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.

title: "Indeks AI tečnosti: Mjerenje vještina suradnje čovjeka i AI" slug: "fluency-index" date: "2026-03-03" lang: "hr" source: "https://www.anthropic.com/research/AI-fluency-index" category: "AI istraživanje" keywords:

Indeks AI tečnosti
'Anthropic istraživanje'
'Suradnja čovjeka i AI'
'Razvoj AI vještina'
'Iteracija i dorada'
'Stvaranje AI artefakata'
'Kritička evaluacija AI'
'4D okvir AI tečnosti'
'Korištenje Claude.ai'
'Ponašanje korisnika AI'
'Odgovorno korištenje AI'
'AI stručnost' meta_description: "Anthropicov novi Indeks AI tečnosti mjeri ključne vještine suradnje čovjeka i AI, naglašavajući važnost iteracije i kritičke evaluacije za učinkovitu upotrebu AI." image: "/images/articles/fluency-index.png" image_alt: "Grafika koja ilustrira koncept AI tečnosti i suradnje čovjeka i AI, s podacima." quality_score: 94 content_score: 93 seo_score: 95 companies:
Anthropic schema_type: "NewsArticle" reading_time: 7 faq:
question: "Što je Anthropicov Indeks AI tečnosti?" answer: "Anthropicov Indeks AI tečnosti je nova metrika koju je razvio Anthropic kako bi procijenio koliko dobro pojedinci razvijaju vještine za učinkovito korištenje AI alata. Idući dalje od pukog usvajanja, indeks prati 11 izravno uočljivih ponašanja koja predstavljaju sigurnu i učinkovitu suradnju čovjeka i AI, temeljenu na 4D okviru AI tečnosti. Cilj mu je pružiti osnovno mjerenje korisničke stručnosti, pomažući razumjeti kako se te kritične vještine razvijaju kako se AI tehnologija sve više integrira u svakodnevni život. Početno istraživanje analiziralo je gotovo 10.000 razgovora na Claude.ai kako bi identificiralo ključne obrasce u interakciji korisnika i razvoju vještina."
question: "Kako Anthropic mjeri AI tečnost?" answer: "AI tečnost mjeri se praćenjem prisutnosti ili odsutnosti 11 specifičnih bihevioralnih pokazatelja tijekom interakcija korisnika s Claudeom na Claude.ai. Ti pokazatelji proizlaze iz šireg 4D okvira AI tečnosti, koji definira 24 ponašanja sigurne i učinkovite suradnje čovjeka i AI. Za početno istraživanje, Anthropic je koristio alat za analizu koji čuva privatnost kako bi pregledao 9.830 višestrukih razgovora tijekom 7-dnevnog razdoblja. Ponašanja poput 'iteracije i dorade', 'dovođenja u pitanje zaključivanja' i 'identifikacije nedostajućeg konteksta' promatrana su i klasificirana kao prisutna ili odsutna unutar svakog razgovora, pružajući kvantitativnu osnovu za AI stručnost."
question: "Što je 'učinak iteracije i dorade' u AI tečnosti?" answer: "Učinak iteracije i dorade' odnosi se na snažnu korelaciju pronađenu između korisnika koji se nadograđuju na prethodne razmjene kako bi doradili svoj rad s AI, i pokazivanja drugih ključnih ponašanja AI tečnosti. Razgovori koji pokazuju iteraciju i doradu — što znači da korisnici ne prihvaćaju samo prvi AI odgovor, već se aktivno uključuju u dodatna pitanja, osporavanja i prilagodbe — pokazali su značajno više stope drugih pokazatelja tečnosti. Na primjer, ovi iterativni razgovori imali su 5,6 puta veću vjerojatnost da će uključivati korisnike koji dovode u pitanje Claudeovo zaključivanje i 4 puta veću vjerojatnost da će identificirati nedostajući kontekst, naglašavajući važnost kontinuiranog, dinamičnog angažmana za razvoj AI stručnosti."
