کاربران چگونه Claude Cowork استفاده می‌کنند؟

افرادی که پیش از آن حتی یک‌بار هم ترمینال (Terminal) را باز نکرده بودند، از آن برای ایجاد عامل‌های هوشمندی استفاده می‌کردند که پوشه‌ها را سازمان‌دهی می‌کردند، فایل‌های تکراری را حذف می‌کردند و فرمول‌های اکسل و گوگل شیت را می‌نوشتند. اما برای برخی دیگر، ترمینال همچنان فضایی کمی ترسناک و ناشناخته باقی مانده بود؛ یک «جعبه سیاه» واقعی.

داستان شروع همکاری

آنتروپیک می‌گوید Claude Cowork را ساخته تا قابلیت‌های عامل‌محور موجود در Claude Code را به همان رابط مکالمه‌محوری گسترش دهد که کاربران با آن آشنا هستند. از زمانی که Claude Cowork در ژانویه ۲۰۲۶ عرضه شد، این ابزار به‌ویژه برای افرادی که تمرکز کاری آن‌ها بر ایجاد و تبادل اطلاعات است؛ حوزه‌ای که بسیاری آن را «کار دانش‌محور» (Knowledge Work) می‌نامند، به ابزاری بسیار قدرتمند تبدیل شده است. افراد از آن برای انجام مجموعه‌ای از وظایف استفاده می‌کنند که الزاماً ویژگی متمایزکننده یک نقش شغلی خاص نیستند، بلکه بیشتر نشان‌دهنده فعالیت‌های پیونددهنده‌ای در اطراف یک نقش هستند؛ فعالیت‌هایی که پروژه‌ها را پیش می‌برند و به تداوم عملکرد کسب‌وکارها کمک می‌کنند. این وظایف شامل مواردی مانند تهیه پیش‌نویس گزارش وضعیت، ساخت یک مجموعه اسلاید ارائه، یا فشرده‌سازی حجم زیادی از پژوهش‌ها و تبدیل آن‌ها به یک گزارش واحد است.

داده‌ها چه چیزی نشان می‌دهند

آنتروپیک با مطالعه داده‌های مربوط به نمونه‌ای از نشست‌های Claude Cowork در ماه مه ۲۰۲۶، بررسی کرده که این داده‌ها چه اطلاعاتی درباره نحوه استفاده افراد از هوش مصنوعی در کارهای روزمره و فراتر از محیط ترمینال، می‌توانند داشته باشند. آنتروپیک نمونه‌ای شامل ۱.۲ میلیون نشست ناشناس‌سازی‌شده و تجمیع‌شده Claude Cowork که در بازه ۱۱ تا ۳۱ مه ۲۰۲۶ در بیش از ۶۰۰ هزار سازمان انجام شده بودند را بررسی و آن‌ها را بر اساس یک طبقه‌بندی ۲۰ دسته‌ای از انواع فعالیت‌های کاری، دسته‌بندی کرد.

از جمله یافته‌ها این بود که بزرگ‌ترین دسته استفاده مربوط به «فرایندهای کسب‌وکار و عملیات» (Business Process and Operations) بود که ۳۳.۴ درصد از کل موارد کاربرد را تشکیل می‌داد. این دسته شامل فعالیت‌هایی مانند جمع‌آوری به‌روزرسانی‌های پراکنده در قالب یک گزارش واحد، ایجاد چک‌لیست‌های ورود کارکنان جدید Onboarding)، و تطبیق صفحات گسترده بود. این نتیجه منطقی است، زیرا وظایف مرتبط با عملیات کسب‌وکار میان نقش‌های مختلف پراکنده هستند؛ برای مثال، افراد فعال در حوزه‌های مالی، منابع انسانی و مشاغل اداری همگی احتمالاً از Claude Cowork برای چنین فعالیت‌هایی استفاده می‌کنند.

دومین دسته بزرگ، «تولید محتوا و کپی‌رایتنیگ» (Content Creation and Copywriting) بود که ۱۶.۴ درصد را به خود اختصاص داد. این دسته شامل فعالیت‌های ارتباطی در کسب‌وکار است که نیازمند ترکیب و یکپارچه‌سازی اطلاعات هستند؛ مانند تولید پیش‌نویس‌ها، ساخت اسلایدهای ارائه، تهیه پست‌ها و تدوین پیشنهادهای کاری.

خیره‌شدن به یک صفحه سفید اغلب نخستین مانع برای شروع کار است و Claude Cowork می‌تواند ابزاری مفید برای تبدیل افکار و اطلاعات پراکنده به یک پیش‌نویس اولیه باشد. این نوع وظایف نیز میان نقش‌های مختلف مشترک هستند؛ افرادی در حوزه‌هایی مانند بازاریابی، ارتباطات، توسعه کسب‌وکار و مدیریت پروژه، از جمله کسانی هستند که احتمالاً برای انجام این فعالیت‌ها با Claude Cowork همکاری می‌کنند.

دسته‌های اصلی بعدی عبارت بودند از:

• توسعه نرم‌افزار: ۸.۷ درصد
• DevOps و زیرساخت: ۷ درصد
• پژوهش و هوشمندی (Research and Intelligence): ۶.۴ درصد
• تحلیل داده و هوش تجاری (Data Analysis and Business Intelligence): ۵.۸ درصد
• پردازش و استخراج اسناد: ۴.۱ درصد
• فروش و عملیات درآمدی (Sales and Revenue Operations): ۴ درصد

تمام دسته‌های دیگر کمتر از ۴ درصد از مجموعه‌داده را تشکیل می‌دادند؛ از جمله:

• دستیار شخصی: ۳.۸ درصد
• آموزش: ۲.۴ درصد
• هوشمندی جلسات (Meeting Intelligence): ۱.۸ درصد

نحوه استفاده کارکنان دانش‌محور از هوش مصنوعی

این موضوع قابل‌توجه است که دو دسته اصلی استفاده؛ یعنی فرایندهای کسب‌وکار و عملیات و تولید محتوا و نگارش متون تبلیغاتی تقریباً نیمی از کل استفاده از Claude Cowork را تشکیل می‌دهند.

