Anthropic опубликовала 5 ноября 2026 года отчёт «AI for scientific discovery: How researchers use Claude», основанный на анализе 207 049 научных сессий в Claude и Claude Code за период с 2 августа по 30 сентября 2026 года. Исследование проводила команда экономистов компании под руководством Johannes Hermle, Ben Jones и Lukas Althoff. Методология опирается на privacy-preserving классификаторы, которые присваивают сессиям метки по таксономии SciNet (34 области, 318 подобластей, 7 262 задач), сохраняя только агрегированные данные.
Ключевой вывод отчёта: использование Claude сильно коррелирует с теоретической способностью модели выполнять задачу. Задачи из верхнего квинтиля по этому показателю получают в 2–4 раза больше сессий, чем предсказывает доля времени исследователей. Нижний квинтиль, включающий большинство физических работ, почти не используется. Это не случайность, а системный паттерн: формальные науки (computer science, mathematics, statistics) и вычислительные подобласти (AI/ML, computational biology) демонстрируют относительное переиспользование в 3–7 раз выше, чем их доля среди мировых исследователей.
По задачам картина ещё более чёткая. Data analysis занимает 33,7 % сессий в Claude и 48,1 % в Claude Code против 27,6 % реального времени исследователей. Writing and communication — 32,0 % против 16,0 %. При этом data gathering и ideation and hypothesis generation заметно недоиспользуются (11,5 % и 4,2 % против 28,6 % и 7,1 %). Опрос 528 активных пользователей AI подтверждает: именно генерация идей и сбор данных учёные считают наиболее важными для прорывов, но именно здесь модель пока уступает человеку.
Сравнение с параллельными подходами других лабораторий показывает расхождение. OpenAI и Google DeepMind в своих отчётах чаще фокусируются на демонстрациях конкретных открытий (AlphaFold, GNoME), тогда как Anthropic измеряет реальное распределение нагрузки по всему исследовательскому циклу. Это позволяет увидеть не «что возможно», а «что уже происходит в массовом использовании». Разница важна: демонстрации показывают потолок, а данные Anthropic — текущий пол.
Моделирование сценариев даёт количественные оценки. При широком внедрении текущих возможностей output может вырасти в 1,35–2,02 раза. В гипотетическом случае полной автоматизации всех не-физических задач прирост в computer science и statistics достигает 15-кратного, а в chemistry и biology ограничивается 3–4-кратным из-за лабораторных bottleneck. Эти цифры зависят от допущений о adoption и capability, но указывают на потенциальный feedback loop: ускорение AI-исследований само по себе ускоряет разработку более мощных моделей.
Методология имеет ограничения, которые авторы прямо оговаривают. Выборка ограничена consumer-планами, пользователи Claude Science (специализированного инструмента) показывают иную структуру — выше доля ideation и autonomy. Классификаторы обучены на таксономии SciNet и могут пропускать тонкие или междисциплинарные задачи. Нет независимой верификации третьей стороной, хотя privacy-preserving подход позволяет воспроизвести агрегированные метрики при доступе к аналогичным данным.
Открытые вопросы касаются долгосрочных эффектов. Увеличит ли автоматизация не-физических задач давление на физическую инфраструктуру или, наоборот, позволит исследователям тратить больше времени на эксперименты? Как изменится карьерный путь молодых учёных, если рутинные задачи уйдут к моделям? И главное — сохранится ли человеческое понимание и ответственность за результаты, когда доля AI-генерируемого контента в статьях вырастет многократно.
Отчёт Anthropic показывает, что текущая волна adoption уже перераспределяет усилия исследователей в пользу задач, где модели strongest, и тем самым задаёт траекторию ускорения, которая будет неравномерной по дисциплинам.