question: "Zašto korisnici postaju manje evaluativni prilikom stvaranja artefakata s AI-jem?" answer: "Anthropicovo istraživanje je otkrilo da kada korisnici angažiraju AI za stvaranje artefakata poput koda, dokumenata ili interaktivnih alata, teže postaju više direktivni, ali paradoksalno manje evaluativni. To znači da će korisnici vjerojatnije pojašnjavati ciljeve i pružati primjere, ali manje vjerojatno dovoditi u pitanje zaključivanje modela, identificirati nedostajući kontekst ili provjeravati činjenice. Moguća objašnjenja uključuju uglađen izgled AI-generiranih rezultata, što bi moglo navesti korisnike da preuranjeno vjeruju rezultatima, ili prirodu određenih zadataka gdje funkcionalna estetika može prevagnuti nad činjeničnom preciznošću. Bez obzira na to, ovaj obrazac ističe kritično područje za poboljšanje u suradnji čovjeka i AI, naglašavajući potrebu za kontinuiranom kritičkom procjenom čak i kod naizgled potpunih rezultata."
question: "Kako pojedinci mogu poboljšati svoju AI tečnost prema Anthropicu?" answer: "Anthropic predlaže tri ključna područja za pojedince kako bi poboljšali svoju AI tečnost. Prvo, 'ostati u razgovoru' znači tretirati početne AI odgovore kao polazne točke, postavljati dodatna pitanja i aktivno dorađivati rezultate. Drugo, 'dovođenje u pitanje uglađenih rezultata' uključuje kritičku evaluaciju AI-generiranih artefakata radi točnosti, potpunosti i logičke ispravnosti, čak i ako izgledaju savršeno. Treće, 'postavljanje uvjeta suradnje' potiče korisnike da eksplicitno upute AI kako da komunicira, na primjer, tražeći od njega da objasni svoje zaključivanje ili da ospori pretpostavke. Ove prakse imaju za cilj potaknuti dublje angažiranje i kritičko razmišljanje u interakcijama čovjeka i AI."
question: "Koja su ograničenja istraživanja Indeksa AI tečnosti?" answer: "Početno istraživanje Indeksa AI tečnosti ima nekoliko važnih ograničenja. Uzorak je ograničen na korisnike Claude.ai koji su sudjelovali u višestrukim razgovorima tijekom jednog tjedna u siječnju 2026., što vjerojatno naginje ranim usvajačima i možda ne predstavlja širu populaciju. Istraživanje također procjenjuje samo 11 od 24 ponašanja iz 4D okvira AI tečnosti, fokusirajući se isključivo na izravno uočljiva ponašanja unutar sučelja za chat, čime se propuštaju ključna etička i odgovorna ponašanja korištenja koja se događaju izvana. Nadalje, binarna klasifikacija ponašanja mogla bi zanemariti nijansirane demonstracije, i ne može uzeti u obzir 'implicitna ponašanja' gdje bi korisnici mogli mentalno evaluirati AI rezultate bez verbaliziranja svoje kritičke procjene u chatu."

