Anthropic Economic Index: Các khối xây dựng mới để hiểu việc sử dụng AI

Ngày 15 tháng 1 năm 2026

AI có thực sự giúp con người làm việc nhanh hơn không? Những loại nhiệm vụ nào AI hỗ trợ tốt nhất? Và nó có thể thay đổi bản chất các công việc của mọi người như thế nào?

Tại Anthropic, chúng tôi đo lường việc sử dụng AI trong thế giới thực một cách liên tục để trả lời những câu hỏi như vậy. Phương pháp phân tích bảo toàn quyền riêng tư của chúng tôi cho phép chúng tôi tìm hiểu thêm về các cuộc trò chuyện trên Claude.ai (ghi lại việc sử dụng của người tiêu dùng) và API của chúng tôi (chủ yếu ghi lại việc sử dụng của doanh nghiệp). Trong các báo cáo trước đây, chúng tôi đã đánh giá các nhiệm vụ AI theo nghề nghiệp và mức lương, xem xét kỹ hơn về phát triển phần mềm và nghiên cứu việc sử dụng AI theo quốc gia và theo tiểu bang của Hoa Kỳ.

Chúng tôi hiện đang bổ sung thêm một cấp độ chi tiết mới cho Chỉ số Kinh tế của mình. Trong báo cáo thứ tư, chúng tôi giới thiệu cái mà chúng tôi gọi là các nguyên tắc kinh tế (economic primitives): một bộ gồm năm phép đo cơ bản, đơn giản để theo dõi các tác động kinh tế của Claude theo thời gian. Bộ ban đầu của chúng tôi bao gồm độ phức tạp của nhiệm vụ, mức độ kỹ năng, mục đích (công việc, giáo dục hay sử dụng cá nhân), mức độ tự chủ của AI và sự thành công. Chúng tôi suy ra các nguyên tắc này từ việc yêu cầu Claude trả lời một bộ câu hỏi phổ biến về mọi cuộc trò chuyện trong mẫu của chúng tôi cho báo cáo này.

Các nguyên tắc này cung cấp một chỉ báo hàng đầu về các tác động kinh tế tiềm ẩn của AI — và cho phép chúng tôi trả lời các câu hỏi phức tạp hơn nhiều về cách AI đang thay đổi công việc. Báo cáo mới nhất của chúng tôi, lấy mẫu các cuộc trò chuyện từ tháng 11 năm 2025 (chủ yếu sử dụng Claude Sonnet 4.5), sử dụng các nguyên tắc của chúng tôi để khám phá một loạt các câu hỏi mà chúng tôi không thể trả lời bằng cách khác — bao gồm cả việc tỷ lệ thành công của nhiệm vụ Claude thay đổi như thế nào đối với các nhiệm vụ phức tạp hơn, và liệu việc sử dụng Claude cho đến nay có thể báo trước hiệu ứng giảm kỹ năng ròng đối với nhiều công việc hay không.

Bạn có thể đọc báo cáo Chỉ số Kinh tế thứ tư tại đây. Bên dưới, chúng tôi tóm tắt kết quả của nó.

Những gì chúng tôi đã học được từ các nguyên tắc kinh tế của mình

Chúng tôi đã áp dụng các nguyên tắc kinh tế của mình cho các câu hỏi về nhiệm vụ cá nhân, nghề nghiệp và sau đó là các tác động tổng hợp có thể xảy ra từ những thay đổi mà chúng tôi quan sát được. (Phương pháp luận đầy đủ của chúng tôi — bao gồm chi tiết về cách chúng tôi kiểm tra độ chính xác của các nguyên tắc của mình — được mô tả trong chương hai của báo cáo đầy đủ.)

Nhiệm vụ

Những nhiệm vụ nào AI tăng tốc, và với tốc độ bao nhiêu?

Chúng tôi nhận thấy rằng các nhiệm vụ phức tạp hơn được tăng tốc nhiều nhất bởi Claude. Chúng tôi đo lường điều này bằng ước tính của Claude về số năm học cần thiết để hiểu đầu vào của cuộc trò chuyện: trong Claude.ai, các nhiệm vụ có câu lệnh yêu cầu bằng tốt nghiệp trung học (12 năm) được tăng tốc gấp 9 lần, trong khi các nhiệm vụ yêu cầu bằng đại học (16 năm) được tăng tốc gấp 12 lần. (Trên API, tốc độ tăng còn lớn hơn nữa.) Những kết quả này ngụ ý rằng lợi ích năng suất của AI hiện đang tập trung vào các nhiệm vụ đòi hỏi vốn nhân lực tương đối cao, điều này phù hợp với bằng chứng cho thấy các chuyên gia cổ cồn trắng có nhiều khả năng sử dụng AI trong công việc hơn.

