Anthropic publiceerde op 5 november 2026 het rapport ‘AI for scientific discovery: How researchers use Claude’, gebaseerd op de analyse van 207 049 wetenschappelijke sessies in Claude en Claude Code in de periode van 2 augustus tot 30 september 2026. Het onderzoek werd uitgevoerd door het economenteam van het bedrijf onder leiding van Johannes Hermle, Ben Jones en Lukas Althoff. De methodologie berust op privacy-preserving classificatoren die sessies labels toekennen volgens de SciNet-taxonomie (34 domeinen, 318 subdomeinen, 7 262 taken), waarbij alleen geaggregeerde gegevens worden bewaard.
De belangrijkste conclusie van het rapport: het gebruik van Claude correleert sterk met het theoretische vermogen van het model om een taak uit te voeren. Taken uit het hoogste quintiel volgens deze maatstaf krijgen 2–4 keer meer sessies dan het aandeel van de onderzoekstijd voorspelt. Het laagste quintiel, dat de meeste fysieke werkzaamheden omvat, wordt nauwelijks gebruikt. Dat is geen toeval, maar een systematisch patroon: formele wetenschappen (computer science, mathematics, statistics) en computationele subdomeinen (AI/ML, computational biology) vertonen een relatief hergebruik dat 3–7 keer hoger is dan hun aandeel onder de wereldwijde onderzoekers.
Bij de taken is het beeld nog duidelijker. Data analysis neemt 33,7 % van de sessies in Claude en 48,1 % in Claude Code in, tegenover 27,6 % van de reële tijd van onderzoekers. Writing and communication — 32,0 % tegenover 16,0 %. Tegelijk worden data gathering en ideation and hypothesis generation opvallend onderbenut (11,5 % en 4,2 % tegenover 28,6 % en 7,1 %). Een enquête onder 528 actieve AI-gebruikers bevestigt het: juist ideeëngeneratie en gegevensverzameling beschouwen wetenschappers als het belangrijkst voor doorbraken, maar juist daar schiet het model vooralsnog tekort ten opzichte van de mens.
Vergelijking met parallelle benaderingen van andere laboratoria laat een verschil zien. OpenAI en Google DeepMind richten zich in hun rapporten vaker op demonstraties van concrete ontdekkingen (AlphaFold, GNoME), terwijl Anthropic de werkelijke verdeling van de belasting over de hele onderzoekscyclus meet. Daardoor wordt zichtbaar niet ‘wat mogelijk is’, maar ‘wat al gebeurt in massaal gebruik’. Het verschil is belangrijk: demonstraties tonen het plafond, de gegevens van Anthropic de huidige vloer.
Scenariomodellering levert kwantitatieve schattingen op. Bij brede invoering van de huidige mogelijkheden kan de output 1,35–2,02 keer groeien. In het hypothetische geval van volledige automatisering van alle niet-fysieke taken bereikt de groei in computer science en statistics 15-voudig, terwijl die in chemistry en biology beperkt blijft tot 3–4-voudig vanwege laboratoriumbottlenecks. Deze cijfers hangen af van aannames over adoption en capability, maar wijzen op een potentieel feedback loop: de versnelling van AI-onderzoek versnelt op zichzelf de ontwikkeling van krachtigere modellen.
De methodologie kent beperkingen die de auteurs uitdrukkelijk vermelden. De steekproef is beperkt tot consumer-plannen; gebruikers van Claude Science (een gespecialiseerd instrument) vertonen een andere structuur — een hoger aandeel ideation en autonomy. De classificatoren zijn getraind op de SciNet-taxonomie en kunnen subtiele of interdisciplinaire taken missen. Er is geen onafhankelijke verificatie door derden, hoewel de privacy-preserving aanpak het mogelijk maakt de geaggregeerde metrieken te reproduceren bij toegang tot vergelijkbare gegevens.
Open vragen betreffen de langetermijneffecten. Zal automatisering van niet-fysieke taken de druk op de fysieke infrastructuur vergroten of juist onderzoekers in staat stellen meer tijd aan experimenten te besteden? Hoe zal het carrièrepad van jonge wetenschappers veranderen als routinetaken naar modellen overgaan? En vooral — blijven menselijk begrip en verantwoordelijkheid voor de resultaten behouden wanneer het aandeel AI-gegenereerde content in artikelen vele malen groter wordt.
Het rapport van Anthropic laat zien dat de huidige golf van adoption de inspanningen van onderzoekers al herverdeelt ten gunste van taken waarin modellen het sterkst zijn, en daarmee een versnellings traject uitzet dat per discipline ongelijkmatig zal zijn.
