Anthropic 5 নভেম্বর 2026 সালে «AI for scientific discovery: How researchers use Claude» প্রতিবেদনটি প্রকাশ করেছে, যা 2 আগস্ট থেকে 30 সেপ্টেম্বর 2026 সময়কালে Claude এবং Claude Code-এ 207 049 বৈজ্ঞানিক সেশনের বিশ্লেষণের ভিত্তিতে তৈরি। গবেষণাটি পরিচালনা করেছে কোম্পানির অর্থনীতিবিদদের দল, Johannes Hermle, Ben Jones এবং Lukas Althoff-এর নেতৃত্বে। পদ্ধতিটি privacy-preserving শ্রেণিবিন্যাসকারীর উপর নির্ভর করে, যারা SciNet শ্রেণিবিন্যাস অনুযায়ী সেশনগুলোকে লেবেল দেয় (34 ক্ষেত্র, 318 উপক্ষেত্র, 7 262 কাজ), কেবল সমষ্টিগত তথ্য সংরক্ষণ করে।
প্রতিবেদনের মূল সিদ্ধান্ত: Claude-এর ব্যবহার মডেলের কোনো কাজ সম্পাদনের তাত্ত্বিক সক্ষমতার সঙ্গে দৃঢ়ভাবে সম্পর্কিত। এই সূচকে শীর্ষ কুইন্টাইলের কাজগুলো গবেষকদের সময়ের অনুপাত যা পূর্বাভাস দেয় তার চেয়ে 2–4 গুণ বেশি সেশন পায়। নিম্ন কুইন্টাইল, যাতে বেশিরভাগ ভৌত কাজ অন্তর্ভুক্ত, প্রায় ব্যবহারই হয় না। এটি কাকতালীয় নয়, বরং একটি পদ্ধতিগত ধরন: আনুষ্ঠানিক বিজ্ঞান (computer science, mathematics, statistics) এবং গণনামূলক উপক্ষেত্রগুলো (AI/ML, computational biology) বিশ্বের গবেষকদের মধ্যে তাদের অনুপাতের তুলনায় 3–7 গুণ বেশি আপেক্ষিক পুনর্ব্যবহার প্রদর্শন করে।
কাজের দিক থেকে চিত্রটি আরও স্পষ্ট। Data analysis Claude-এ সেশনের 33,7 % এবং Claude Code-এ 48,1 % দখল করে, যেখানে গবেষকদের প্রকৃত সময়ের অনুপাত 27,6 %। Writing and communication — 32,0 % বনাম 16,0 %। অন্যদিকে data gathering এবং ideation and hypothesis generation লক্ষণীয়ভাবে কম ব্যবহৃত হয় (11,5 % এবং 4,2 % বনাম 28,6 % এবং 7,1 %)। AI-এর 528 সক্রিয় ব্যবহারকারীর জরিপ নিশ্চিত করে: গবেষকরা ধারণা উৎপাদন ও তথ্য সংগ্রহকেই অগ্রগতির জন্য সবচেয়ে গুরুত্বপূর্ণ মনে করেন, অথচ এখানেই মডেল এখনো মানুষের চেয়ে পিছিয়ে।
অন্যান্য ল্যাবের সমান্তরাল পদ্ধতির সঙ্গে তুলনা একটি পার্থক্য দেখায়। OpenAI এবং Google DeepMind তাদের প্রতিবেদনে প্রায়ই নির্দিষ্ট আবিষ্কারের প্রদর্শনে (AlphaFold, GNoME) বেশি মনোযোগ দেয়, যেখানে Anthropic সমগ্র গবেষণা চক্রজুড়ে কাজের প্রকৃত বণ্টন পরিমাপ করে। এটি «কী সম্ভব» নয়, বরং «বৃহৎ পরিসরে ব্যবহারে ইতিমধ্যে কী ঘটছে» তা দেখতে দেয়। পার্থক্যটি গুরুত্বপূর্ণ: প্রদর্শনগুলো সম্ভাবনার ঊর্ধ্বসীমা দেখায়, আর Anthropic-এর তথ্য বর্তমান নিম্নসীমা।
পরিস্থিতি মডেলিং পরিমাণগত মূল্যায়ন দেয়। বর্তমান সক্ষমতার ব্যাপক প্রয়োগে output 1,35–2,02 গুণ বাড়তে পারে। সমস্ত অ-ভৌত কাজের সম্পূর্ণ স্বয়ংক্রিয়করণের একটি অনুমানমূলক ক্ষেত্রে computer science এবং statistics-এ প্রবৃদ্ধি 15 গুণে পৌঁছায়, আর chemistry এবং biology-তে ল্যাবরেটরি bottleneck-এর কারণে তা 3–4 গুণে সীমাবদ্ধ থাকে। এই সংখ্যাগুলো adoption ও capability সম্পর্কিত অনুমানের উপর নির্ভরশীল, তবে একটি সম্ভাব্য feedback loop-এর দিকে ইঙ্গিত করে: AI-গবেষণার ত্বরান্বিতকরণ নিজেই আরও শক্তিশালী মডেলের উন্নয়নকে ত্বরান্বিত করে।
পদ্ধতিটির সীমাবদ্ধতা রয়েছে, যা লেখকরা সরাসরি স্বীকার করেছেন। নমুনাটি consumer-প্ল্যানে সীমাবদ্ধ, Claude Science (একটি বিশেষায়িত টুল)-এর ব্যবহারকারীরা ভিন্ন কাঠামো দেখান — ideation এবং autonomy-এর অনুপাত বেশি। শ্রেণিবিন্যাসকারীরা SciNet শ্রেণিবিন্যাসে প্রশিক্ষিত এবং সূক্ষ্ম বা আন্তঃবিষয়ক কাজ এড়িয়ে যেতে পারে। তৃতীয় পক্ষের স্বাধীন যাচাই নেই, যদিও privacy-preserving পদ্ধতি অনুরূপ তথ্যে প্রবেশাধিকার থাকলে সমষ্টিগত মেট্রিক পুনরুৎপাদন করতে দেয়।
উন্মুক্ত প্রশ্নগুলো দীর্ঘমেয়াদি প্রভাব নিয়ে। অ-ভৌত কাজের স্বয়ংক্রিয়করণ ভৌত অবকাঠামোর উপর চাপ বাড়াবে, নাকি বরং গবেষকদের পরীক্ষায় বেশি সময় ব্যয় করতে দেবে? তরুণ গবেষকদের কর্মজীবনের পথ কীভাবে বদলাবে, যদি রুটিন কাজ মডেলের কাছে চলে যায়? এবং সবচেয়ে গুরুত্বপূর্ণ — নিবন্ধে AI-উৎপন্ন কনটেন্টের অনুপাত বহুগুণ বাড়লে ফলাফলের প্রতি মানুষের বোঝাপড়া ও দায়িত্ব কি টিকে থাকবে?
Anthropic-এর প্রতিবেদন দেখায় যে adoption-এর বর্তমান ঢেউ ইতিমধ্যে গবেষকদের প্রচেষ্টাকে এমন কাজের অনুকূলে পুনর্বণ্টন করছে যেখানে মডেল সবচেয়ে শক্তিশালী, এবং এর মাধ্যমে ত্বরান্বিতকরণের এমন একটি গতিপথ নির্ধারণ করছে যা বিষয়ভেদে অসম হবে।
