Anthropic, 5 Kasım 2026 tarihinde «AI for scientific discovery: How researchers use Claude» başlıklı raporu yayımladı. Rapor, 2 Ağustos ile 30 Eylül 2026 arasındaki dönemde Claude ve Claude Code'daki 207 049 bilimsel oturumun analizine dayanıyor. Araştırmayı şirketin Johannes Hermle, Ben Jones ve Lukas Althoff liderliğindeki ekonomist ekibi yürüttü. Metodoloji, oturumlara SciNet taksonomisine göre etiketler atayan (34 alan, 318 alt alan, 7 262 görev) ve yalnızca toplu verileri saklayan gizliliği koruyan sınıflandırıcılara dayanıyor.
Raporun temel bulgusu: Claude kullanımı, modelin bir görevi yerine getirme konusundaki teorik kapasitesiyle güçlü biçimde ilişkili. Bu göstergeye göre en üst beşlik dilimdeki görevler, araştırmacıların zaman payının öngördüğünden 2–4 kat daha fazla oturum alıyor. Çoğu fiziksel işi kapsayan en alt beşlik dilim ise neredeyse hiç kullanılmıyor. Bu bir tesadüf değil, sistemik bir örüntü: biçimsel bilimler (computer science, mathematics, statistics) ve hesaplamalı alt alanlar (AI/ML, computational biology), dünya genelindeki araştırmacılar arasındaki paylarına kıyasla 3–7 kat daha yüksek göreli yeniden kullanım sergiliyor.
Görevler açısından tablo daha da net. Data analysis, Claude'daki oturumların 33,7 %'ini ve Claude Code'dakilerin 48,1 %'ini oluştururken araştırmacıların gerçek zamanında bu oran 27,6 %. Writing and communication — 32,0 %'e karşı 16,0 %. Buna karşılık data gathering ile ideation and hypothesis generation belirgin biçimde yetersiz kullanılıyor (11,5 % ve 4,2 %'e karşı 28,6 % ve 7,1 %). AI'ı aktif kullanan 528 kullanıcıyla yapılan anket de bunu doğruluyor: bilim insanları atılımlar için en önemli gördükleri şeyin tam da fikir üretimi ve veri toplama olduğunu belirtiyor, ancak modelin insana göre henüz geride kaldığı yer de tam olarak burası.
Diğer laboratuvarların paralel yaklaşımlarıyla karşılaştırma bir ayrışma gösteriyor. OpenAI ve Google DeepMind raporlarında daha çok belirli keşiflerin gösterimlerine (AlphaFold, GNoME) odaklanırken Anthropic, tüm araştırma döngüsü boyunca gerçek yük dağılımını ölçüyor. Bu, «ne mümkün» değil, «kitlesel kullanımda hâlihazırda ne oluyor» sorusunu görmeyi sağlıyor. Fark önemli: gösterimler tavanı, Anthropic'in verileri ise mevcut tabanı ortaya koyuyor.
Senaryo modellemesi nicel tahminler sunuyor. Mevcut yeteneklerin geniş çapta benimsenmesi durumunda çıktı 1,35–2,02 kat artabilir. Fiziksel olmayan tüm görevlerin tam otomasyonu varsayımsal durumunda, computer science ve statistics'teki artış 15 kata ulaşırken chemistry ve biology'de laboratuvar darboğazları nedeniyle 3–4 katla sınırlı kalıyor. Bu sayılar benimseme ve yetenek varsayımlarına bağlı, ancak potansiyel bir geri besleme döngüsüne işaret ediyor: AI araştırmalarının hızlanması, kendi başına daha güçlü modellerin geliştirilmesini hızlandırıyor.
Metodolojinin, yazarların açıkça belirttiği sınırlamaları var. Örneklem consumer planlarıyla sınırlı; Claude Science (özel bir araç) kullanıcıları farklı bir yapı sergiliyor — ideation ve autonomy payı daha yüksek. Sınıflandırıcılar SciNet taksonomisiyle eğitilmiş ve ince veya disiplinler arası görevleri kaçırabiliyor. Gizliliği koruyan yaklaşım benzer verilere erişimle toplu metriklerin yeniden üretilmesine olanak tanısa da bağımsız üçüncü taraf doğrulaması yok.
Açık sorular uzun vadeli etkilerle ilgili. Fiziksel olmayan görevlerin otomasyonu fiziksel altyapı üzerindeki baskıyı artıracak mı, yoksa tam tersine araştırmacıların deneylere daha fazla zaman ayırmasını mı sağlayacak? Rutin görevler modellere geçerse genç bilim insanlarının kariyer yolu nasıl değişecek? Ve en önemlisi, makalelerde AI tarafından üretilen içeriğin payı kat kat artarken insanın anlayışı ve sonuçlara ilişkin sorumluluğu korunacak mı?
Anthropic'in raporu, mevcut benimseme dalgasının araştırmacıların çabalarını modellerin en güçlü olduğu görevler lehine hâlihazırda yeniden dağıttığını ve böylece disiplinler arasında eşit olmayacak bir hızlanma yörüngesi belirlediğini gösteriyor.
