El uso de Claude se está volviendo más diverso, pero no necesariamente más homogéneo. En febrero de 2026, las conversaciones en Claude.ai se repartieron entre un abanico más amplio de tareas que en noviembre de 2025, mientras que en la API siguieron ganando peso los flujos más automatizados, especialmente en trabajo técnico.
Hay otra idea que atraviesa todo el análisis: la experiencia importa. Quienes llevan más tiempo usando Claude no solo lo emplean para tareas más complejas y más vinculadas al trabajo, sino que además obtienen más éxito en sus conversaciones. El patrón no se explica solo por el tipo de tarea, el país o el modelo elegido. Lo que aparece es algo más relevante: con el uso, también se aprende a trabajar mejor con la IA.
Un uso más diverso en Claude.ai
En Claude, el reparto de tareas se ha vuelto menos concentrado. Las 10 tareas más frecuentes representaban el 24% del tráfico en noviembre de 2025 y pasaron a representar el 19% en febrero de 2026.
Ese cambio no significa que hayan aparecido muchas tareas nuevas. De hecho, casi todas ya habían aparecido en muestras anteriores. Lo que cambia es la distribución del uso: Claude ya no está tan concentrado en unos pocos tipos de trabajo.
Aun así, la programación sigue ocupando un lugar central. Las tareas asociadas a ocupaciones de informática y matemáticas representan el 35% de las conversaciones en Claude.
El cambio de mezcla también modifica el valor medio de las tareas
A medida que el uso se diversifica, también cambia el tipo de trabajo que pasa por Claude. El valor económico medio de las tareas realizadas allí, medido a partir del salario horario en Estados Unidos asociado a esas ocupaciones, bajó ligeramente de 49,3 a 47,9 dólares.
El movimiento no apunta a una caída brusca, sino a un desplazamiento en la mezcla de tareas. En Claude aumentaron consultas más simples y personales, como resultados deportivos, comparaciones de productos o cuestiones relacionadas con el mantenimiento del hogar, mientras parte de la programación se trasladó a la API.
Ese desplazamiento también aparece en otros indicadores:
- Los años medios de educación asociados a los inputs humanos bajaron de 12,2 a 11,9.
- Los usuarios concedieron más autonomía a la IA.
- El tiempo estimado para hacer la tarea sin IA cayó alrededor de 2 minutos.
En paralelo, el peso de las conversaciones personales en Claude subió del 35% al 42%, mientras que el coursework cayó del 19% al 12%.
Claude.ai y la API no están evolucionando igual
Una de las diferencias más claras del análisis es que Claude y la API no están siguiendo exactamente la misma trayectoria.
En Claude, el uso se diversifica. En la API, en cambio, determinadas tareas se están consolidando más, sobre todo las relacionadas con programación y automatización. Desde agosto de 2025, la proporción de tareas de informática y matemáticas subió un 14% en la API y cayó un 18% en Claude.
Parte de ese movimiento se explica por el crecimiento de Claude Code dentro del tráfico de la API. Su arquitectura divide el trabajo en llamadas más pequeñas, que aparecen etiquetadas como tareas distintas. Por eso, la programación gana peso en la API sin concentrarse necesariamente en unas pocas categorías.
También aparecen con más frecuencia dos tipos de flujos automatizados en la API que duplicaron al menos su peso en la muestra más reciente:
- Automatización comercial y de outreach: generación de materiales de ventas, investigación para cualificación de leads B2B, enriquecimiento de datos de clientes y redacción de correos en frío.
- Operativa automatizada de trading y mercados: monitorización de mercados o posiciones, propuesta de inversiones concretas e información para traders sobre condiciones de mercado.
La colaboración con la IA crece ligeramente
El uso de Claude no solo cambia por tipo de tarea, sino también por la forma en que se interactúa con el sistema.
Dentro de Claude, la tasa de augmentative usage (interacciones colaborativas en las que la IA complementa al usuario) subió ligeramente. El aumento vino impulsado por pequeños incrementos en patrones de validación y aprendizaje.
En la API ocurrió lo contrario en otro frente: la automatización se redujo con fuerza en los datos analizados del 1P API, aunque este entorno sigue estando mucho más orientado a flujos directivos y con menor intervención humana que Claude.
La elección del modelo depende del tipo de tarea
Otra señal interesante es que los usuarios ajustan el modelo al tipo de trabajo. Cuando la tarea es más exigente o está asociada a ocupaciones con salarios más altos, se recurre más a Opus, la familia de modelos más potente.
Entre los usuarios de pago de Claude:
- El 55% de las tareas de informática y matemáticas usan Opus.
- En tareas educativas, el uso de Opus baja al 45%.
