top 10 O*NET-Aufgaben machen bei ihnen 20,7 % der Gespräche aus, im Vergleich zu 22,2 % bei weniger erfahrenen.
Das Aufgabenprofil erfahrener Nutzer entspricht etwa einem zusätzlichen Jahr Bildung pro Jahr Nutzung. Sie verwenden Claude weniger für persönliche Zwecke: Bei Nutzern mit einem Jahr Erfahrung sind 38 % der Gespräche persönlich, bei den Neulingen 44 %.
Diese Muster lassen sich unterschiedlich interpretieren: Erfahrene Nutzer könnten eine selektive Gruppe sein, z.B. Programmierer, die frühzeitig hohe technische Fähigkeiten besitzen. Es besteht auch eine Überlebensbias: Nutzer, die vor einem Jahr registrierten, finden Claude nützlich, während weniger engagierte Nutzer nicht mehr beobachtet werden.
Frühere Analysen zeigten, dass in Ländern mit niedrigerem Einkommen und geringerer Bildung die Nutzung komplexer ist. Das lässt sich durch frühe Adoption erklären: Die ersten Nutzer in jedem Land oder Nutzerkreis sind wahrscheinlich Early Adopters in hochqualifizierten technischen Bereichen. Mit zunehmender Verbreitung wächst die Nutzerbasis um auch Freizeit- und Hobby-Nutzer.
Cluster-Analysen zeigen, dass die höchsten Einkommen bei den erfahrenen Nutzern mit Aufgaben wie KI-Forschung, Git-Operationen, Manuskriptrevisionen und Start-up-Finanzierung verbunden sind. Bei den weniger erfahrenen Nutzern dominieren Haiku, Sportergebnisse, Partyessen.
Abbildung 8: Zusammenhang zwischen Nutzererfahrung und Aufgabenprofil, zeigt, dass erfahrene Nutzer (über 6 Monate) eher hochbezahlte, bildungsintensive Aufgaben bevorzugen, während Neulinge eher Freizeit- und Hobbyanfragen stellen
Erfahrungseffekte
Zur weiteren Analyse kontrollieren wir Variablen anhand von Log-Daten mit Gesprächsspezifika. Ein einfacher Regressionsansatz mit Erfolg als Ergebnis, Erfahrungsindex als Prädiktor zeigt: Erfahrene Nutzer haben ca. 5 % höhere Erfolgswahrscheinlichkeit.
Erfolg ist möglicherweise nur ein Indikator für gute Prompt-Techniken, die erlernbar sind. Wenn erfahrene Nutzer jedoch grundsätzlich andere, erfolgsträchtigere Aufgaben erledigen, ist die Aufgabenverteilung die eigentliche Erklärung.
Mit festen Effekten für O*NET-Aufgaben und Anfragecluster vergleichen wir erfahrene und weniger erfahrene Nutzer bei gleichen Aufgaben, z.B. bei „Unternehmensfinanzanalyse, Bewertung und Modellierung“. Die Effekte der Erfahrung steigen auf 3 %, wenn wir alle Faktoren kontrollieren.
Schließlich zeigt eine erweiterte Modellierung, dass erfahrene Nutzer bei gleichen Modellen, Sprachen, Regionen und Anwendungen noch 4 % höhere Erfolgsraten aufweisen.
Diese Ergebnisse deuten darauf hin, dass erfahrene Nutzer in Claude-Dialogen erfolgreicher sind, unabhängig von Sprache oder Aufgabenart. Ein plausibler Grund ist die Lernfähigkeit im Plattform-Umfeld, die mit Erfahrung wächst – ein entscheidender Faktor für den Erfolg.
Abbildung 9: Regressionsanalyse der Erfolgschancen erfahrener Nutzer, zeigt nach Kontrolle von Aufgabenart, Modellwahl, Sprache und Region, 3–4 % höhere Erfolgswahrscheinlichkeit
Diskussion
Dieses Update überprüft die wichtigsten Kennzahlen der Claude-Nutzung und analysiert erstmals die Zusammenhänge zwischen Modellwahl und Erfolg. Seit August 2025 ist die Nutzung der First-Party-API zunehmend konzentrierter: Die Top 10 O*NET-Aufgaben stiegen von 28 % auf 33 %. Die Vielfalt bei Claude.ai nimmt zu. Die geografische Konvergenz in den USA setzt sich fort, aber langsamer. Länder mit niedrigerer Adoption sind im Nachteil.
