Anthropic menerbitkan laporan «AI for scientific discovery: How researchers use Claude» pada 5 November 2026, yang didasarkan pada analisis 207 049 sesi ilmiah di Claude dan Claude Code untuk periode 2 Agustus hingga 30 September 2026. Penelitian ini dilakukan oleh tim ekonom perusahaan di bawah pimpinan Johannes Hermle, Ben Jones, dan Lukas Althoff. Metodologinya bersandar pada klasifikator yang menjaga privasi, yang memberi label pada sesi menurut taksonomi SciNet (34 bidang, 318 subbidang, 7 262 tugas), dengan hanya menyimpan data teragregasi.
Temuan kunci laporan ini: penggunaan Claude sangat berkorelasi dengan kemampuan teoretis model untuk menyelesaikan tugas. Tugas-tugas dari kuintil teratas menurut indikator ini menerima 2–4 kali lebih banyak sesi daripada yang diprediksi oleh proporsi waktu para peneliti. Kuintil terbawah, yang mencakup sebagian besar pekerjaan fisika, hampir tidak digunakan. Ini bukan kebetulan, melainkan pola sistemik: ilmu-ilmu formal (computer science, mathematics, statistics) dan subbidang komputasional (AI/ML, computational biology) menunjukkan penggunaan ulang relatif 3–7 kali lebih tinggi daripada proporsi mereka di antara para peneliti dunia.
Berdasarkan jenis tugas, gambarnya bahkan lebih jelas. Data analysis menempati 33,7 % sesi di Claude dan 48,1 % di Claude Code, dibandingkan dengan 27,6 % waktu nyata para peneliti. Writing and communication — 32,0 % berbanding 16,0 %. Sementara itu, data gathering dan ideation and hypothesis generation justru kurang dimanfaatkan (11,5 % dan 4,2 % berbanding 28,6 % dan 7,1 %). Survei terhadap 528 pengguna aktif AI menegaskan: justru generasi ide dan pengumpulan data yang dianggap para ilmuwan paling penting bagi terobosan, tetapi justru di sinilah model untuk sementara masih kalah dari manusia.
Perbandingan dengan pendekatan paralel dari laboratorium lain menunjukkan adanya perbedaan. OpenAI dan Google DeepMind dalam laporan mereka lebih sering berfokus pada demonstrasi penemuan tertentu (AlphaFold, GNoME), sedangkan Anthropic mengukur distribusi beban kerja yang nyata di sepanjang siklus penelitian. Hal ini memungkinkan kita melihat bukan «apa yang mungkin», melainkan «apa yang sudah terjadi dalam penggunaan massal». Perbedaannya penting: demonstrasi menunjukkan batas atas, sedangkan data Anthropic menunjukkan batas bawah saat ini.
Pemodelan skenario memberikan estimasi kuantitatif. Dengan adopsi luas atas kemampuan saat ini, output dapat tumbuh 1,35–2,02 kali. Dalam kasus hipotetis otomatisasi penuh atas semua tugas non-fisik, peningkatan di computer science dan statistics mencapai 15 kali lipat, sedangkan di chemistry dan biology terbatas pada 3–4 kali lipat karena bottleneck laboratorium. Angka-angka ini bergantung pada asumsi tentang adopsi dan kapabilitas, tetapi menunjukkan potensi feedback loop: percepatan penelitian AI dengan sendirinya mempercepat pengembangan model yang lebih kuat.
Metodologi ini memiliki keterbatasan yang secara langsung diakui oleh para penulis. Sampelnya terbatas pada paket consumer; pengguna Claude Science (alat khusus) menunjukkan struktur yang berbeda — proporsi ideation dan autonomy lebih tinggi. Klasifikator dilatih pada taksonomi SciNet dan dapat melewatkan tugas-tugas yang halus atau interdisipliner. Tidak ada verifikasi independen oleh pihak ketiga, meskipun pendekatan yang menjaga privasi memungkinkan reproduksi metrik teragregasi bila ada akses ke data serupa.
Pertanyaan terbuka menyangkut efek jangka panjang. Apakah otomatisasi tugas-tugas non-fisik akan meningkatkan tekanan pada infrastruktur fisik atau, sebaliknya, memungkinkan para peneliti mencurahkan lebih banyak waktu untuk eksperimen? Bagaimana jalur karier ilmuwan muda akan berubah jika tugas-tugas rutin beralih ke model? Dan yang terpenting — apakah pemahaman dan tanggung jawab manusia atas hasil akan tetap terjaga ketika proporsi konten yang dihasilkan AI dalam artikel meningkat berkali-kali lipat.
Laporan Anthropic menunjukkan bahwa gelombang adopsi saat ini sudah mengalihkan kembali upaya para peneliti ke arah tugas-tugas yang paling dikuasai model, dan dengan demikian menetapkan lintasan percepatan yang akan tidak merata antar disiplin.
