Anthropic פרסמה ב-5 בנובמבר 2026 את הדוח "AI for scientific discovery: How researchers use Claude", המבוסס על ניתוח של 207 049 סשנים מדעיים ב-Claude וב-Claude Code בתקופה שבין 2 באוגוסט ל-30 בספטמבר 2026. את המחקר ערכה צוות הכלכלנים של החברה בראשות Johannes Hermle, Ben Jones ו-Lukas Althoff. המתודולוגיה נשענת על מסווגים המשמרים פרטיות, אשר מקצים לסשנים תגיות לפי הטקסונומיה של SciNet (34 תחומים, 318 תת-תחומים, 7 262 משימות), תוך שמירה על נתונים מצטברים בלבד.
מסקנת המפתח של הדוח: השימוש ב-Claude נמצא במתאם חזק עם היכולת התאורטית של המודל לבצע את המשימה. משימות בחמישון העליון לפי מדד זה מקבלות פי 2–4 יותר סשנים מכפי שחלק הזמן של החוקרים מנבא. החמישון התחתון, הכולל את רוב העבודות הפיזיות, כמעט אינו בשימוש. אין זה מקרה, אלא דפוס מערכתי: מדעים פורמליים (computer science, mathematics, statistics) ותת-תחומים חישוביים (AI/ML, computational biology) מציגים שימוש-יתר יחסי גבוה פי 3–7 מאשר חלקם בקרב החוקרים בעולם.
בחלוקה לפי משימות התמונה אף חדה יותר. Data analysis תופס 33.7 % מהסשנים ב-Claude ו-48.1 % ב-Claude Code, לעומת 27.6 % מזמן החוקרים בפועל. Writing and communication — 32.0 % לעומת 16.0 %. לעומת זאת, data gathering ו-ideation and hypothesis generation נמצאים בשימוש חסר ניכר (11.5 % ו-4.2 % לעומת 28.6 % ו-7.1 %). סקר בקרב 528 משתמשי AI פעילים מאשר: דווקא יצירת רעיונות ואיסוף נתונים נחשבים בעיני החוקרים לחשובים ביותר לפריצות דרך, אך דווקא כאן המודל עדיין נופל מהאדם.
השוואה לגישות מקבילות של מעבדות אחרות מגלה פער. OpenAI ו-Google DeepMind בדוחות שלהם מתמקדות לעתים קרובות בהדגמות של תגליות קונקרטיות (AlphaFold, GNoME), בעוד ש-Anthropic מודדת את התפלגות העומס בפועל לאורך כל מחזור המחקר. הדבר מאפשר לראות לא "מה אפשרי" אלא "מה כבר קורה בשימוש המוני". ההבדל חשוב: ההדגמות מראות את התקרה, ואילו הנתונים של Anthropic — את הרצפה הנוכחית.
מודל תרחישים מספק אומדנים כמותיים. באימוץ נרחב של היכולות הנוכחיות ה-output עשוי לגדול פי 1.35–2.02. בתרחיש היפותטי של אוטומציה מלאה של כל המשימות הלא-פיזיות, הגידול ב-computer science וב-statistics מגיע לפי 15, ואילו ב-chemistry וב-biology הוא מוגבל לפי 3–4 בגלל צווארי בקבוק מעבדתיים. המספרים הללו תלויים בהנחות לגבי adoption ו-capability, אך מצביעים על לולאת משוב פוטנציאלית: האצת מחקר ה-AI כשלעצמה מאיצה את פיתוחם של מודלים חזקים יותר.
למתודולוגיה יש מגבלות שהמחברים מציינים במפורש. המדגם מוגבל לתוכניות consumer, ומשתמשי Claude Science (כלי ייעודי) מציגים מבנה אחר — שיעור גבוה יותר של ideation ו-autonomy. המסווגים אומנו על הטקסונומיה של SciNet ועלולים להחמיץ משימות עדינות או בין-תחומיות. אין אימות עצמאי של צד שלישי, אף שהגישה המשמרת פרטיות מאפשרת לשחזר מדדים מצטברים בהינתן גישה לנתונים דומים.
השאלות הפתוחות נוגעות להשפעות ארוכות הטווח. האם האוטומציה של משימות לא-פיזיות תגביר את הלחץ על התשתית הפיזית, או שמא תאפשר לחוקרים להקדיש יותר זמן לניסויים? כיצד ישתנה מסלול הקריירה של חוקרים צעירים אם משימות שגרתיות יעברו למודלים? והעיקר — האם הבנה אנושית ואחריות לתוצאות יישמרו כאשר חלקם של תכנים שנוצרו ב-AI במאמרים יגדל פי כמה.
הדוח של Anthropic מראה שגל ה-adoption הנוכחי כבר מחלק מחדש את מאמצי החוקרים לטובת משימות שבהן המודלים strongest, ובכך מתווה מסלול האצה שיהיה לא אחיד בין הדיסציפלינות.