Xu hướng tương tự này vẫn đúng — mặc dù ở dạng yếu hơn — khi chúng tôi điều chỉnh tỷ lệ thành công của nhiệm vụ. Claude hoàn thành thành công các nhiệm vụ yêu cầu bằng đại học 66% thời gian, so với 70% đối với các nhiệm vụ yêu cầu dưới bằng trung học. Điều này làm giảm, nhưng không loại bỏ, hiệu ứng tổng thể: tác động của Claude đến tốc độ nhiệm vụ tăng theo độ phức tạp mạnh hơn so với độ phức tạp tương quan với sự giảm tỷ lệ thành công.

Phạm vi thời gian mà Claude có thể hỗ trợ các nhiệm vụ là bao lâu?

Thước đo METR về phạm vi nhiệm vụ của AI cho thấy rằng các nhiệm vụ dài hơn thì khó hoàn thành hơn đối với AI. Nhưng thời gian mà các mô hình AI có thể hoạt động đang tăng đều đặn khi các mô hình ngày càng tốt hơn: thước đo này hiện đã trở thành một chỉ số quan trọng về tiến bộ của AI.

Chúng tôi có thể bổ sung phân tích của METR bằng cách sử dụng các nguyên tắc kinh tế của mình. Trong biểu đồ bên dưới, chúng tôi hiển thị tỷ lệ thành công ở cấp độ nhiệm vụ của Claude so với thời gian một người sẽ mất để thực hiện cùng một nhiệm vụ, cả trên Claude.ai và trên API của chúng tôi:

Chuẩn mực của METR cho thấy Claude Sonnet 4.5 (mô hình trong phân tích của chúng tôi) đạt tỷ lệ thành công 50% đối với các nhiệm vụ kéo dài 2 giờ. Ngược lại, dữ liệu API của chúng tôi cho thấy Claude thành công 50% đối với các nhiệm vụ mất gần gấp đôi thời gian (khoảng 3,5 giờ), và trên Claude.ai, thời gian còn dài hơn nhiều — khoảng 19 giờ. Nhưng điều này có thể không quá mâu thuẫn như vẻ ngoài của nó: phương pháp luận của chúng tôi khác với METR ở một số điểm quan trọng. Trong mẫu của chúng tôi, người dùng có thể chia nhỏ các nhiệm vụ phức tạp thành các bước nhỏ hơn, tạo ra một vòng lặp phản hồi cho phép Claude điều chỉnh hướng đi. Và thay vì một tập hợp các nhiệm vụ cố định, mẫu của chúng tôi chứa một hình thức thiên vị lựa chọn: người dùng mang các nhiệm vụ đến Claude mà họ tự tin hơn sẽ hoạt động.

Phân tích của chúng tôi cho thấy phạm vi thời gian hiệu quả của Claude có thể trông khác với những gì tìm thấy trong một nghiên cứu với một tập hợp các nhiệm vụ nhất quán. Chúng tôi sẽ theo dõi chỉ số này trong các báo cáo tiếp theo.

Bản chất công việc của Claude thay đổi như thế nào giữa các quốc gia?

Chúng tôi nhận thấy rằng Claude hoàn thành các loại nhiệm vụ rất khác nhau ở các quốc gia có các giai đoạn phát triển kinh tế khác nhau. Ở các quốc gia có GDP bình quân đầu người cao hơn, Claude được sử dụng thường xuyên hơn cho công việc hoặc sử dụng cá nhân — trong khi các quốc gia ở đầu kia của phổ có nhiều khả năng sử dụng nó cho các khóa học giáo dục. Điều này phù hợp với một câu chuyện đơn giản về “đường cong chấp nhận”, trong đó các quốc gia có thu nhập thấp hơn cho thấy một phần lớn việc sử dụng AI cho giáo dục và một số ít nhiệm vụ công việc, trong khi việc sử dụng AI đa dạng hóa hướng tới mục đích cá nhân khi các quốc gia trở nên giàu có hơn.