ماهیت این دسته‌ها عمدتاً «پیونددهنده» است:

• صفحات گسترده، نقاط داده پراکنده را در چارچوبی گرد هم می‌آورند که امکان خواندن، مقایسه و ردیابی آن‌ها را فراهم می‌کند؛
• ارائه‌ها (Decks) یک ایده یا تصمیم را برای مخاطبان گسترده‌تر با سطوح مختلفی از دانش زمینه‌ای منتقل می‌کنند؛
• چک‌لیست‌های ورود کارکنان جدید به افراد تازه‌وارد کمک می‌کنند تا به دانش سازمانی دسترسی پیدا کنند.

داده‌ها نشان می‌دهد که کاربران از Claude Cowork برای گردآوری و ساختاربندی اطلاعاتی استفاده می‌کنند که به آن‌ها امکان می‌دهد تخصص خود را در عمل به کار گیرند. برای مثال، یک وکیل ممکن است از Claude Cowork برای مدیریت قالب‌بندی اسناد و امور بایگانی استفاده کند تا زمان بیشتری برای به‌کارگیری قضاوت حقوقی خود در پرونده‌های پیچیده داشته باشد. یک مدیر استخدام ممکن است از Cowork برای زمان‌بندی جلسات و ترکیب بازخوردهای مصاحبه‌ها استفاده کند تا بتواند زمان بیشتری را صرف گفت‌وگو با گزینه‌ها و ارزیابی نمونه کارهای آن‌ها کند. همچنین یک مدیر تیم ممکن است از Claude Cowork برای تولید ارائه‌ای استفاده کند که یک تصمیم دشوار را توضیح می‌دهد؛ در نتیجه زمان بیشتری برای خود تصمیم‌گیری‌های دشوار خواهد داشت.

این الگوی استفاده، تفاوت جالبی با Claude Code ایجاد می‌کند؛ ابزاری که بیشترین استفاده از آن توسط توسعه‌دهندگان نرم‌افزار برای بخش‌های اصلی نقش شغلی آن‌هاست: ساخت، اشکال‌زدایی و انتشار کد. بنابراین شاید تعجب‌آور نباشد که توسعه نرم‌افزار سهم کوچکی از استفاده از Claude Cowork را تشکیل می‌دهد. توسعه‌دهندگان برای نوشتن کد، احتمالاً بیشتر از Claude Code نسبت به Claude Cowork استفاده می‌کنند؛ اما فعالیت‌هایی که در Claude Cowork انجام می‌دهند، همان کارهای ارتباطی و پیونددهنده‌ای است که پیرامون هر نقش شغلی، از جمله مهندسی نرم‌افزار، وجود دارد.

ظهور هوش مصنوعی در کارهای دانش‌محور

درحالی‌که کدنویسی همچنان یکی از کاربردهای هوش مصنوعی است که بیشترین توجه را به خود جلب می‌کند، استفاده از هوش مصنوعی برای فعالیت‌های روزمره کسب‌وکار در حال افزایش است و اکنون مشخص‌تر شده که افراد در چه نوع وظایفی بیشترین ارزش را از آن دریافت می‌کنند.

کاربران به سراغ Claude Cowork می‌روند تا از آن در انجام وظایفی که به ردیابی و انتقال اطلاعات و ایده‌ها میان تیم‌ها کمک می‌کنند، استفاده کنند؛ از گزارش‌های وضعیت گرفته تا ارائه‌ها، ابزارهای ردیابی و موارد دیگر. البته این صرفاً یک تصویر مقطعی است و Claude Cowork همچنان محصولی جدید محسوب می‌شود؛ بنابراین کاربردهای آن با سرعت زیادی در حال تحول هستند.

روش اندازه‌گیری

این تحلیل بر اساس نمونه‌ای از نشست‌های Claude Cowork انجام شده است که توسط یک سیستم خودکار، بر اساس یک طبقه‌بندی ۲۰ دسته‌ای از فعالیت‌های کاری، دسته‌بندی شده‌اند. داده‌ها با استفاده از یک ابزار تحلیل حفظ‌کننده حریم خصوصی جمع‌آوری شدند که تمامی اطلاعات کاربران را ناشناس نگه می‌دارد؛ هیچ نشست منفردی توسط تحلیلگران انسانی بررسی نشده است و پژوهش تنها با آمار تجمیع‌شده در سطح دسته‌ها انجام شده است.

نمونه داده‌ها با یک نرخ محدودشده جمع‌آوری شده‌اند؛ یعنی تعداد ثابتی از نشست‌ها در هر ساعت، نه درصد ثابتی از کل ترافیک. در نتیجه، تمام اعداد ارائه‌شده در این گزارش نشان‌دهنده سهم نشست‌های نمونه‌برداری‌شده هستند، نه حجم مطلق استفاده. داده‌ها در بازه ۱۱ تا ۳۱ مه ۲۰۲۶ جمع‌آوری شده‌اند و شامل ۱.۲ میلیون نشست نمونه‌برداری‌شده از بیش از ۶۰۰ هزار سازمان هستند.