What is the Anthropic AI Fluency Index?

The Anthropic AI Fluency Index is a new metric developed by Anthropic to assess how well individuals are developing skills to effectively use AI tools. Moving beyond mere adoption, the index tracks 11 directly observable behaviors that represent safe and effective human-AI collaboration, based on the 4D AI Fluency Framework. It aims to provide a baseline measurement of user proficiency, helping to understand how these critical skills evolve as AI technology becomes more integrated into daily life. The initial study analyzed nearly 10,000 conversations on Claude.ai to identify key patterns in user interaction and skill development.

How is AI fluency measured by Anthropic?

AI fluency is measured by tracking the presence or absence of 11 specific behavioral indicators during user interactions with Claude on Claude.ai. These indicators are derived from the broader 4D AI Fluency Framework, which defines 24 behaviors of safe and effective human-AI collaboration. For the initial study, Anthropic utilized a privacy-preserving analysis tool to examine 9,830 multi-turn conversations over a 7-day period. Behaviors like 'iteration and refinement,' 'questioning reasoning,' and 'identifying missing context' were observed and classified as present or absent within each conversation, providing a quantitative baseline for AI proficiency.

What is the 'iteration and refinement effect' in AI fluency?

The 'iteration and refinement effect' refers to the strong correlation found between users who build on previous exchanges to refine their work with AI, and the display of other key AI fluency behaviors. Conversations exhibiting iteration and refinement—meaning users don't just accept the first AI response but actively engage in follow-up questions, pushbacks, and adjustments—showed significantly higher rates of other fluency indicators. For instance, these iterative conversations were 5.6 times more likely to involve users questioning Claude's reasoning and 4 times more likely to identify missing context, underscoring the importance of sustained, dynamic engagement for developing AI proficiency.

Why do users become less evaluative when creating artifacts with AI?

Anthropic's research found that when users engage AI to create artifacts such as code, documents, or interactive tools, they tend to become more directive but paradoxically less evaluative. This means users are more likely to clarify goals and provide examples, but less likely to question the model's reasoning, identify missing context, or check facts. Possible explanations include the polished appearance of AI-generated outputs, which might lead users to prematurely trust the results, or the nature of certain tasks where functional aesthetics might outweigh factual precision. Regardless, this pattern highlights a critical area for improvement in human-AI collaboration, emphasizing the need for continued critical assessment even with seemingly complete outputs.

How can individuals improve their AI fluency according to Anthropic?

Anthropic suggests three key areas for individuals to enhance their AI fluency. First, 'staying in the conversation' means treating initial AI responses as starting points, asking follow-up questions, and actively refining outputs. Second, 'questioning polished outputs' involves critically evaluating AI-generated artifacts for accuracy, completeness, and logical soundness, even if they appear perfect. Third, 'setting the terms of the collaboration' encourages users to explicitly instruct AI on how to interact, for example, by asking it to explain its reasoning or push back on assumptions. These practices aim to foster deeper engagement and critical thinking in human-AI interactions.

What are the limitations of the AI Fluency Index study?

The initial AI Fluency Index study has several important limitations. The sample is restricted to Claude.ai users engaging in multi-turn conversations during a single week in January 2026, which likely skews towards early adopters and may not represent the broader population. The study also only assesses 11 out of 24 behaviors from the 4D AI Fluency Framework, focusing solely on directly observable interactions within the chat interface, thus missing crucial ethical and responsible use behaviors that occur externally. Furthermore, the binary classification of behaviors might overlook nuanced demonstrations, and it cannot account for 'implicit behaviors' where users might mentally evaluate AI outputs without verbalizing their critical assessment in the chat.