Das wirtschaftliche Grundmodell erlaubt es, die zeitliche Entwicklung der Claude-Nutzung nachzuverfolgen. Der Anteil akademischer Nutzung sinkt, persönliche Gespräche nehmen zu. Die durchschnittliche Komplexität der Eingaben bei Claude ist leicht gefallen, die Gespräche sind weniger komplex und die geschätzte Dauer für eigenständige Erledigung kürzer.
Claude bearbeitet vor allem komplexe, hochpreisige Aufgaben, die in der Gesamtwirtschaft nicht repräsentativ sind. Mit wachsender Nutzerzahl steigt der Anteil niedriger vergüteter Aufgaben leicht. Der Aufgabenwert, gemessen am durchschnittlichen Stundenlohn, ist bei Claude.ai seit dem letzten Bericht gefallen, im API gestiegen. Beide Plattformen konzentrieren komplexe Aufgaben auf das leistungsstärkste Opus-Modell, was im API noch deutlicher sichtbar ist.
Erfahrene Nutzer arbeiten enger mit Claude, setzen es häufiger für Arbeit ein, versuchen schwierigere Aufgaben und erzielen bessere Ergebnisse. Das widerspricht der Erwartung, dass Automatisierung vor allem bei den fortgeschrittenen Nutzern dominiert; vielmehr zeigen erfahrene Nutzer eine Präferenz für iterative Nutzung. Das passt zu „Learning by Doing“: Mehr Kontakt mit KI führt zu besseren Fähigkeiten.
Eine alternative Erklärung ist, dass Gruppen- oder Überlebensbias die Ergebnisse beeinflussen: Frühadopter könnten überdurchschnittliche technische Fähigkeiten besitzen; Nutzer, die weiterhin Claude verwenden, sind wahrscheinlich diejenigen, die es für ihre Aufgaben am besten geeignet halten. Strenge Kontrollen der Variablen zeigen, dass diese Effekte nicht nur auf Sprache oder Aufgaben zurückzuführen sind, sondern auch auf Erfahrung.
Der Unterschied im Erfolg könnte die Ungleichheit auf dem Arbeitsmarkt verstärken: Skill-Bias-Technologiewandel ist bekannt dafür, hohe Einkommen für Hochqualifizierte zu steigern und andere zu benachteiligen. Hier zeigt sich, dass frühe Nutzer, die eher hochqualifizierte Aufgaben erledigen, in der Interaktion mit Claude erfolgreicher sind. Trotz aller Herausforderungen profitieren die Early Adopters am meisten.
Abbildung 10: Zusammenfassende Grafik des Berichts, zeigt Zusammenhang zwischen Nutzungungungleichheit, Lernkurveffekten und Auswirkungen auf den Arbeitsmarkt
Fußnoten
- Automatisierte Programmieraufgaben in Claude Code, die aus Claude.ai-Abonnements stammen, werden in die Claude.ai-Nutzung zusammengefasst.
- Die folgenden O*NET-Aufgaben werden als „persönlich“ definiert: 1) Lebensmittelzubereitung und verwandte Dienste (35-0000); 2) persönliche Pflege und Dienste (39-0000); 3) Kunst, Design, Unterhaltung, Sport und Medien (27-0000), nur für Entertainment/Sport; 4) Landwirtschaft, Fischerei, Forstwirtschaft (45-0000); 5) Bau und Gebäudereinigung (37-0000); 6) Gemeinschafts- und Sozialdienste (21-0000), hauptsächlich für persönliche Gesundheit/Familienaufgaben. Bildungstätigkeiten sind nicht enthalten.
- Für diese Analyse wurden in der Stichprobe Nutzer der kostenlosen Claude.ai-Version ausgeschlossen.
- Zur Zusammenfassung der Löhne in Berufen, die mit mehreren O*NET-Aufgaben verbunden sind, verwenden wir gewichtet nach Beschäftigtenzahl und Zeitanteil in der jeweiligen Aufgabe, um einen Durchschnittswert zu berechnen.
- Für die Identifikation neuer Muster filtern wir O*NET-Aufgaben, die im aktuellen Datensatz mindestens 300 Mal vorkommen und im Vergleich zum vorherigen Bericht mindestens verdoppelt wurden.
- Die angegebenen Bereiche spiegeln unterschiedliche Schätzungen wider, je nachdem, ob das Modell mit oder ohne Gewichtung (5 Jahre bzw. 9 Jahre) ausgeführt wurde.
- Für diese Analyse verwenden wir Log-Daten auf Gesprächsebene mit gleicher Datenschutzschwelle. Details im Anhang.
- Unabhängig von der Definition hoher Erfahrung sind die Ergebnisse ähnlich.
- Unser Stichzeitraum überschneidet sich mit dem Super Bowl-Werbespot, was zu vielen Erstnutzern führte.