Những kết quả này phù hợp với nghiên cứu gần đây của Microsoft, kết hợp việc sử dụng AI trong giáo dục với thu nhập bình quân đầu người thấp hơn, và việc sử dụng AI cho giải trí với thu nhập cao hơn. Quan hệ đối tác gần đây của chúng tôi với chính phủ Rwanda và ALX, một nhà cung cấp đào tạo công nghệ, được thiết kế dựa trên điều này: những người tham gia bắt đầu bằng cách phát triển khả năng đọc hiểu AI, và chúng tôi đang thí điểm một chương trình cấp cho một số người tốt nghiệp quyền truy cập Claude Pro trong một năm, hỗ trợ quá trình chuyển đổi từ việc sử dụng giáo dục sang một loạt các ứng dụng rộng hơn.

Nghề nghiệp

Phạm vi phủ sóng

Trong báo cáo đầu tiên của chúng tôi, với dữ liệu từ tháng 1 năm 2025, chúng tôi nhận thấy rằng 36% công việc trong mẫu của chúng tôi có Claude được sử dụng cho ít nhất một phần tư nhiệm vụ của họ. Tổng hợp dữ liệu từ các báo cáo, con số này đã tăng lên 49%. Nhưng khi chúng tôi tính đến tỷ lệ thành công của Claude (mà chúng tôi cân nhắc theo tần suất người lao động thực hiện nhiệm vụ đó và thời gian nhiệm vụ đó kéo dài), chúng tôi có một bức tranh khác về những công việc nào bị ảnh hưởng nhiều nhất bởi việc sử dụng AI.

Trên biểu đồ bên dưới, chúng tôi vẽ thước đo trước đó về phạm vi nhiệm vụ của nghề nghiệp dọc theo trục x, và thước đo mới, đã điều chỉnh của chúng tôi trên trục y. Mặc dù hai thước đo này chắc chắn có tương quan, chúng tôi hiện nhận thấy rằng một số nghề nghiệp (như nhân viên nhập liệu và bác sĩ X quang) bị ảnh hưởng bởi AI nặng nề hơn nhiều so với những gì chỉ dựa trên phạm vi nhiệm vụ có thể gợi ý, trong khi những nghề nghiệp khác (như giáo viên và nhà phát triển phần mềm) bị ảnh hưởng tương đối ít hơn.

Tuy nhiên, ngay cả đánh giá đã sửa đổi của chúng tôi vẫn còn hạn chế: chúng tôi chỉ đánh giá các nhiệm vụ được thực hiện trên Claude.ai, và không phải lúc nào cũng rõ ràng các cuộc trò chuyện này có thể được ánh xạ như thế nào với những thay đổi trong thế giới thực. Đây là một lĩnh vực mà chúng tôi dự định đào sâu hơn trong tương lai.

Nội dung nhiệm vụ

Một câu hỏi tiếp theo chúng tôi đặt ra là liệu các nhiệm vụ mà AI bao phủ có đại diện cho các thành phần có kỹ năng cao hơn hay thấp hơn của một nghề nghiệp nhất định hay không. Sử dụng một ước tính mà chúng tôi tạo ra về mức độ kỹ năng cần thiết cho mỗi nhiệm vụ, chúng tôi nhận thấy rằng Claude có xu hướng bao phủ các nhiệm vụ đòi hỏi trình độ học vấn cao hơn — cụ thể là các nhiệm vụ đòi hỏi trung bình 14,4 năm học (tương đương với bằng cao đẳng Hoa Kỳ), so với mức trung bình của nền kinh tế là 13,2 (thể hiện bên dưới). Điều này phù hợp với phát hiện trước đó của chúng tôi rằng Claude được sử dụng thường xuyên hơn bởi những người lao động cổ cồn trắng.

Như một thử nghiệm, chúng tôi đã ước tính việc loại bỏ các nhiệm vụ được Claude bao phủ này sẽ thay đổi cấu trúc nhiệm vụ trong công việc của mọi người như thế nào. Như một hiệu ứng bậc đầu, điều này sẽ làm giảm kỹ năng công việc trung bình, vì nó sẽ loại bỏ các nhiệm vụ đòi hỏi trình độ học vấn cao hơn. Các ngành nghề như nhà văn kỹ thuật, đại lý du lịch và giáo viên sẽ bị ảnh hưởng (như chúng tôi thảo luận chi tiết hơn trong báo cáo), mặc dù một số ít hơn (như quản lý bất động sản) sẽ thấy ảnh hưởng đi theo hướng ngược lại.