Tečnost prije svega: Anthropicov AI indeks za vještu suradnju

Brza integracija AI alata u svakodnevne rutine bila je ništa manje nego zapanjujuća. Ipak, kako AI postaje sveprisutna, pojavljuje se ključno pitanje: jesu li korisnici samo usvajaju te alate, ili razvijaju potrebne vještine za njihovo učinkovito korištenje? Anthropic, lider u razvoju odgovorne AI, nastoji odgovoriti na ovo pitanje svojim revolucionarnim Indeksom AI tečnosti, novim izvješćem osmišljenim za mjerenje i praćenje evolucije vještina suradnje čovjeka i AI.

Prethodna Anthropicova izvješća o obrazovanju rasvijetlila su kako sveučilišni studenti i edukatori koriste napredne modele poput Claudea za zadatke u rasponu od generiranja izvješća do planiranja lekcija. Međutim, ove studije su se prvenstveno fokusirale na što su korisnici radili. Indeks AI tečnosti ide dublje, istražujući koliko dobro se pojedinci angažiraju s AI, uvodeći okvir za razumijevanje "tečnosti" s ovom transformativnom tehnologijom.

Dekodiranje AI tečnosti: 4D okvir

Kako bi kvantificirao AI tečnost, Anthropic je surađivao s profesorima Rickom Dakanom i Josephom Fellerom na razvoju 4D okvira AI tečnosti. Ovaj sveobuhvatan okvir identificira 24 specifična ponašanja koja primjeruju sigurnu i učinkovitu suradnju čovjeka i AI. Za potrebe ovog početnog istraživanja, Anthropic se fokusirao na 11 ponašanja izravno uočljivih unutar sučelja za chat Claude.ai. Preostalih 13, koji uključuju kritične aspekte poput iskrenosti o ulozi AI u radu ili razmatranja posljedica AI-generiranog rezultata, događaju se izvan chata i bit će procijenjeni u budućim kvalitativnim istraživanjima.

Koristeći alat za analizu koji čuva privatnost, istraživački tim je pedantno proučavao 9.830 višestrukih razgovora na Claude.ai tijekom 7-dnevnog razdoblja u siječnju 2026. Ovaj opsežan skup podataka pružio je snažnu osnovu za mjerenje prisutnosti ili odsutnosti 11 uočljivih ponašanja tečnosti, što je dovelo do stvaranja Indeksa AI tečnosti. Indeks nudi snimku trenutnih obrazaca suradnje i temelj za praćenje njihove evolucije kako se AI modeli razvijaju.

Snaga iteracije i dorade u interakciji s AI

Jedan od najuvjerljivijih nalaza iz Indeksa AI tečnosti je snažna korelacija između iteracije i dorade i gotovo svih ostalih ponašanja AI tečnosti. Studija je otkrila da je 85,7% razgovora uključivalo korisnike koji su se nadograđivali na prethodne razmjene kako bi doradili svoj rad, umjesto da jednostavno prihvate početni odgovor. Ovi iterativni razgovori pokazali su znatno veće stope drugih ponašanja tečnosti, učinkovito udvostručujući stručnost viđenu u brzim, izmjeničnim chatovima.

Utjecaj iteracije na ponašanja AI tečnosti

Pokazatelj ponašanja	Razgovori s iteracijom i doradom (n=8.424)	Razgovori bez iteracije i dorade (n=1.406)	Faktor povećanja (iterativno vs. neiterativno)
Dovođenje u pitanje Claudeovog zaključivanja	Visok	Nizak	5.6x
Identifikacija nedostajućeg konteksta	Visok	Nizak	4x
Pojašnjavanje cilja	Visok	Srednji	~2x
Određivanje formata	Visok	Srednji	~2x
Pružanje primjera	Visok	Srednji	~2x
Prosječno dodatno ponašanje tečnosti	2.67	1.33	2x

Tablica: Ilustracija povećane učestalosti ponašanja tečnosti u razgovorima s iteracijom i doradom.

Ovaj "učinak iteracije i dorade" naglašava važnost tretiranja AI kao partnera za razmišljanje, a ne samo kao delegata zadataka. Korisnici koji se aktivno uključuju u dijalog, osporavaju i dorađuju svoje upite, znatno su vjerojatniji da će kritički evaluirati AI rezultate, dovoditi u pitanje njegovo zaključivanje i identificirati ključni nedostajući kontekst. Ovo je usklađeno s konceptom agentnih radnih tokova, gdje ljudski nadzor i iterativna povratna informacija dovode do boljih rezultata, kako je istraženo u raspravama o platformama poput GitHub Agentic Workflows.

Dvostruki mač stvaranja AI artefakata

Dok iteracija potiče ukupnu tečnost, izvješće je otkrilo nijansirani obrazac kada korisnici potiču AI da proizvodi artefakte kao što su kod, dokumenti ili interaktivni alati. Ovi razgovori, koji predstavljaju 12,3% uzorka, pokazali su da korisnici postaju više direktivni ali iznenađujuće manje evaluativni.

