Anthropic a publié le 5 novembre 2026 le rapport « AI for scientific discovery: How researchers use Claude », fondé sur l'analyse de 207 049 sessions scientifiques dans Claude et Claude Code pour la période allant du 2 août au 30 septembre 2026. L'étude a été menée par l'équipe d'économistes de l'entreprise sous la direction de Johannes Hermle, Ben Jones et Lukas Althoff. La méthodologie s'appuie sur des classificateurs préservant la confidentialité, qui attribuent aux sessions des étiquettes selon la taxonomie SciNet (34 domaines, 318 sous-domaines, 7 262 tâches), en ne conservant que des données agrégées.
La conclusion clé du rapport : l'utilisation de Claude est fortement corrélée à la capacité théorique du modèle à accomplir une tâche. Les tâches du quintile supérieur selon cet indicateur reçoivent 2 à 4 fois plus de sessions que ne le prédit la part du temps des chercheurs. Le quintile inférieur, qui comprend la plupart des travaux en sciences physiques, est presque inutilisé. Ce n'est pas un hasard, mais un schéma systémique : les sciences formelles (computer science, mathematics, statistics) et les sous-domaines computationnels (AI/ML, computational biology) affichent une réutilisation relative 3 à 7 fois supérieure à leur part parmi les chercheurs mondiaux.
Par tâche, le tableau est encore plus net. Data analysis occupe 33,7 % des sessions dans Claude et 48,1 % dans Claude Code, contre 27,6 % du temps réel des chercheurs. Writing and communication — 32,0 % contre 16,0 %. En revanche, data gathering et ideation and hypothesis generation sont nettement sous-utilisés (11,5 % et 4,2 % contre 28,6 % et 7,1 %). Une enquête auprès de 528 utilisateurs actifs de l'IA le confirme : ce sont précisément la génération d'idées et la collecte de données que les scientifiques jugent les plus importantes pour les percées, mais c'est justement là que le modèle reste pour l'instant inférieur à l'humain.
La comparaison avec les approches parallèles d'autres laboratoires révèle un écart. OpenAI et Google DeepMind, dans leurs rapports, se concentrent plus souvent sur des démonstrations de découvertes concrètes (AlphaFold, GNoME), tandis qu'Anthropic mesure la répartition réelle de la charge sur tout le cycle de recherche. Cela permet de voir non pas « ce qui est possible », mais « ce qui se produit déjà dans l'usage de masse ». La différence est importante : les démonstrations montrent le plafond, tandis que les données d'Anthropic montrent le plancher actuel.
La modélisation de scénarios fournit des estimations quantitatives. En cas d'adoption large des capacités actuelles, la production pourrait augmenter de 1,35 à 2,02 fois. Dans le cas hypothétique d'une automatisation complète de toutes les tâches non physiques, le gain en computer science et statistics atteint un facteur 15, tandis qu'en chemistry et biology il se limite à un facteur 3 à 4 en raison des goulots d'étranglement en laboratoire. Ces chiffres dépendent d'hypothèses sur l'adoption et les capacités, mais ils indiquent une boucle de rétroaction potentielle : l'accélération de la recherche en IA accélère elle-même le développement de modèles plus puissants.
La méthodologie comporte des limites que les auteurs reconnaissent explicitement. L'échantillon se limite aux forfaits grand public ; les utilisateurs de Claude Science (un outil spécialisé) présentent une structure différente — une part plus élevée d'ideation et d'autonomie. Les classificateurs sont entraînés sur la taxonomie SciNet et peuvent manquer des tâches fines ou interdisciplinaires. Il n'y a pas de vérification indépendante par un tiers, bien que l'approche préservant la confidentialité permette de reproduire les métriques agrégées avec un accès à des données similaires.
Les questions ouvertes concernent les effets à long terme. L'automatisation des tâches non physiques augmentera-t-elle la pression sur l'infrastructure physique ou, au contraire, permettra-t-elle aux chercheurs de consacrer plus de temps aux expériences ? Comment évoluera le parcours professionnel des jeunes scientifiques si les tâches routinières passent aux modèles ? Et surtout — la compréhension humaine et la responsabilité des résultats seront-elles préservées lorsque la part de contenu généré par l'IA dans les articles augmentera plusieurs fois ?
Le rapport d'Anthropic montre que la vague actuelle d'adoption redistribue déjà les efforts des chercheurs en faveur des tâches où les modèles sont les plus performants, et fixe ainsi une trajectoire d'accélération qui sera inégale selon les disciplines.