تسلط در اولویت: شاخص هوش مصنوعی Anthropic برای همکاری ماهرانه

ادغام سریع ابزارهای هوش مصنوعی در روال‌های روزمره چیزی کمتر از شگفت‌انگیز نبوده است. با این حال، با تبدیل شدن هوش مصنوعی به حضوری فراگیر، یک سوال حیاتی مطرح می‌شود: آیا کاربران صرفاً این ابزارها را پذیرفته‌اند یا مهارت‌های لازم برای بهره‌برداری مؤثر از آن‌ها را توسعه می‌دهند؟ Anthropic، پیشرو در توسعه هوش مصنوعی مسئولانه، قصد دارد با شاخص تسلط هوش مصنوعی انقلابی خود، به این سوال پاسخ دهد؛ گزارشی جدید که برای اندازه‌گیری و ردیابی تکامل مهارت‌های همکاری انسان و هوش مصنوعی طراحی شده است.

گزارش‌های آموزشی قبلی Anthropic روشن ساختند که چگونه دانشجویان دانشگاهی و مربیان از مدل‌های پیشرفته‌ای مانند Claude برای وظایفی از تولید گزارش گرفته تا برنامه‌ریزی درسی استفاده می‌کنند. با این حال، این مطالعات عمدتاً بر آنچه کاربران انجام می‌دادند تمرکز داشتند. شاخص تسلط هوش مصنوعی عمیق‌تر می‌شود و میزان خوب بودن تعامل افراد با هوش مصنوعی را بررسی می‌کند و چارچوبی برای درک "تسلط" با این فناوری دگرگون‌کننده معرفی می‌کند.

رمزگشایی تسلط هوش مصنوعی: چارچوب 4D

برای کمّی‌سازی تسلط هوش مصنوعی، Anthropic با پروفسور ریک داکان و جوزف فلر همکاری کرد تا چارچوب 4D تسلط هوش مصنوعی را توسعه دهد. این چارچوب جامع، ۲۴ رفتار خاص را شناسایی می‌کند که نمونه‌ای از همکاری ایمن و مؤثر انسان و هوش مصنوعی هستند. برای اهداف این مطالعه اولیه، Anthropic بر ۱۱ رفتار تمرکز کرد که مستقیماً در رابط چت Claude.ai قابل مشاهده هستند. ۱۳ رفتار باقیمانده، که شامل جنبه‌های حیاتی مانند صادق بودن در مورد نقش هوش مصنوعی در کار یا در نظر گرفتن پیامدهای خروجی‌های تولید شده توسط هوش مصنوعی می‌شوند، خارج از چت رخ می‌دهند و در تحقیقات کیفی آینده ارزیابی خواهند شد.

تیم تحقیقاتی با استفاده از یک ابزار تحلیل حفظ حریم خصوصی، ۹,۸۳۰ مکالمه چند مرحله‌ای را در Claude.ai در یک دوره ۷ روزه در ژانویه ۲۰۲۶ با دقت بررسی کرد. این مجموعه داده گسترده، یک مبنای قوی برای اندازه‌گیری وجود یا عدم وجود ۱۱ رفتار قابل مشاهده تسلط، فراهم کرد که منجر به ایجاد شاخص تسلط هوش مصنوعی شد. این شاخص، تصویری از الگوهای همکاری کنونی و پایه‌ای برای ردیابی تکامل آن‌ها با پیشرفت مدل‌های هوش مصنوعی ارائه می‌دهد.

قدرت تکرار و بهبود در تعامل با هوش مصنوعی

یکی از قانع‌کننده‌ترین یافته‌ها از شاخص تسلط هوش مصنوعی، همبستگی قوی بین تکرار و بهبود و تقریباً تمام رفتارهای دیگر تسلط هوش مصنوعی است. این مطالعه نشان داد که ۸۵.۷٪ از مکالمات شامل کاربرانی بود که بر اساس تبادلات قبلی کار خود را بهبود می‌بخشیدند، به جای اینکه صرفاً پاسخ اولیه را بپذیرند. این مکالمات تکراری نرخ‌های به‌طور قابل‌توجهی بالاتری از سایر رفتارهای تسلط را نشان دادند، که عملاً تبحر مشاهده شده در چت‌های سریع و رفت و برگشتی را دو برابر می‌کند.

