Raport Anthropic wskazuje, że w analizowanych sesjach badawczych z Claude i Claude Code najczęściej pojawiały się analiza danych oraz pisanie. Są to wzorce korzystania z narzędzi, a nie pomiar wzrostu produktywności naukowej. Główną próbę stanowiło 207 049 sesji zebranych od 2 sierpnia do 30 września 2026 r.; Anthropic opublikował raport 5 listopada 2026 r. (raport Anthropic).
Co Anthropic przeanalizował
W głównej próbie znalazło się 128 914 sesji Claude Chat i Cowork oraz 78 135 sesji Claude Code z planów konsumenckich. Klasyfikatory przypisywały sesje do dziedzin i zadań badawczych według SciNet, taksonomii obejmującej 7 262 zadania, 34 dziedziny i 318 poddziedzin. Anthropic podaje, że system zachowywał etykiety kategorii zamiast otwartej treści badań, a wyniki agregowano z uwzględnieniem minimalnej liczby kont.
Firma przeprowadziła też ankietę wśród 528 badaczy, głównie z nauk biologicznych i nauk o zdrowiu. Uczestników rekrutowano przede wszystkim spośród osób ubiegających się o granty Anthropic związane z AI w nauce. Anthropic zaznacza, że ta grupa może korzystać z AI intensywniej niż typowi naukowcy, więc ankieta nie opisuje reprezentatywnie całego środowiska badawczego. Respondenci uznali generowanie pomysłów i hipotez za najważniejsze dla uzyskiwania istotnych wyników, a zbieranie danych za drugie pod względem ważności. Obie kategorie miały jednak mniejszy udział w sesjach niż analiza danych i pisanie.
Analiza danych i pisanie przeważają w sesjach
Poniższe wartości pokazują odsetek sesji przypisanych do danego zadania. Ostatnia kolumna to osobny szacunek udziału czasu pracy badawczej, a nie kolejny pomiar sesji.
| Zadanie badawcze | Sesje Claude | Sesje Claude Code | Szacowany udział czasu badań |
| Analiza danych | 33,7% | 48,1% | 27,6% |
| Pisanie i komunikacja | 32,0% | 17,6% | 16,0% |
| Zbieranie danych | 11,5% | 11,9% | 28,6% |
| Generowanie pomysłów i hipotez | 4,2% | 2,1% | 7,1% |
W analizie danych udział sesji Claude Code był wyższy niż Claude: 48,1% wobec 33,7%. Przy pisaniu i komunikacji proporcje się odwracały: 32,0% dla Claude i 17,6% dla Claude Code. Zbieranie danych oraz generowanie pomysłów zajmowały mniejszą część sesji, choć w szacunkach Anthropic te zadania pochłaniają większą część czasu badaczy. Sesja nie jest jednostką czasu pracy, dlatego tych miar nie należy utożsamiać.
Wśród sesji Claude Code szczególnie duży udział miała informatyka: 32,7%. W sesjach Claude stanowiła 11,9%. Anthropic porównał te wartości z szacowanym udziałem informatyków wśród badaczy na świecie, wynoszącym 4,3%; nie oznacza to jednak, że taki sam rozkład występuje w każdej społeczności naukowej.
Claude Science: więcej sesji z nauk biologicznych
W dodatkowej analizie sesje Claude Science koncentrowały się na naukach biomedycznych (31,1%), biologii (24,1%) oraz medycynie i naukach klinicznych (8,7%). W sesjach dotyczących biologii i nauk biomedycznych Anthropic szacował, że człowiek samodzielnie potrzebowałby na wykonanie zadań średnio 4,9 godziny w przypadku Claude, 5,9 godziny dla Claude Code i 10,3 godziny dla Claude Science. Treści na poziomie doktorskim przypisano odpowiednio 48,0%, 67,7% i 82,7% sesji, a wysoką autonomię: 23,7%, 64,1% i 73,3%.
To charakterystyka sklasyfikowanych sesji, nie ocena jakości badań. Anthropic zaznacza, że różnice mogą częściowo wynikać z tego, jacy badacze wybierają Claude Science i do jakich zadań go używają.
Mnożniki przyspieszenia pochodzą z modelu
W pierwszym scenariuszu Anthropic założył szerokie wykorzystanie obecnych możliwości AI. Model oszacował, że mogłyby one przejąć od 27% do 52% czasu badaczy w różnych dziedzinach, z medianą 38%. Przewidywany w tym scenariuszu mnożnik tempa pracy wynosił od 1,35× w sztuce do 2,02× w statystyce.
Dwa bardziej rozbudowane scenariusze zakładały automatyzację 75% lub 100% etapów badań niewymagających pracy fizycznej. W drugim z tych wariantów model szacował przyspieszenie rzędu 15–16× w wielu dziedzinach z niewielką liczbą zadań fizycznych, ale około 3–4× w naukach laboratoryjnych, takich jak biologia, chemia i nauki o materiałach. Dla scenariusza 75% model podawał około 8× w informatyce, 7× w statystyce oraz bibliotekoznawstwie i nauce o informacji, a 6× w ekonomii.
Są to wyniki hipotetycznych założeń, nie zmierzone przyrosty produktywności ani prognozy. We wszystkich scenariuszach badacze nadal wykonują czynności fizyczne. Model nie uwzględnia między innymi ograniczeń dostępności laboratoriów i aparatury, kosztów materiałów do eksperymentów ani jakości samych pomysłów.
Proś Claude o dokładny fragment publikacji potwierdzający twierdzenie, a potem sprawdź go w źródle.
Jak sprawdzać twierdzenia o literaturze
Andy Stapleton demonstruje organizowanie artykułów naukowych i wytycznych grantowych w osobnych Claude Projects z własnymi instrukcjami i plikami referencyjnymi. To przykład konkretnego sposobu pracy, nie gwarancja poprawności odpowiedzi. Użytkownik Reddita opisał praktykę proszenia o dokładny fragment źródła i sprawdzania go w publikacji; inny ostrzegł, że Claude może przypisać wynik niewłaściwemu badaniu albo uznać, że luka w literaturze istnieje, bo nie znalazł odpowiednich prac (wątek o pracy z Claude przy badaniach).
