A Anthropic publicou em 5 de novembro de 2026 o relatório «AI for scientific discovery: How researchers use Claude», baseado na análise de 207 049 sessões científicas no Claude e no Claude Code no período de 2 de agosto a 30 de setembro de 2026. A pesquisa foi conduzida pela equipe de economistas da empresa sob a liderança de Johannes Hermle, Ben Jones e Lukas Althoff. A metodologia baseia-se em classificadores que preservam a privacidade, os quais atribuem rótulos às sessões segundo a taxonomia SciNet (34 áreas, 318 subáreas, 7 262 tarefas), mantendo apenas dados agregados.
A principal conclusão do relatório: o uso do Claude correlaciona-se fortemente com a capacidade teórica do modelo de executar a tarefa. As tarefas do quintil superior segundo esse indicador recebem de 2 a 4 vezes mais sessões do que prevê a proporção do tempo dos pesquisadores. O quintil inferior, que inclui a maioria dos trabalhos de física, quase não é utilizado. Isso não é coincidência, mas um padrão sistêmico: as ciências formais (computer science, mathematics, statistics) e as subáreas computacionais (AI/ML, computational biology) demonstram uma reutilização relativa de 3 a 7 vezes maior do que a sua proporção entre os pesquisadores mundiais.
Por tarefa, o quadro é ainda mais claro. Data analysis ocupa 33,7 % das sessões no Claude e 48,1 % no Claude Code, contra 27,6 % do tempo real dos pesquisadores. Writing and communication — 32,0 % contra 16,0 %. Ao mesmo tempo, data gathering e ideation and hypothesis generation são visivelmente subutilizados (11,5 % e 4,2 % contra 28,6 % e 7,1 %). Uma pesquisa com 528 usuários ativos de AI confirma: é justamente a geração de ideias e a coleta de dados que os cientistas consideram mais importantes para avanços, mas é exatamente aí que o modelo ainda fica atrás do ser humano.
A comparação com abordagens paralelas de outros laboratórios revela uma divergência. A OpenAI e o Google DeepMind, em seus relatórios, concentram-se com mais frequência em demonstrações de descobertas específicas (AlphaFold, GNoME), enquanto a Anthropic mede a distribuição real da carga ao longo de todo o ciclo de pesquisa. Isso permite ver não «o que é possível», mas «o que já acontece no uso em massa». A diferença é importante: as demonstrações mostram o teto, e os dados da Anthropic, o piso atual.
A modelagem de cenários fornece estimativas quantitativas. Com a ampla adoção das capacidades atuais, o output pode crescer de 1,35 a 2,02 vezes. No caso hipotético de automação completa de todas as tarefas não físicas, o aumento em computer science e statistics chega a 15 vezes, enquanto em chemistry e biology fica limitado a 3–4 vezes devido aos gargalos de laboratório. Esses números dependem de pressupostos sobre adoption e capability, mas apontam para um potencial feedback loop: a aceleração da pesquisa em AI, por si só, acelera o desenvolvimento de modelos mais poderosos.
A metodologia tem limitações que os autores declaram abertamente. A amostra está limitada aos planos consumer; os usuários do Claude Science (uma ferramenta especializada) apresentam uma estrutura diferente — maior proporção de ideation e autonomy. Os classificadores foram treinados na taxonomia SciNet e podem deixar passar tarefas sutis ou interdisciplinares. Não há verificação independente por terceiros, embora a abordagem que preserva a privacidade permita reproduzir as métricas agregadas com acesso a dados semelhantes.
As questões em aberto dizem respeito aos efeitos de longo prazo. A automação das tarefas não físicas aumentará a pressão sobre a infraestrutura física ou, ao contrário, permitirá que os pesquisadores dediquem mais tempo aos experimentos? Como mudará a trajetória de carreira dos jovens cientistas se as tarefas rotineiras passarem para os modelos? E, sobretudo, manter-se-ão a compreensão e a responsabilidade humanas pelos resultados quando a proporção de conteúdo gerado por AI nos artigos crescer muitas vezes?
O relatório da Anthropic mostra que a atual onda de adoption já está redistribuindo os esforços dos pesquisadores em favor das tarefas em que os modelos são mais fortes, e assim define uma trajetória de aceleração que será desigual entre as disciplinas.