Visto por ocupación, la diferencia es todavía más visible:
- El 34% de las tareas de software developer usan Opus.
- En tutoría, solo el 12%.
Además, por cada 10 dólares extra de salario horario asociado a una tarea, la proporción de conversaciones que usan Opus sube 1,5 puntos porcentuales en Claude.ai. En la API, ese efecto es más fuerte: 2,8 puntos porcentuales por cada 10 dólares de valor de la tarea.
La señal es bastante clara: los usuarios reservan el modelo más potente para trabajos de mayor complejidad o mayor valor.
La experiencia cambia la forma de usar Claude
Uno de los bloques más sólidos del análisis está en la relación entre antigüedad de uso y resultados.
Los usuarios con más antigüedad (definidos aquí como quienes se registraron al menos seis meses antes de la extracción de datos) muestran un patrón distinto al de los usuarios más recientes. Usan Claude más para trabajo, más para iterar, menos para usos personales y en tareas que requieren mayor nivel educativo.
En términos concretos:
- Tienen un 10% menos de conversaciones personales.
- Sus inputs reflejan un nivel educativo un 6% más alto.
- Son 7 puntos porcentuales más propensos a usar Claude para trabajo.
- Sus tareas están menos concentradas en un pequeño grupo de usos.
- Colaboran más con Claude y delegan menos mediante patrones directivos.
También aparece una relación continua entre tiempo de uso y complejidad:
- Los años de escolarización necesarios para entender el prompt aumentan casi un año por cada año adicional de uso de Claude.
- Quienes se registraron un año antes dedican el 38% de sus conversaciones a usos personales, frente al 44% de los usuarios más nuevos.
Los usuarios con más antigüedad también tienen más éxito
El punto más llamativo del análisis está en la tasa de éxito de las conversaciones.
Los usuarios de mayor antigüedad tienen alrededor de 5 puntos porcentuales más de probabilidad de tener una conversación exitosa. Cuando se controla por tareas concretas, esa diferencia se modera, pero sigue siendo positiva. Con controles más amplios, el efecto se mantiene en torno a 4 puntos porcentuales.
Eso sugiere que la diferencia no se explica simplemente porque estos usuarios hagan otro tipo de tareas o estén en otros países. La interpretación más plausible que se plantea aquí es que, con el tiempo, algunas personas aprenden a obtener mejores resultados de la IA.
La conclusión se formula con prudencia, porque también pueden influir otros factores:
- Los primeros adoptantes pueden ser más técnicos;
- Existe un posible sesgo de supervivencia;
- Quienes siguen usando Claude después de más tiempo pueden ser precisamente quienes han encontrado tareas para las que la herramienta les funciona mejor.
Aun así, los controles aplicados descartan explicaciones simples basadas solo en el tipo de tarea, el idioma, el uso o el país.
La adopción sigue siendo desigual
La expansión de Claude no está ocurriendo al mismo ritmo en todos los lugares.
Dentro de Estados Unidos, la convergencia entre estados continuó, aunque más despacio que antes. La cuota de uso per cápita concentrada en los cinco estados con mayor uso cayó del 30% al 24% entre agosto de 2025 y febrero de 2026. La desigualdad territorial disminuyó, pero a un ritmo menor que en estimaciones anteriores.
A escala internacional, el patrón va en la dirección contraria. El uso se concentró algo más: los 20 países con mayor uso per cápita pasaron de representar el 45% al 48% del uso total ajustado por población.
La adopción, por tanto, no solo es desigual. También corre el riesgo de reforzar diferencias ya existentes.
Lo que este cambio deja ver
En conjunto, el panorama es bastante consistente.
Claude sigue utilizándose para trabajo complejo y de alto valor, pero el crecimiento de la base de usuarios está ampliando la variedad de tareas y haciendo que aumente el peso relativo de usos menos especializados, sobre todo en Claude.
Al mismo tiempo, los usuarios más experimentados:
- Colaboran más con la IA;
- La usan más para trabajo;
- Le llevan tareas más complejas;
- Obtienen mejores resultados.
Eso encaja con una idea de aprendizaje por uso. Cuanto más tiempo se trabaja con la IA, más capacidad parece haber para ajustar expectativas, elegir mejor el modelo y formular interacciones que terminan funcionando.
También deja abierta una tensión importante. Si quienes adoptan antes, tienen tareas de más valor y aprenden más rápido son también quienes obtienen más beneficio, las diferencias iniciales podrían ampliarse con el tiempo en lugar de reducirse.
Fuente
Maxim Massenkoff, Eva Lyubich, Peter McCrory, Ruth Appel y Ryan Heller, “Anthropic Economic Index report: Learning curves”, Anthropic, fecha no indicada en el texto pegado.