Claude 在加拿大，沿着工作形状扩散
第一性原理 佛学觉照

Claude 在加拿大，沿着工作形状扩散

| 阅读 10 分钟

加拿大不是 Claude 使用最多的国家，但它很适合观察 AI 怎样进入真实工作。

Anthropic Economic Index 的加拿大 brief显示，加拿大贡献了 Claude.ai 全球流量的 2.6%，按总量排第 8。按 working-age population 调整后，加拿大的 Anthropic AI Usage Index 是 4.4，也就是人均使用强度超过人口规模预期的 4 倍。

这组数字很容易被写成国家竞赛：谁更会用 AI，谁更早进入下一轮生产率周期。

但这不是最重要的部分。

真正值得看的，是加拿大内部的差异。Ontario 占全国 Claude 对话的 43.9%，Quebec、British Columbia 和 Alberta 分别占 20.8%、18.9% 和 10.2%。四个省合计接近全国使用量的 94%。如果按人口调整，British Columbia 反而领先，Ontario 次之，其他多数省份低于人口预期。

Anthropic 给出的解释很直接：省级收入并不能很好解释这些差异，更像主线的是劳动力结构。professional, scientific and technical services 占比越高的地方，Claude 的人均使用越高。

也就是说，在高收入国家内部，AI 不是沿着平均收入均匀扩散，而是沿着工作形状扩散。

模型先进入它能咬住的任务

Claude 现在最容易进入的任务，并不神秘。

它能读文档、改文档、翻译、写代码、解释概念、做课程辅助、改简历、写邮件、生成计划。它先进入哪里，取决于哪里有足够多这种任务，而且这些任务能被个人或组织低摩擦地交给模型。

加拿大 brief 里有一个很有意思的对照：各省使用场景结构其实很接近。work use 大约占 34% 到 40%，coursework 占 13% 到 18%，personal use 占 44% 到 51%。也就是说，不同省份不是在用完全不同的 Claude。

差异主要出现在采用强度。

这说明 adoption 的核心不是“某个地方的人更喜欢 AI”，而是“某个地方的工作流更容易被当前模型接住”。专业服务、科学技术服务、软件调试、业务应用、课程、求职材料，这些任务越密集，Claude 就越容易从试用变成习惯。

这比“高收入地区更早使用 AI”更细。

收入解释的是购买能力和基础设施。工作结构解释的是为什么人会反复打开它。

加拿大最有辨识度的用法是翻译

加拿大案例里最有本地特征的用法，是 document translation。

Anthropic 发现，翻译和编辑请求在公共行政就业占比更高的省份更常见。New Brunswick、Nova Scotia 和 Quebec 既有较高的 public administration employment share，也有较高的翻译请求占比。一个合理解释是：加拿大联邦服务和公共沟通有官方双语制度，英语和法语之间的文档转换不是偶发需求，而是制度性需求。

这件事很重要。

很多关于 AI 普及的讨论，会把模型能力抽象成“更聪明的聊天”。但在真实组织里，最先被放大的往往是制度里本来就存在、重复、耗时、边界清楚的任务。

翻译就是这样的任务。

它有输入，有输出，有质量检查，有明确责任人，也有足够高的频率。模型在这里不是替代一个抽象的“人类工作”，而是嵌入一个已经存在的行政流程。

这种嵌入方式，也解释了为什么加拿大相对 Australia、UK、US 等英语圈国家，最突出的 Claude 用例会是 document translation，而不是更泛化的个人助理或营销写作。

Anthropic 正在把使用数据变成入口

同一天，Anthropic 还发布了两条相关消息。

一条是投入 1000 万加元支持加拿大 AI 研究机构，覆盖 Amii、Mila、Vector Institute、CHEO、CAMH、Université Laval、University of Toronto、University of Saskatchewan 等机构。它把加拿大的 AI 研究传统、trust and safety、健康、科学、多智能体、机器人、低资源语言和公共部门问题放进同一个生态叙事。

另一条是Claude for Teachers，面向美国 K-12 教师，强调课程标准、教学技能、隐私条款和教师工作流。它不是加拿大数据的一部分，但它说明了 Anthropic 正在寻找同一类入口：有重复任务、有专业标准、有数据边界、有现实时间压力的工作场景。

这三条线连起来看，Anthropic 的 adoption strategy 很清楚：

先用 Economic Index 描绘真实使用发生在哪里，再用机构合作和垂直产品把 Claude 放进更稳定的场景。

这不是单纯的市场宣传。它也是一种基础设施竞争。

谁能把模型能力嵌入高校、医院、学校、公共部门、软件团队和专业服务，谁就能更早拿到任务数据、反馈循环和组织信任。

使用率不是治理完成

正因为这些入口有价值，才需要更谨慎地看。

Claude.ai 的 traffic 不能直接等同于一个国家的 AI 生产率，也不能证明某个省份的公共部门已经完成了 AI 转型。它只说明在 Claude.ai consumer usage 这个窗口里，加拿大和部分省份的使用强度很高。

进入政府、学校和研究机构以后，问题会变得更硬。

公共部门用 Claude 做翻译、审阅或代码检查时，责任链在哪里？哪些输出必须人工复核？日志如何保存？一旦模型供应商、模型版本或数据政策改变，机构有没有退出和迁移能力？

教育场景也一样。教师工具可以节省备课时间、辅助差异化教学、分析课堂数据，但学生数据、教学判断和评价权不能无声转移给供应商。Anthropic 在 Claude for Teachers 中强调独立教师条款、K-12 privacy、FERPA 和不用于训练，这些是必要条件，不是治理终点。

研究资助也是双刃剑。1000 万加元的资源会帮助加拿大研究机构更容易使用前沿模型，也会增强它们对某一平台的依赖。真正稳健的生态，需要公开评估、可迁移工具、外部审计和多供应商能力，而不是只靠一家公司的善意。

扩散路线比排名更重要

加拿大 brief 给出的启发，不是“哪个国家排第几”。

它更像一张 adoption map：模型先进入哪里，取决于本地工作结构中有没有足够多能被模型完成、增强、加速或检查的任务。

如果一个地区有大量专业服务、技术服务、文档工作、编程任务、教育任务和双语公共沟通，它就更容易出现高使用强度。

如果一个组织的工作流里有清晰输入输出、有复核机制、有时间压力、有足够高的重复频率，它就更容易把 AI 从演示变成工具。

这也是未来判断 AI 落地最实用的角度。

不要只问一个国家有多富、一个机构有多少预算、一个产品有多少模型参数。

更应该问：这里的工作，究竟长什么样？

因为 AI 扩散从来不是平均发生的。它先沿着工作形状找到缝隙，再逐渐改写组织的习惯、边界和权力。

参考来源

💬 评论