Anthropic veröffentlichte am 5 November 2026 den Bericht „AI for scientific discovery: How researchers use Claude“, der auf der Analyse von 207 049 wissenschaftlichen Sitzungen in Claude und Claude Code im Zeitraum vom 2 August bis zum 30 September 2026 basiert. Die Untersuchung wurde vom Ökonomenteam des Unternehmens unter der Leitung von Johannes Hermle, Ben Jones und Lukas Althoff durchgeführt. Die Methodologie stützt sich auf datenschutzwahrende Klassifikatoren, die den Sitzungen Labels nach der SciNet-Taxonomie zuweisen (34 Bereiche, 318 Unterbereiche, 7 262 Aufgaben) und dabei nur aggregierte Daten speichern.
Die zentrale Schlussfolgerung des Berichts: Die Nutzung von Claude korreliert stark mit der theoretischen Fähigkeit des Modells, eine Aufgabe zu erfüllen. Aufgaben aus dem obersten Quintil dieses Indikators erhalten 2–4 Mal mehr Sitzungen, als der Zeitanteil der Forschenden vorhersagt. Das unterste Quintil, das die meisten physikalischen Arbeiten umfasst, wird kaum genutzt. Das ist kein Zufall, sondern ein systematisches Muster: Formale Wissenschaften (computer science, mathematics, statistics) und computergestützte Unterbereiche (AI/ML, computational biology) zeigen eine relative Mehrfachnutzung, die 3–7 Mal höher liegt als ihr Anteil unter den Forschenden weltweit.
Bei den Aufgaben ist das Bild noch klarer. Data analysis macht 33,7 % der Sitzungen in Claude und 48,1 % in Claude Code aus, gegenüber 27,6 % der tatsächlichen Zeit der Forschenden. Writing and communication — 32,0 % gegenüber 16,0 %. Zugleich werden data gathering und ideation and hypothesis generation deutlich untergenutzt (11,5 % und 4,2 % gegenüber 28,6 % und 7,1 %). Eine Umfrage unter 528 aktiven KI-Nutzern bestätigt: Gerade die Ideengenerierung und die Datenerhebung halten Wissenschaftler für Durchbrüche am wichtigsten, doch genau hier steht das Modell dem Menschen bislang nach.
Der Vergleich mit parallelen Ansätzen anderer Labore zeigt eine Abweichung. OpenAI und Google DeepMind konzentrieren sich in ihren Berichten häufiger auf Demonstrationen konkreter Entdeckungen (AlphaFold, GNoME), während Anthropic die tatsächliche Verteilung der Arbeitslast über den gesamten Forschungszyklus misst. Dadurch lässt sich nicht „was möglich ist“, sondern „was bereits in der massenhaften Nutzung geschieht“ erkennen. Der Unterschied ist wichtig: Demonstrationen zeigen die Obergrenze, die Daten von Anthropic hingegen den aktuellen Boden.
Die Szenariomodellierung liefert quantitative Schätzungen. Bei breiter Einführung der aktuellen Möglichkeiten könnte der Output um das 1,35–2,02-Fache steigen. Im hypothetischen Fall einer vollständigen Automatisierung aller nicht-physikalischen Aufgaben erreicht der Zuwachs in computer science und statistics das 15-Fache, während er in chemistry und biology wegen der Labor-Bottlenecks auf das 3–4-Fache begrenzt bleibt. Diese Zahlen hängen von Annahmen zu Adoption und Capability ab, deuten aber auf einen potenziellen Feedback-Loop hin: Die Beschleunigung der KI-Forschung beschleunigt selbst die Entwicklung leistungsfähigerer Modelle.
Die Methodologie hat Einschränkungen, die die Autoren ausdrücklich benennen. Die Stichprobe ist auf Consumer-Pläne beschränkt; Nutzer von Claude Science (einem spezialisierten Werkzeug) zeigen eine andere Struktur — einen höheren Anteil an ideation und autonomy. Die Klassifikatoren sind auf der SciNet-Taxonomie trainiert und können feine oder interdisziplinäre Aufgaben übersehen. Es gibt keine unabhängige Verifizierung durch Dritte, obwohl der datenschutzwahrende Ansatz es ermöglicht, die aggregierten Metriken bei Zugang zu vergleichbaren Daten zu reproduzieren.
Offene Fragen betreffen die langfristigen Effekte. Wird die Automatisierung nicht-physikalischer Aufgaben den Druck auf die physische Infrastruktur erhöhen oder es den Forschenden im Gegenteil ermöglichen, mehr Zeit für Experimente aufzuwenden? Wie wird sich der Karriereweg junger Wissenschaftler verändern, wenn Routineaufgaben an Modelle übergehen? Und vor allem — bleibt das menschliche Verständnis und die Verantwortung für Ergebnisse erhalten, wenn der Anteil KI-generierter Inhalte in Artikeln um ein Vielfaches steigt?
Der Bericht von Anthropic zeigt, dass die aktuelle Adoptionswelle bereits die Anstrengungen der Forschenden zugunsten der Aufgaben umverteilt, bei denen die Modelle am stärksten sind, und damit eine Beschleunigungstrajektorie vorgibt, die über die Disziplinen hinweg ungleichmäßig verlaufen wird.