تأثیر تکرار بر رفتارهای تسلط هوش مصنوعی

شاخص رفتاری	مکالمات همراه با تکرار و بهبود (n=8,424)	مکالمات بدون تکرار و بهبود (n=1,406)	عامل افزایش (تکراری در مقابل غیرتکراری)
زیر سوال بردن استدلال Claude	بالا	پایین	5.6x
شناسایی زمینه از دست رفته	بالا	پایین	4x
روشن کردن هدف	بالا	متوسط	~2x
تعیین قالب	بالا	متوسط	~2x
ارائه مثال	بالا	متوسط	~2x
میانگین رفتارهای تسلط اضافی	2.67	1.33	2x

جدول: نشان‌دهنده افزایش شیوع رفتارهای تسلط در مکالمات همراه با تکرار و بهبود.

این "اثر تکرار و بهبود" بر اهمیت برخورد با هوش مصنوعی به عنوان یک شریک فکری، به جای یک صرفاً یک مسئول وظیفه، تأکید می‌کند. کاربرانی که فعالانه در یک گفتگو شرکت می‌کنند، با رد کردن و بهبود پرس‌وجوهای خود، به طور قابل توجهی بیشتر احتمال دارد خروجی‌های هوش مصنوعی را به صورت انتقادی ارزیابی کنند، استدلال آن را زیر سوال ببرند و زمینه حیاتی از دست رفته را شناسایی کنند. این با مفهوم گردش کارهای عاملی (agentic workflows) همسو است، جایی که نظارت انسانی و بازخورد تکراری نتایج بهتری را به ارمغان می‌آورد، همانطور که در بحث‌های مربوط به پلتفرم‌هایی مانند گردش کارهای عاملی GitHub بررسی شده است.

شمشیر دولبه تولید خروجی‌های هوش مصنوعی

در حالی که تکرار باعث افزایش تسلط کلی می‌شود، این گزارش الگوی ظریفی را کشف کرد وقتی کاربران از هوش مصنوعی می‌خواهند تا خروجی‌هایی مانند کد، اسناد یا ابزارهای تعاملی تولید کند. این مکالمات، که ۱۲.۳٪ از نمونه را تشکیل می‌دادند، نشان دادند که کاربران بیشتر دستوردهنده می‌شوند اما به طرز شگفت‌انگیزی کمتر ارزیابی‌گر.

هنگام ایجاد خروجی‌ها، کاربران بیشتر احتمال داشت اهداف خود را روشن کنند (۱۴.۷ واحد درصد بیشتر)، قالب‌ها را مشخص کنند (۱۴.۵pp) و مثال‌هایی ارائه دهند (۱۳.۴pp). با این حال، این افزایش دستوردهی به بینش بیشتر منجر نشد. در واقع، کاربران به طور قابل توجهی کمتر احتمال داشت که زمینه از دست رفته را شناسایی کنند (۵.۲pp کمتر)، حقایق را بررسی کنند (۳.۷pp کمتر) یا استدلال مدل را زیر سوال ببرند (۳.۱pp کمتر). این روند به ویژه نگران‌کننده است با توجه به اینکه وظایف پیچیده، که اغلب با ایجاد خروجی‌ها مرتبط هستند، جایی است که مدل‌های هوش مصنوعی مانند Claude Opus 4.6 یا حتی مدل‌های پیشرفته‌ای مانند GPT-5 (اگر در دسترس عموم بود، هرچند لینک به نسخه آتی یا فرضی اشاره دارد) به احتمال زیاد با مشکل مواجه می‌شوند.

این پدیده می‌تواند به خروجی‌های صیقلی و کاربردی هوش مصنوعی که اغلب تولید می‌کند، نسبت داده شود، که ممکن است کاربران را به حس کاذبی از تکمیل کار سوق دهد. چه در طراحی رابط کاربری (UI) باشد و چه در تهیه یک تحلیل حقوقی، توانایی بررسی انتقادی خروجی هوش مصنوعی همچنان از اهمیت بالایی برخوردار است. با پیچیده‌تر شدن مدل‌های هوش مصنوعی، خطر پذیرش بی‌انتقاد خروجی‌های به ظاهر بی‌نقص افزایش می‌یابد، که مهارت‌های ارزیابی را بیش از پیش ارزشمند می‌سازد.