Prilikom stvaranja artefakata, korisnici su vjerojatnije pojašnjavali svoje ciljeve (+14,7 postotnih bodova), određivali formate (+14,5pp) i pružali primjere (+13,4pp). Međutim, ova povećana direktivnost nije se prevela u veću pronicljivost. Zapravo, korisnici su bili značajno manje skloni identificirati nedostajući kontekst (-5,2pp), provjeravati činjenice (-3,7pp) ili dovoditi u pitanje zaključivanje modela (-3,1pp). Ovaj trend je posebno zabrinjavajući s obzirom na to da su složeni zadaci, često povezani sa stvaranjem artefakata, oni gdje AI modeli poput Claude Opus 4.6 ili čak napredni modeli poput GPT-5 (da su dostupni, iako veza upućuje na buduću ili hipotetičku verziju) najvjerojatnije nailaze na poteškoće.

Ovaj fenomen bi se mogao pripisati uglađenim, funkcionalnim rezultatima koje AI često generira, što bi moglo uljuljkati korisnike u lažni osjećaj dovršenosti. Bilo da se radi o dizajnu korisničkog sučelja ili izradi pravne analize, sposobnost kritičkog ispitivanja AI rezultata ostaje najvažnija. Kako AI modeli postaju sofisticiraniji, raste rizik nekritičkog prihvaćanja naizgled savršenih rezultata, čineći evaluacijske vještine vrijednijima nego ikad.

Razvijanje vlastite AI tečnosti

Dobra vijest je da se AI tečnost, kao i svaka vještina, može razviti. Na temelju svojih nalaza, Anthropic nudi praktične savjete korisnicima koji žele poboljšati svoju suradnju čovjeka i AI:

Ostati u razgovoru: Prihvatite početne AI odgovore kao polaznu točku. Uključite se u dodatna pitanja, osporite pretpostavke i iterativno doradite svoje zahtjeve. Ovaj aktivni angažman je najjači prediktor drugih ponašanja tečnosti.
Dovođenje u pitanje uglađenih rezultata: Kada AI model proizvede nešto što izgleda potpuno i točno, zastanite i primijenite kritičko razmišljanje. Zapitajte se: Je li ovo zaista točno? Nedostaje li išta? Drži li zaključivanje vodu? Ne dopustite da vizualna uglađenost nadjača kritičku evaluaciju.
Postavljanje uvjeta suradnje: Proaktivno definirajte kako želite da AI komunicira s vama. Eksplicitne upute poput 'Ospori ako su moje pretpostavke pogrešne', 'Objasni mi svoje zaključivanje' ili 'Reci mi u čemu nisi siguran' mogu temeljno promijeniti dinamiku, potičući transparentniju i robusniju suradnju.

Osnova za budući razvoj AI vještina

Važno je priznati ograničenja ove početne studije. Uzorak, koji obuhvaća korisnike Claude.ai s višestrukim razgovorima iz početka 2026., vjerojatno naginje ranim usvajačima koji su već ugodni s AI, a ne široj populaciji. Studija se također usredotočuje isključivo na uočljiva ponašanja unutar sučelja za chat, izostavljajući ključna etička i odgovorna ponašanja korištenja koja se događaju izvana. Ove napomene znače da Indeks AI tečnosti pruža osnovu za ovu specifičnu populaciju i polazišnu točku za dublje, longitudinalno istraživanje.

Unatoč ovim ograničenjima, Indeks AI tečnosti predstavlja značajan korak prema razumijevanju i poticanju učinkovite suradnje čovjeka i AI. Kako se AI alati nastavljaju razvijati, osnaživanje korisnika vještinama kritičkog, iterativnog i odgovornog angažmana bit će ključno za ostvarivanje punog potencijala ove tehnologije uz ublažavanje njezinih rizika. Ovo početno izvješće postavlja pozornicu za buduća istraživanja, obećavajući da će voditi i korisnike i razvojne inženjere u izgradnji tečnije i korisnije budućnosti pokretane AI-jem.

Indeks AI tečnosti: Mjerenje vještina suradnje čovjeka i AI