Chúng tôi không nhất thiết dự đoán rằng việc giảm kỹ năng này sẽ xảy ra: có thể ngay cả khi AI tự động hóa hoàn toàn các nhiệm vụ mà nó hỗ trợ hiện tại, thị trường lao động sẽ điều chỉnh động theo những cách mà phân tích này không tính đến. (Tất nhiên, khi các mô hình cải thiện, thành phần các nhiệm vụ mà AI bao phủ cũng sẽ thay đổi.) Tuy nhiên, chúng tôi nghĩ rằng điều này cung cấp một tín hiệu hữu ích về những tác động tức thời nhất mà AI có thể có đối với các nghề nghiệp trong tương lai gần.

Tác động tổng hợp

Trong nghiên cứu trước đây của chúng tôi, chúng tôi đã ước tính rằng việc áp dụng rộng rãi AI có thể làm tăng trưởng năng suất lao động của Hoa Kỳ lên 1,8 điểm phần trăm mỗi năm trong mười năm tới — gấp khoảng hai lần so với tốc độ xu hướng. Các nguyên tắc mới của chúng tôi cho phép chúng tôi xem xét lại phân tích này.

Dựa trên ước tính của chúng tôi về tốc độ nhiệm vụ, chúng tôi đã tái tạo lại kết quả trước đó của mình về mức tăng 1,8 điểm phần trăm (ngay cả khi chúng tôi bổ sung dữ liệu API của mình). Nhưng khi chúng tôi tính đến độ tin cậy của nhiệm vụ — tức là, khi chúng tôi điều chỉnh ước tính về tiết kiệm thời gian ở cấp độ nhiệm vụ theo xác suất nhiệm vụ thành công — ước tính của chúng tôi giảm khoảng một phần ba đối với các nhiệm vụ được hoàn thành trên Claude.ai (xuống còn 1,2 điểm phần trăm mỗi năm), và giảm nhẹ hơn một chút (xuống 1,0 điểm phần trăm) đối với các nhiệm vụ thường thử thách hơn được hoàn thành trên API của chúng tôi.

Ngay cả mức tăng 1 điểm phần trăm về tốc độ tăng trưởng năng suất lao động hàng năm vẫn sẽ đáng chú ý: nó sẽ đưa tốc độ tăng trưởng năng suất của Hoa Kỳ trở lại mức của cuối những năm 1990 và đầu những năm 2000. Và, như chúng tôi đã đề cập trong nghiên cứu trước đây của mình, ước tính tổng thể này không tính đến khả năng các mô hình AI trở nên mạnh mẽ hơn nhiều, hoặc việc sử dụng AI tại nơi làm việc trở nên tinh vi hơn — điều này có thể đẩy con số lên cao hơn nhiều. Thật vậy, kể từ cuộc khảo sát của chúng tôi, Claude đã trở nên mạnh mẽ hơn đáng kể, với việc phát hành Claude Opus 4.5.

Cập nhật các biện pháp trước đây của chúng tôi

Ngoài các nguyên tắc của mình, chúng tôi đã thu thập một vòng dữ liệu mới về các biện pháp mà chúng tôi đã theo dõi trong các báo cáo trước đây. Điều này cho phép chúng tôi xác định các xu hướng sử dụng AI trong suốt năm 2025, từ tháng 1 đến tháng 11. Ở đây, chúng tôi chủ yếu chỉ tìm thấy những thay đổi nhỏ từ kết quả của các phân tích trước đây, cho thấy sự phân bố không đồng đều về việc sử dụng Claude.

Đầu tiên, chúng tôi nhận thấy rằng việc sử dụng Claude vẫn tập trung cao độ vào các nhiệm vụ nhất định: ngay cả khi mẫu của chúng tôi bao gồm 3.000 nhiệm vụ công việc độc đáo trên Claude.ai, mười nhiệm vụ hàng đầu chiếm 24% của tập hợp này, con số này đã tăng đều đặn từ 21% vào tháng 1 năm 2025. Cụ thể hơn, các nhiệm vụ máy tính và toán học tiếp tục chiếm ưu thế trong việc sử dụng Claude: chúng chiếm khoảng một phần ba tất cả các cuộc trò chuyện trên Claude.ai và gần một nửa lưu lượng truy cập API của chúng tôi.