پرورش تسلط خود بر هوش مصنوعی

خبر خوب این است که تسلط بر هوش مصنوعی، مانند هر مهارت دیگری، قابل توسعه است. Anthropic بر اساس یافته‌های خود، توصیه‌های عملی برای کاربرانی ارائه می‌دهد که به دنبال تقویت همکاری انسان و هوش مصنوعی خود هستند:

۱. ماندن در مکالمه: پاسخ‌های اولیه هوش مصنوعی را به عنوان نقطه شروع بپذیرید. در سوالات بعدی شرکت کنید، مفروضات را به چالش بکشید و درخواست‌های خود را به صورت تکراری بهبود بخشید. این مشارکت فعال قوی‌ترین پیش‌بینی‌کننده سایر رفتارهای تسلط است. ۲. زیر سوال بردن خروجی‌های صیقلی: وقتی یک مدل هوش مصنوعی چیزی تولید می‌کند که کامل و دقیق به نظر می‌رسد، مکث کنید و تفکر انتقادی را به کار ببرید. بپرسید: آیا این واقعاً دقیق است؟ آیا چیزی از قلم افتاده است؟ آیا استدلال آن منطقی است؟ اجازه ندهید ظاهر صیقلی، ارزیابی انتقادی را تحت‌الشعاع قرار دهد. ۳. تعیین شرایط همکاری: فعالانه نحوه تعامل هوش مصنوعی با خودتان را تعریف کنید. دستورالعمل‌های صریح مانند 'اگر مفروضاتم اشتباه است، مخالفت کن'، 'مرا با استدلال خودت آشنا کن' یا 'بگو در مورد چه چیزی مطمئن نیستی' می‌تواند پویایی را به طور اساسی تغییر دهد و یک همکاری شفاف‌تر و قوی‌تر را تقویت کند.

یک مبنا برای توسعه مهارت‌های آتی هوش مصنوعی

اذعان به محدودیت‌های این مطالعه اولیه مهم است. نمونه مورد بررسی، که شامل کاربران Claude.ai با مکالمات چند مرحله‌ای از اوایل سال ۲۰۲۶ است، احتمالاً به سمت کاربران اولیه و پیشگام که قبلاً با هوش مصنوعی راحت هستند، متمایل است، نه جمعیت گسترده‌تر. این مطالعه همچنین صرفاً بر رفتارهای قابل مشاهده در رابط چت تمرکز دارد و رفتارهای حیاتی اخلاقی و استفاده مسئولانه که در خارج از چت اتفاق می‌افتند را نادیده می‌گیرد. این هشدارها به این معنی است که شاخص تسلط هوش مصنوعی یک مبنا برای این جمعیت خاص و یک نقطه شروع برای تحقیقات عمیق‌تر و طولی ارائه می‌دهد.

با وجود این محدودیت‌ها، شاخص تسلط هوش مصنوعی گام مهمی به سوی درک و تقویت همکاری مؤثر انسان و هوش مصنوعی است. با ادامه تکامل ابزارهای هوش مصنوعی، توانمندسازی کاربران با مهارت‌هایی برای تعامل انتقادی، تکراری و مسئولانه، برای تحقق کامل پتانسیل این فناوری و در عین حال کاهش خطرات آن، محوری خواهد بود. این گزارش اولیه زمینه را برای تحقیقات آینده فراهم می‌کند و نویدبخش راهنمایی هم کاربران و هم توسعه‌دهندگان در ساخت آینده‌ای روان‌تر و سودمندتر مبتنی بر هوش مصنوعی است.

شاخص تسلط هوش مصنوعی: اندازه‌گیری مهارت‌های همکاری انسان و هوش مصنوعی