OpenAI 联合哈佛经济学家 David Deming 在美国国家经济研究局（NBER）发布 62 页研究《How People Use ChatGPT》，基于 2024–2025 年间 150 万条匿名对话，采用隐私保护的自动分类方法（通过哈佛 IRB 审核）。研究指出：ChatGPT 约有 7 亿周活用户；到 2025 年 7 月，每周信息量约 180 亿条（折合日均约 25 亿）；截至 2025 年 6 月，约 70% 的对话发生在非工作场景，“实用指导、信息查询、写作辅助”三类合计占去近四分之三。这意味着 AI 的价值重心，正从 B 端效率工具迁徙到 C 端生活伴侣。
同一周，Anthropic 发布《Anthropic Economic Index：Geography》：在国家维度上，人均 GDP 每增加 1%，其“AI 使用指数”平均提升约 0.7%；在美国州内比较时，弹性更高——州人均 GDP 每增加 1%，按人口调整后的 Claude 使用量提升约 1.8%。华盛顿特区的使用强度位居前列，加州与纽约紧随其后。这组数据不仅揭示“富者更善用 AI”，也提示“使用方式差异”会放大这种分化。
数据来源与方法说明
- OpenAI × NBER 工作论文：样本量 150 万对话，隐私保护分类；关键结论为周活约 7 亿、周消息量约 180 亿、非工作对话约 70%。
- OpenAI 官方解读：进一步明确“约 30% 工作、约 70% 非工作”的结构与场景分布。多家主流媒体对“日均约 25 亿条消息”有交叉报道，量级相互印证。
- Anthropic《Economic Index：Geography》：给出全球与美国州内的弹性估计（+1% 人均 GDP → 全球使用指数 +0.7%；美国州内 +1% → 使用 +1.8%），并开放可复核数据。
基于这把“刻度尺”，我们一起了解——AI 使用方式如何加速社会分层，且高收入人群到底如何用 AI？
数据里的分层：不平等正在以“用法”之名重排
Anthropic 的用户画像给出直白的现实：人均 GDP 每增加 1%，AI 使用指数相应提升约 0.7%；在美国，各州 GDP 每多 1%，Claude 的使用量就高出 1.8%。使用最密集的是华盛顿特区、加州与纽约——恰好也是知识、资本与算力的集中地。AI 普及没有让世界自动公平，反而把“资源—能力—使用深度”的正反馈加速了一圈。
更刺眼的是“用法差异”。高学历、高收入人群把 AI 定位为协作伙伴：自己先出框架和初稿，让模型充当“对手盘”，在反驳与补全里迭代；低学历、低收入人群更偏好自动化家电式用法：输入一句“给我写份报告”，然后照单全收。前者保留并提升了思考的主导权，后者则在把思考外包，长期可能让能力曲线失真。把 AI 视为合伙人，而不是家电，正在成为新的能力门槛。
ChatGPT 的迁徙：从 B 端到 C 端，谁在赢得新战场
当非工作场景占到七成，AI 的价值重心就从“办公室八小时”迁移到“人生十六小时”。现实里，你会看到三类高频需求正在合流：实用指导、信息查询与写作辅助——从健身饮食、旅行路线，到课程规划、求职准备，再到与家人的沟通措辞。早期“效率工具”的叙事正被“生活伴侣”替换，产品的成败也随之改写：谁能把复杂能力封装成一键服务，谁就能拥抱更大的用户池。
是的，“得屌丝者得天下”依然成立，但别误解这句话——它说的是对外服务要“极简、低门槛”，并不鼓励个体在认知上当“屌丝”。对企业而言，把复杂能力做成面向大众的一键服务是战略正确；对个人而言，把自己的脑力交给“一键生成”则是长期风险。
高收入人群到底怎么用：四步法拆解“协作派”工作流
对比：不同人群的 AI 使用方法（协作派 vs 过渡派 vs 一键派）
下面这张对照表，帮助你迅速定位自己与团队所处的“用法层级”，并给出可执行的升级路径：
| 维度 | 协作派（高学历/高收入倾向） | 过渡派（中等学历/收入） | 一键派（低学历/低收入倾向） |
|---|---|---|---|
| AI 定位 | 合伙人/对手盘：与人类共同推理、互相反驳 | 智能助理：在明确任务上补台 | 家电/外包：按按钮等结果 |