Thứ hai, báo cáo mới của chúng tôi cho thấy rằng sự bổ trợ (52% các cuộc trò chuyện) đã vượt qua sự tự động hóa (45%) như là mô hình tương tác phổ biến nhất với Claude trên Claude.ai. Đây là một sự đảo ngược so với những gì chúng tôi thấy trong mẫu tháng 8 của mình (khi tự động hóa dẫn trước 49% so với 47%), nhưng, khi chúng tôi đánh giá câu hỏi này trong một khung thời gian dài hơn, chúng tôi vẫn thấy sự gia tăng chậm rãi về tỷ lệ tự động hóa các nhiệm vụ: bổ trợ dẫn trước 55% so với 41% vào tháng 1 năm ngoái, và 55% so với 42% vào tháng 3.

Thứ ba, phân tích mới nhất của chúng tôi cho thấy rằng sự tập trung địa lý của việc sử dụng AI (như chúng tôi đã thảo luận lần trước) vẫn còn rõ rệt. Hoa Kỳ, Ấn Độ, Nhật Bản, Vương quốc Anh và Hàn Quốc vẫn dẫn đầu về tổng thể việc sử dụng Claude.ai, và việc áp dụng vẫn được giải thích tốt bởi GDP bình quân đầu người. Tuy nhiên, ở Hoa Kỳ, chúng tôi đã quan sát thấy những thay đổi lớn hơn: việc sử dụng Claude đã trở nên phân bổ đều hơn đáng kể trên các tiểu bang Hoa Kỳ. Trên thực tế, nếu xu hướng này được duy trì, mô hình của chúng tôi dự đoán rằng việc sử dụng Claude sẽ được cân bằng trên toàn quốc trong vòng hai đến năm năm. Chúng tôi thảo luận chi tiết hơn về mô hình này trong báo cáo.

Kết luận

Kết luận tức thời nhất từ báo cáo Chỉ số Kinh tế mới nhất của chúng tôi là tác động của AI đối với lực lượng lao động toàn cầu vẫn còn rất không đồng đều: việc sử dụng AI vẫn tập trung ở các quốc gia và nghề nghiệp cụ thể, và nó ảnh hưởng đến một số nghề nghiệp theo cách rất khác so với những nghề nghiệp khác, như bằng chứng về phạm vi nhiệm vụ cho thấy.

Nói chung hơn, báo cáo này đã cung cấp cho chúng tôi một đường cơ sở mới để so sánh với các cuộc khảo sát trong tương lai. Khi Claude cải thiện, chúng tôi kỳ vọng nó sẽ được yêu cầu đảm nhận các nhiệm vụ khó khăn hơn và nó có khả năng sẽ đạt được thành công lớn hơn. Chúng tôi cũng kỳ vọng rằng các nhiệm vụ có thể chuyển từ Claude.ai sang API (tức là, từ chủ yếu người tiêu dùng sang chủ yếu doanh nghiệp) khi chúng trở nên đáng tin cậy hơn — và nếu điều này xảy ra, nó sẽ cung cấp cho chúng tôi một chỉ báo khác về các tác động kinh tế sắp tới, do tầm quan trọng của việc doanh nghiệp áp dụng đối với tác động của AI đối với năng suất. Thông qua các nguyên tắc của mình, chúng tôi sẽ có thể đo lường cách những thay đổi như vậy bắt đầu ảnh hưởng đến các kết quả trong thế giới thực, bao gồm cả bản chất công việc của mọi người, và những người nào (và ở đâu) có khả năng bị ảnh hưởng nhiều nhất trong giai đoạn chuyển đổi công nghệ nhanh chóng này.

Trong thời gian chờ đợi, các nhà nghiên cứu, nhà báo và công chúng có thể sử dụng dữ liệu của chúng tôi để thông tin cho nghiên cứu và suy nghĩ của riêng họ, và cung cấp một nền tảng thực nghiệm cho các phản ứng chính sách tiềm năng mà chúng tôi có thể cần. Để biết thêm chi tiết về từng lĩnh vực chúng tôi đã thảo luận ở trên, hãy xem báo cáo đầy đủ của chúng tôi.

