نشرت Anthropic في 5 نوفمبر 2026 تقرير «AI for scientific discovery: How researchers use Claude»، المستند إلى تحليل 207 049 جلسة علمية في Claude وClaude Code خلال الفترة من 2 أغسطس إلى 30 سبتمبر 2026. أجرى الدراسة فريق من اقتصاديي الشركة بقيادة Johannes Hermle وBen Jones وLukas Althoff. وتستند المنهجية إلى مصنّفات تحفظ الخصوصية تُسند إلى الجلسات وسومًا وفق تصنيف SciNet (34 مجالًا، و318 مجالًا فرعيًا، و7 262 مهمة)، مع الاحتفاظ بالبيانات المجمّعة فقط.
الاستنتاج الرئيسي للتقرير: يرتبط استخدام Claude ارتباطًا قويًا بالقدرة النظرية للنموذج على إنجاز المهمة. فالمهام الواقعة في الخُمس الأعلى وفق هذا المؤشر تحصل على جلسات أكثر بـ2–4 مرة مما تتوقعه حصة وقت الباحثين. أما الخُمس الأدنى، الذي يضم معظم الأعمال الفيزيائية، فلا يكاد يُستخدم. وهذا ليس مصادفة، بل نمط منهجي: فالعلوم الصورية (computer science وmathematics وstatistics) والمجالات الفرعية الحسابية (AI/ML وcomputational biology) تُظهر إعادة استخدام نسبية أعلى بـ3–7 مرة من حصتها بين باحثي العالم.
وبالنسبة إلى المهام، تبدو الصورة أوضح. فـData analysis تستحوذ على 33.7 % من الجلسات في Claude و48.1 % في Claude Code مقابل 27.6 % من الوقت الفعلي للباحثين. أما Writing and communication فـ32.0 % مقابل 16.0 %. في حين أن data gathering وideation and hypothesis generation تعاني نقصًا ملحوظًا في الاستخدام (11.5 % و4.2 % مقابل 28.6 % و7.1 %). ويؤكد استطلاع شمل 528 مستخدمًا نشطًا للذكاء الاصطناعي أن توليد الأفكار وجمع البيانات هما بالضبط ما يعتبره العلماء الأهم لتحقيق الاختراقات، لكن هذين المجالين بالضبط هما ما لا يزال النموذج فيه أدنى من الإنسان.
تُظهر المقارنة مع المقاربات الموازية لمختبرات أخرى تباينًا. فـOpenAI وGoogle DeepMind تركّزان في تقاريرهما غالبًا على عروض اكتشافات محددة (AlphaFold وGNoME)، بينما تقيس Anthropic التوزيع الفعلي للعبء على امتداد دورة البحث بأكملها. وهذا يتيح رؤية ليس «ما هو ممكن»، بل «ما يحدث بالفعل في الاستخدام الواسع». والفرق مهم: فالعروض تُظهر السقف، أما بيانات Anthropic فتُظهر المستوى الحالي.
تقدم نمذجة السيناريوهات تقديرات كمية. فعند التبني الواسع للقدرات الحالية قد ينمو الناتج بـ1.35–2.02 مرة. وفي الحالة الافتراضية للأتمتة الكاملة لجميع المهام غير الفيزيائية، يبلغ النمو في computer science وstatistics 15 أضعاف، بينما يقتصر في chemistry وbiology على 3–4 أضعاف بسبب عنق الزجاجة المختبري. وتعتمد هذه الأرقام على افتراضات بشأن التبني والقدرة، لكنها تشير إلى حلقة تغذية راجعة محتملة: فتعجيل أبحاث الذكاء الاصطناعي يُسرّع بحد ذاته تطوير نماذج أقوى.
للمنهجية قيود يصرّح بها المؤلفون صراحة. فالعينة محدودة بالخطط الاستهلاكية، ومستخدمو Claude Science (الأداة المتخصصة) يُظهرون بنية مختلفة — حصة أعلى من ideation وautonomy. والمصنّفات مدرَّبة على تصنيف SciNet وقد تفوتها مهام دقيقة أو بينية. ولا يوجد تحقق مستقل من طرف ثالث، وإن كان نهج حفظ الخصوصية يتيح إعادة إنتاج المقاييس المجمّعة عند الوصول إلى بيانات مماثلة.
تتعلق الأسئلة المفتوحة بالآثار طويلة الأمد. هل ستزيد أتمتة المهام غير الفيزيائية الضغط على البنية التحتية الفيزيائية، أم على العكس ستتيح للباحثين إنفاق وقت أطول في التجارب؟ وكيف سيتغير المسار المهني للعلماء الشباب إذا انتقلت المهام الروتينية إلى النماذج؟ والأهم من ذلك — هل سيبقى الفهم البشري والمسؤولية عن النتائج عندما تتضاعف حصة المحتوى المولّد بالذكاء الاصطناعي في المقالات مرات عديدة.
يُظهر تقرير Anthropic أن موجة التبني الحالية تعيد بالفعل توزيع جهود الباحثين لصالح المهام التي يكون فيها النموذج أقوى، وبذلك ترسم مسار تعجيل سيكون غير متساوٍ بين التخصصات.
