Ju vanare AI-användare, desto mer iteration och mindre delegering. Datat är förenligt med att användning övas upp. Då är väntan på bättre verktyg uppskjutet lärande.
Det mest intressanta i Anthropics senaste användardata är inte att vana användare lyckas oftare. Det är vad de slutar göra: delegera. I rapporten Learning curves, byggd på en miljon konversationer från februari 2026, itererar användare med lång vana mer, använder Claude mer i arbetet och släpper mindre ansvar till modellen i svepande uppdrag. Erfarenheten går alltså inte mot mer autopilot, utan mot mindre.
Nybörjaren behandlar modellen som en expert: ställer frågan, tar svaret. Den vana behandlar den som en lovande praktikant. Praktikanten får uppgifter, får följdfrågor, får beröm när det är förtjänt, och får aldrig sista ordet. Det är inte misstro. Det är en arbetsdelning som någon har kommit fram till genom att pröva.
Siffrorna pekar åt samma håll. Användare med minst sex månaders vana lyckas oftare i sina konversationer, och försprånget överlever kontrollerna: fyra procentenheter kvarstår när uppgiftstyp, modell, användningsfall, land och språk hålls konstanta. Rapporten kallar resultatet förenligt med learning-by-doing och drar inte mer än så. Måttet är därtill Claudes egen bedömning av om konversationen lyckades, och rapporten pekar själv på alternativa förklaringar: de som fortsätter använda verktyget kan vara de vars uppgifter passar det, och tidiga användare kan vara mer tekniska än sena. Korrelation, inte bevisad orsak.
Ett experiment med en helt annan metod pekar åt samma håll, men bara om man läser det hela vägen. I en separat Anthropic-studie fick 52 utvecklare lära sig ett nytt kodbibliotek, en grupp med AI-hjälp och en utan. Huvudresultatet går emot verktyget: AI-gruppen fick 50 procent på kunskapstestet efteråt, handkodarna 67. Ungefär två betygssteg, med den största skillnaden på felsökningsfrågorna.
Inne i AI-gruppen spretade det däremot. De som klarade sig bäst var de som använde modellen aktivt: bad om förklaringar, ställde begreppsfrågor, felsökte själva. De hamnade i nivå med handkodarna. De som bara lät den generera blev klara snabbast och lärde sig minst. Ingen av källorna hänvisar till den andra, men de beskriver samma beteende. Det vana användare gör mer av i användardatan är precis det som höll kunskapstappet nere i experimentet.
Detta skaver mot hur AI-verktygen beskrivs: utan tröskel, bara att skriva. Det är sant att verktyget svarar vem som helst. Men att konsekvent få ut bra arbete ur det ser ut att vara något man övar upp, och i så fall är ”vänta tills verktygen blir bättre” ingen neutral paus. Verktygen blir bättre för varje månad. Inlärningskurvan börjar ändå först den dag användandet gör det.
Om försprånget beror på övning, är frågan inte om verktyget är tillräckligt bra. Frågan är hur lång din egen kurva är den dag du börjar.
Fråga upplyst.ai
Varför spelar det roll?
Om AI-vana övas upp är beslutet att vänta med AI inte neutralt. Verktygen blir bättre av sig själva, men den egna kurvan börjar först vid användning, och försprånget hos vana användare består även när uppgiften hålls konstant.
Vad är bakgrunden?
Anthropics rapport Learning curves (mars 2026) bygger på en miljon konversationer från Claude.ai och API:t, analyserade genom ett integritetsskyddande system utan att enskilda transkript läses. Användare med minst sex månaders vana jämförs med nyare, med kontroller för uppgiftstyp, modell, land och språk. Den separata studien är ett randomiserat experiment där 52 utvecklare lärde sig ett nytt kodbibliotek med eller utan AI-hjälp.
Vad är osäkert?
Rapportens mått på lyckande är Claudes egen bedömning av konversationen. Sambandet är en korrelation, och rapporten anger själv survivorship bias och kohorteffekter som alternativa förklaringar. Studien är liten, 52 deltagare, och mäter förståelse direkt efter uppgiften. Kopplingen mellan de två källorna är upplysts egen slutledning, ingen av källorna gör den.