| 提问方式 | 以终为始，先给假设与评价标准；多轮澄清 | 任务式提问，偶尔补充背景 | 指令式一句话：“帮我写……” |
| 任务拆分 | 信息→结构→论证→语言→可视化→风险；每步有验收标准 | 2–3 步粗拆，有时跳步 | 不拆分，直接生成 |
| 质量控制 | 固定“人审”清单：事实抽查、逻辑链、引用规范 | 只在重要场合做抽检 | 直接使用，错了再说 |
| 记忆与复用 | 建个性化知识库与项目记忆，沉淀提示词与模板 | 偶尔保存高分回复 | 不保留历史，次次从零开始 |
| 工具配置 | RAG/检索、数据表处理、工作流编排、可视化与自动化集成 | 单点工具（写作/翻译/图表） | 纯聊天，无插件 |
| 时间分配 | 设计与复核占比高，生成只是中段一环 | 生成时间占主，复核靠感觉 | 生成占 90%+，几乎无复核 |
| 产出处置 | 人类二次写作与校对，形成可复用资产 | 轻微改写后投放 | 直接复制粘贴 |
| 长期影响 | 判断力与表达力复利增长 | 效率提升但增长有限 | 依赖加深，能力停滞甚至退化 |
| 立即升级建议 | 把“人审表、模板库、记忆库”制度化 | 补齐标准与复核，少跳步 | 换个开局：先写 3–5 句自我结论再提问 |
把 AI 变成你的“合伙人”
第一步， 以终为始。 先写下结论或假设，再让 AI 充当挑剔评审：请它找反例、列边界、补证据。这样问出来的答案更贴近目标，而不是模型的平均值。
第二步， 迭代式分工。 把任务拆成若干明确工位：信息搜集、结构设计、语言打磨、可视化、风险清单。每一步都设置评价标准（例如“给我 3 个互斥备选结构，并解释各自 trade-off”），用多轮对话把粗糙稿磨成像样的方案。
第三步， 建立项目记忆。 把个人知识库与历史产出接入，让 AI 熟悉你的口吻、模板与偏好。协作的复利从第二次开始发生，越用越像“与你共事的人”。
第四步， 人类质检关。 任何自动生成都必须过“人审”——逻辑核查、事实抽查、风格微调。高收入用户不是不信任 AI，而是用制度化的怀疑保证输出质量。
“一键派”的幻觉：为什么自动化会让你更像机器
很多人喜欢“把问题交给 AI”，是因为它看起来像免费外包。但自动化最适合的其实是边界清晰、标准稳定、对外交付的环节。对内把核心工作“一键生成”，常常暴露的是组织里缺少有价值的人类思考。结论很冷峻：企业若把自动化当成内部主业，终将被 AI 或更敏捷的小团队替代。
非工作场景的商业金矿：C 端三条高潜赛道
当 73% 的对话发生在生活侧，C 端的机会自然不是“更像 Office”，而是“更像陪伴”：
- 个性化学习：把复杂新知压缩成“你的学习路径”，用考试错因与知识图谱驱动复习回路。
- 健康与生活方式：饮食与训练的计划—反馈—心理支持闭环，强调“情绪价值”。
- 数字秘书：订阅清理、行程编排、信息核验、八卦总结……把琐事做进“个人操作系统”。
创业者要记住两条底层规律：
第一，对外“一键”，对内“协作”——面向用户时越简单越好，面向团队时越严谨越强
第二，把人放在回路里——任何决定都要留有人类复核与兜底机制
个人跃迁清单：从“会用”到“用得值”
- 每个任务先写 5 句“我自己的结论”，再让 AI 来反驳与完善；
- 把大任务拆成 3—5 个可度量的子环节，逐一与模型对齐标准；
- 建立一个持续更新的“个人提示词与模板库”，沉淀可复用工作流；
- 固定一套事实核查与引用校验清单，给自己的输出上“质量保险”；
- 把 AI 用到“自我改进与人际关系”上：请它扮演复盘教练、沟通教练与冲突调解员——这是今天被使用最少、却最能改变长期收益率的领域。
分层不是命运，是用法的选择
AI 并不会替你思考，但它会放大你的思考方式。把它当微波炉，你得到的是温热的、平庸的平均值；把它当合伙人，你得到的是被挑战后更坚固的判断。社会分层正在被“用法差异”按下加速键，而你的使用方式，就是你站到哪一层的签名。现在就重构你的工作流：先人后机，协作迭代，边界自动化，最后由你拍板。
关注作者–看更多有趣有料的信息
Share this content:
发表评论