---

Chú thích cuối trang

1. Như với các báo cáo trước đây, tất cả các phân tích của chúng tôi đều dựa trên phân tích bảo toàn quyền riêng tư. Trong suốt báo cáo, chúng tôi phân tích một mẫu ngẫu nhiên gồm 1 triệu cuộc trò chuyện từ các cuộc trò chuyện Claude.ai Miễn phí, Pro và Max (chúng tôi cũng gọi đây là “dữ liệu người tiêu dùng” vì nó chủ yếu đại diện cho việc sử dụng của người tiêu dùng) và 1 triệu bản ghi từ lưu lượng truy cập API của chúng tôi (chúng tôi cũng gọi đây là “dữ liệu doanh nghiệp” vì nó chủ yếu đại diện cho việc sử dụng của doanh nghiệp).
2. Cụ thể hơn,
   • Độ phức tạp của nhiệm vụ nắm bắt rằng các nhiệm vụ có thể khác nhau về độ phức tạp, bao gồm cả thời gian hoàn thành và mức độ khó khăn. Một nhiệm vụ “gỡ lỗi” trong O*NET có thể đề cập đến việc Claude sửa một lỗi nhỏ trong một hàm hoặc tái cấu trúc toàn diện một cơ sở mã — với các tác động rất khác nhau đối với nhu cầu lao động. Chúng tôi đo lường độ phức tạp thông qua thời gian ước tính của con người để hoàn thành nhiệm vụ mà không có AI, thời gian dành để hoàn thành nhiệm vụ có AI và liệu người dùng có xử lý nhiều nhiệm vụ trong một cuộc trò chuyện hay không.
   • Kỹ năng của con người và AI đề cập đến cách tự động hóa tương tác với mức độ kỹ năng. Nếu AI thay thế không cân xứng các nhiệm vụ đòi hỏi ít chuyên môn trong khi bổ sung cho công việc có kỹ năng cao hơn, nó có thể là một hình thức thay đổi kỹ thuật thiên vị kỹ năng — làm tăng nhu cầu đối với người lao động có kỹ năng cao trong khi thay thế người lao động có kỹ năng thấp hơn. Chúng tôi đo lường liệu người dùng có thể hoàn thành nhiệm vụ mà không có Claude hay không, và số năm học cần thiết để hiểu cả câu lệnh của người dùng và phản hồi của Claude.
   • Trường hợp sử dụng phân biệt giữa sử dụng chuyên nghiệp, giáo dục và cá nhân. Các tác động thị trường lao động theo sát nhất từ việc sử dụng tại nơi làm việc, trong khi việc sử dụng giáo dục có thể báo hiệu nơi lực lượng lao động tương lai đang xây dựng các kỹ năng bổ sung cho AI.
   • Sự tự chủ của AI đo lường mức độ người dùng ủy quyền quyết định cho Claude. Báo cáo mới nhất của chúng tôi đã ghi nhận sự gia tăng việc sử dụng “chỉ thị” khi người dùng ủy quyền hoàn toàn các nhiệm vụ. Theo dõi mức độ tự chủ — từ hợp tác chủ động đến ủy quyền hoàn toàn — giúp dự báo tốc độ tự động hóa.
   • Thành công của nhiệm vụ đo lường đánh giá của Claude về việc Claude có hoàn thành nhiệm vụ một cách thành công hay không. Thành công của nhiệm vụ giúp đánh giá liệu các nhiệm vụ có thể được tự động hóa một cách hiệu quả (liệu một nhiệm vụ có thể được tự động hóa hay không) và hiệu quả (cần bao nhiêu lần thử để tự động hóa một nhiệm vụ?). Nghĩa là, thành công của nhiệm vụ quan trọng cho cả tính khả thi và chi phí tự động hóa các nhiệm vụ lao động.
3. Thật vậy, một số bằng chứng lịch sử cho thấy rằng khi các công nghệ tự động hóa các nhiệm vụ công việc xuất hiện trong dữ liệu bằng sáng chế, việc làm và tiền lương sau đó giảm đối với các nghề nghiệp bị phơi nhiễm.

---

Link bài viết gốc

• Tags:
• Ai
• 15 Tháng 1, 2026
• Www.anthropic.com