Anthropic opublikowała 5 listopada 2026 roku raport „AI for scientific discovery: How researchers use Claude”, oparty na analizie 207 049 sesji naukowych w Claude i Claude Code w okresie od 2 sierpnia do 30 września 2026 roku. Badanie przeprowadził zespół ekonomistów firmy pod kierownictwem Johannesa Hermle, Bena Jonesa i Lukasa Althoffa. Metodologia opiera się na klasyfikatorach chroniących prywatność, które przypisują sesjom etykiety według taksonomii SciNet (34 dziedzin, 318 poddziedzin, 7 262 zadań), zachowując wyłącznie dane zagregowane.
Kluczowy wniosek raportu: wykorzystanie Claude silnie koreluje z teoretyczną zdolnością modelu do wykonania zadania. Zadania z górnego kwintyla według tego wskaźnika otrzymują 2–4 razy więcej sesji, niż przewiduje udział czasu badaczy. Dolny kwintyl, obejmujący większość prac fizycznych, jest prawie niewykorzystywany. To nie przypadek, lecz systemowy wzorzec: nauki formalne (computer science, mathematics, statistics) i poddziedziny obliczeniowe (AI/ML, computational biology) wykazują względne nadużycie 3–7 razy wyższe niż ich udział wśród badaczy na świecie.
W przypadku zadań obraz jest jeszcze wyraźniejszy. Data analysis zajmuje 33,7 % sesji w Claude i 48,1 % w Claude Code wobec 27,6 % rzeczywistego czasu badaczy. Writing and communication — 32,0 % wobec 16,0 %. Jednocześnie data gathering oraz ideation and hypothesis generation są wyraźnie niedostatecznie wykorzystywane (11,5 % i 4,2 % wobec 28,6 % i 7,1 %). Badanie ankietowe 528 aktywnych użytkowników AI potwierdza: to właśnie generowanie pomysłów i zbieranie danych naukowcy uważają za najważniejsze dla przełomów, ale właśnie tutaj model na razie ustępuje człowiekowi.
Porównanie z równoległymi podejściami innych laboratoriów pokazuje rozbieżność. OpenAI i Google DeepMind w swoich raportach częściej skupiają się na demonstracjach konkretnych odkryć (AlphaFold, GNoME), podczas gdy Anthropic mierzy rzeczywisty rozkład obciążenia w całym cyklu badawczym. Pozwala to zobaczyć nie „co jest możliwe”, lecz „co już dzieje się w masowym użyciu”. Różnica jest istotna: demonstracje pokazują sufit, a dane Anthropic — obecny poziom.
Modelowanie scenariuszy daje oceny ilościowe. Przy szerokim wdrożeniu obecnych możliwości output może wzrosnąć 1,35–2,02 razy. W hipotetycznym przypadku pełnej automatyzacji wszystkich zadań nie-fizycznych wzrost w computer science i statistics sięga 15-krotnego, a w chemistry i biology ogranicza się do 3–4-krotnego z powodu wąskich gardeł laboratoryjnych. Liczby te zależą od założeń dotyczących adoption i capability, ale wskazują na potencjalną pętlę sprzężenia zwrotnego: przyspieszenie badań nad AI samo w sobie przyspiesza opracowywanie potężniejszych modeli.
Metodologia ma ograniczenia, które autorzy wprost zastrzegają. Próba jest ograniczona do planów konsumenckich; użytkownicy Claude Science (wyspecjalizowanego narzędzia) wykazują inną strukturę — wyższy udział ideation i autonomy. Klasyfikatory są wytrenowane na taksonomii SciNet i mogą pomijać zadania subtelne lub interdyscyplinarne. Brak niezależnej weryfikacji przez stronę trzecią, choć podejście chroniące prywatność pozwala odtworzyć zagregowane metryki przy dostępie do analogicznych danych.
Otwarte pytania dotyczą efektów długoterminowych. Czy automatyzacja zadań nie-fizycznych zwiększy presję na infrastrukturę fizyczną, czy wręcz przeciwnie — pozwoli badaczom poświęcać więcej czasu na eksperymenty? Jak zmieni się ścieżka kariery młodych naukowców, jeśli rutynowe zadania przejdą do modeli? I najważniejsze — czy ludzkie zrozumienie i odpowiedzialność za wyniki zostaną zachowane, gdy udział treści generowanych przez AI w artykułach wzrośnie wielokrotnie.
Raport Anthropic pokazuje, że obecna fala adoption już redystrybuuje wysiłki badaczy na korzyść zadań, w których modele są najmocniejsze, i tym samym wyznacza trajektorię przyspieszenia, która będzie nierównomierna w poszczególnych dyscyplinach.
