Anthropic ha pubblicato il 5 novembre 2026 il rapporto «AI for scientific discovery: How researchers use Claude», basato sull'analisi di 207 049 sessioni scientifiche in Claude e Claude Code nel periodo dal 2 agosto al 30 settembre 2026. La ricerca è stata condotta dal team di economisti dell'azienda sotto la guida di Johannes Hermle, Ben Jones e Lukas Althoff. La metodologia si basa su classificatori privacy-preserving che assegnano alle sessioni etichette secondo la tassonomia SciNet (34 ambiti, 318 sottoambiti, 7 262 compiti), conservando solo dati aggregati.
La conclusione chiave del rapporto: l'uso di Claude è fortemente correlato con la capacità teorica del modello di svolgere un compito. I compiti del quintile superiore per questo indicatore ricevono 2–4 volte più sessioni di quanto preveda la quota di tempo dei ricercatori. Il quintile inferiore, che comprende la maggior parte dei lavori fisici, è quasi del tutto inutilizzato. Non è una casualità, ma un pattern sistemico: le scienze formali (computer science, mathematics, statistics) e i sottoambiti computazionali (AI/ML, computational biology) mostrano un riutilizzo relativo 3–7 volte superiore alla loro quota tra i ricercatori mondiali.
Per quanto riguarda i compiti, il quadro è ancora più netto. Data analysis occupa il 33,7 % delle sessioni in Claude e il 48,1 % in Claude Code contro il 27,6 % del tempo reale dei ricercatori. Writing and communication — 32,0 % contro 16,0 %. Al contempo data gathering e ideation and hypothesis generation sono nettamente sottoutilizzati (11,5 % e 4,2 % contro 28,6 % e 7,1 %). Il sondaggio su 528 utenti attivi di AI lo conferma: proprio la generazione di idee e la raccolta di dati sono considerate dai ricercatori le più importanti per le scoperte, ma è proprio qui che il modello per ora è inferiore all'uomo.
Il confronto con gli approcci paralleli di altri laboratori mostra una divergenza. OpenAI e Google DeepMind nei loro rapporti si concentrano più spesso su dimostrazioni di scoperte specifiche (AlphaFold, GNoME), mentre Anthropic misura la reale distribuzione del carico lungo l'intero ciclo di ricerca. Questo permette di vedere non «ciò che è possibile», ma «ciò che già accade nell'uso di massa». La differenza è importante: le dimostrazioni mostrano il tetto, i dati di Anthropic il livello attuale.
La modellazione di scenari fornisce stime quantitative. Con un'ampia adozione delle capacità attuali l'output potrebbe crescere di 1,35–2,02 volte. Nel caso ipotetico di piena automazione di tutti i compiti non fisici, l'incremento in computer science e statistics raggiunge 15 volte, mentre in chemistry e biology si limita a 3–4 volte a causa dei colli di bottiglia di laboratorio. Questi numeri dipendono dalle ipotesi su adoption e capability, ma indicano un potenziale feedback loop: l'accelerazione della ricerca sull'AI accelera di per sé lo sviluppo di modelli più potenti.
La metodologia presenta limiti che gli autori dichiarano apertamente. Il campione è limitato ai piani consumer; gli utenti di Claude Science (uno strumento specializzato) mostrano una struttura diversa — una quota maggiore di ideation e autonomy. I classificatori sono addestrati sulla tassonomia SciNet e possono tralasciare compiti sottili o interdisciplinari. Non c'è una verifica indipendente da parte di terzi, sebbene l'approccio privacy-preserving consenta di riprodurre le metriche aggregate avendo accesso a dati analoghi.
Le questioni aperte riguardano gli effetti a lungo termine. L'automazione dei compiti non fisici aumenterà la pressione sull'infrastruttura fisica o, al contrario, permetterà ai ricercatori di dedicare più tempo agli esperimenti? Come cambierà il percorso di carriera dei giovani scienziati se i compiti di routine passeranno ai modelli? E soprattutto — si conserveranno la comprensione umana e la responsabilità per i risultati quando la quota di contenuti generati dall'AI negli articoli crescerà più volte?
Il rapporto di Anthropic mostra che l'attuale ondata di adoption sta già ridistribuendo gli sforzi dei ricercatori a favore dei compiti in cui i modelli sono strongest, e in tal modo traccia una traiettoria di accelerazione che sarà disomogenea tra le discipline.
