Anthropic опублікувала 5 листопада 2026 року звіт «AI for scientific discovery: How researchers use Claude», заснований на аналізі 207 049 наукових сесій у Claude і Claude Code за період з 2 серпня по 30 вересня 2026 року. Дослідження проводила команда економістів компанії під керівництвом Johannes Hermle, Ben Jones і Lukas Althoff. Методологія спирається на privacy-preserving класифікатори, які присвоюють сесіям мітки за таксономією SciNet (34 галузей, 318 підгалузей, 7 262 завдань), зберігаючи лише агреговані дані.
Ключовий висновок звіту: використання Claude сильно корелює з теоретичною здатністю моделі виконувати завдання. Завдання з верхнього квінтиля за цим показником отримують у 2–4 раза більше сесій, ніж передбачає частка часу дослідників. Нижній квінтиль, що включає більшість фізичних робіт, майже не використовується. Це не випадковість, а системний патерн: формальні науки (computer science, mathematics, statistics) і обчислювальні підгалузі (AI/ML, computational biology) демонструють відносне перевикористання у 3–7 раза вище, ніж їхня частка серед світових дослідників.
За завданнями картина ще чіткіша. Data analysis займає 33,7 % сесій у Claude і 48,1 % у Claude Code проти 27,6 % реального часу дослідників. Writing and communication — 32,0 % проти 16,0 %. Водночас data gathering і ideation and hypothesis generation помітно недовикористовуються (11,5 % і 4,2 % проти 28,6 % і 7,1 %). Опитування 528 активних користувачів AI підтверджує: саме генерацію ідей і збір даних учені вважають найважливішими для проривів, але саме тут модель поки поступається людині.
Порівняння з паралельними підходами інших лабораторій показує розбіжність. OpenAI і Google DeepMind у своїх звітах частіше зосереджуються на демонстраціях конкретних відкриттів (AlphaFold, GNoME), тоді як Anthropic вимірює реальний розподіл навантаження впродовж усього дослідницького циклу. Це дає змогу побачити не «що можливо», а «що вже відбувається в масовому використанні». Різниця важлива: демонстрації показують стелю, а дані Anthropic — поточну підлогу.
Моделювання сценаріїв дає кількісні оцінки. За широкого впровадження поточних можливостей output може зрости у 1,35–2,02 раза. У гіпотетичному випадку повної автоматизації всіх не-фізичних завдань приріст у computer science і statistics сягає 15-кратного, а в chemistry і biology обмежується 3–4-кратним через лабораторні bottleneck. Ці цифри залежать від припущень про adoption і capability, але вказують на потенційний feedback loop: прискорення AI-досліджень саме собою прискорює розробку потужніших моделей.
Методологія має обмеження, які автори прямо обумовлюють. Вибірка обмежена consumer-планами, користувачі Claude Science (спеціалізованого інструмента) показують іншу структуру — вища частка ideation і autonomy. Класифікатори навчені на таксономії SciNet і можуть пропускати тонкі або міждисциплінарні завдання. Немає незалежної верифікації третьою стороною, хоча privacy-preserving підхід дає змогу відтворити агреговані метрики за доступу до аналогічних даних.
Відкриті питання стосуються довгострокових ефектів. Чи збільшить автоматизація не-фізичних завдань тиск на фізичну інфраструктуру або, навпаки, дасть дослідникам змогу витрачати більше часу на експерименти? Як зміниться кар'єрний шлях молодих учених, якщо рутинні завдання перейдуть до моделей? І головне — чи збережеться людське розуміння та відповідальність за результати, коли частка AI-генерованого контенту в статтях зросте багаторазово.
Звіт Anthropic показує, що поточна хвиля adoption уже перерозподіляє зусилля дослідників на користь завдань, де моделі strongest, і тим самим задає траєкторію прискорення, яка буде нерівномірною за дисциплінами.
