Anthropic publicó el 5 de noviembre de 2026 el informe «AI for scientific discovery: How researchers use Claude», basado en el análisis de 207 049 sesiones científicas en Claude y Claude Code durante el período comprendido entre el 2 de agosto y el 30 de septiembre de 2026. La investigación fue realizada por el equipo de economistas de la empresa bajo la dirección de Johannes Hermle, Ben Jones y Lukas Althoff. La metodología se apoya en clasificadores que preservan la privacidad, los cuales asignan etiquetas a las sesiones según la taxonomía SciNet (34 áreas, 318 subáreas, 7 262 tareas), conservando únicamente datos agregados.
La conclusión clave del informe: el uso de Claude correlaciona fuertemente con la capacidad teórica del modelo para realizar una tarea. Las tareas del quintil superior según este indicador reciben entre 2 y 4 veces más sesiones de lo que predice la proporción del tiempo de los investigadores. El quintil inferior, que incluye la mayoría de los trabajos físicos, apenas se utiliza. Esto no es una casualidad, sino un patrón sistémico: las ciencias formales (computer science, mathematics, statistics) y las subáreas computacionales (AI/ML, computational biology) muestran una reutilización relativa entre 3 y 7 veces superior a su proporción entre los investigadores del mundo.
Por tareas, el panorama es aún más claro. Data analysis ocupa el 33,7 % de las sesiones en Claude y el 48,1 % en Claude Code frente al 27,6 % del tiempo real de los investigadores. Writing and communication: 32,0 % frente al 16,0 %. Al mismo tiempo, data gathering e ideation and hypothesis generation están notablemente subutilizadas (11,5 % y 4,2 % frente al 28,6 % y el 7,1 %). La encuesta a 528 usuarios activos de AI lo confirma: precisamente la generación de ideas y la recopilación de datos son consideradas por los científicos como las más importantes para los avances, pero es justamente aquí donde el modelo todavía es inferior al ser humano.
La comparación con los enfoques paralelos de otros laboratorios muestra una divergencia. OpenAI y Google DeepMind en sus informes suelen centrarse en demostraciones de descubrimientos concretos (AlphaFold, GNoME), mientras que Anthropic mide la distribución real de la carga a lo largo de todo el ciclo de investigación. Esto permite ver no «lo que es posible», sino «lo que ya ocurre en el uso masivo». La diferencia es importante: las demostraciones muestran el techo, y los datos de Anthropic, el nivel actual.
El modelado de escenarios ofrece estimaciones cuantitativas. Con una amplia adopción de las capacidades actuales, el output podría crecer entre 1,35 y 2,02 veces. En el caso hipotético de una automatización completa de todas las tareas no físicas, el incremento en computer science y statistics alcanza un factor de 15, mientras que en chemistry y biology se limita a un factor de entre 3 y 4 debido a los cuellos de botella de laboratorio. Estas cifras dependen de los supuestos sobre adopción y capacidad, pero apuntan a un posible bucle de retroalimentación: la aceleración de la investigación en AI acelera a su vez el desarrollo de modelos más potentes.
La metodología tiene limitaciones que los autores señalan explícitamente. La muestra se limita a los planes de consumo; los usuarios de Claude Science (una herramienta especializada) muestran una estructura distinta: mayor proporción de ideation y autonomy. Los clasificadores están entrenados con la taxonomía SciNet y pueden pasar por alto tareas sutiles o interdisciplinarias. No hay verificación independiente por parte de terceros, aunque el enfoque que preserva la privacidad permite reproducir las métricas agregadas si se accede a datos similares.
Las cuestiones abiertas se refieren a los efectos a largo plazo. ¿Aumentará la automatización de las tareas no físicas la presión sobre la infraestructura física o, por el contrario, permitirá a los investigadores dedicar más tiempo a los experimentos? ¿Cómo cambiará la trayectoria profesional de los jóvenes científicos si las tareas rutinarias pasan a los modelos? Y, lo más importante, ¿se conservarán la comprensión y la responsabilidad humanas sobre los resultados cuando la proporción de contenido generado por AI en los artículos se multiplique?
El informe de Anthropic muestra que la actual ola de adopción ya está redistribuyendo los esfuerzos de los investigadores en favor de las tareas en las que los modelos son más fuertes, y de este modo marca una trayectoria de aceleración que será desigual según las disciplinas.
