Anthropic изучила 207 000 научных сессий Claude: 34% анализ данных, идеи — в хвосте

Когда говорят, что ИИ ускорит науку, обычно спорят о будущем. Anthropic решила посмотреть на настоящее: что учёные реально делают с Claude прямо сейчас. Отчёт построен на 207 тысячах сессий за август и сентябрь 2026 года: около 129 тысяч из чата и Cowork и 78 тысяч из Claude Code.

Как это измеряли

Языковая модель читает каждую сессию и ставит ей метки: область науки, подобласть и конкретная задача из таксономии SciNet. В ней 7 262 задачи, 34 области и 318 подобластей. Содержимое разговоров не сохраняется: ни данные, ни гипотезы, ни методы, ни неопубликованные статьи. Остаются только метки, и результаты показывают лишь в агрегате, для групп с достаточным числом разных аккаунтов.

Важная оговорка: выборка взята только из потребительских тарифов. Корпоративные и академические развёртывания в неё не вошли, так что картина неполная.

Где и для чего используют Claude

Больше всего сессий приходится на информатику (11,9%), инженерию (8,4%) и медицину (7,7%). Но если сравнить с числом исследователей в области, картина меняется. Формальные науки, то есть информатика, математика и статистика, используют Claude заметно активнее своей доли. Химия и медицина, где работа идёт в лаборатории или с пациентами, отстают. В Claude Code перекос сильнее: информатика составляет всего 4,3% мировых исследователей, но даёт 32,7% сессий.

По задачам лидирует анализ данных: 33,7% сессий в Claude и 48,1% в Claude Code при том, что на него уходит 27,6% рабочего времени учёных. Письмо и коммуникация занимают 32% сессий в Claude против 16% времени. Сбор данных, наоборот, недоиспользуется: 28,6% времени, но около 12% сессий. Особенно там, где мешает физика, например при клинических и биохимических измерениях.

Парадокс в том, что в опросе сами учёные назвали генерацию идей и сбор данных самыми важными для открытий задачами, а используют ИИ для них реже всего. Специализированный Claude Science смещает баланс: идеям там отведена примерно вдвое большая доля, чем в обычном Claude.

Почему именно так

Авторы построили оценку того, насколько хорошо ИИ в принципе способен выполнять каждую задачу. Задачи из верхних 20% получают в два-четыре раза больше использования, чем следовало бы по затраченному времени. Нижние 20%, в основном физическая работа, почти не затронуты. Лучше всего ИИ идёт туда, где задачи когнитивные и хорошо подходят для обучения с подкреплением, где есть проверяемый результат.

Что это значит для скорости науки

По простой модели при широком внедрении нынешних возможностей выпуск исследований в некоторых областях может вырасти вдвое. Если ИИ возьмёт на себя всю нефизическую работу, в информатике и статистике рост достигнет 15 раз, а в химии и биологии лишь в три-четыре раза из-за физических ограничений. Около 40% опрошенных активных пользователей ИИ ждут, что к 2030 году модели смогут вести исследовательские проекты полностью самостоятельно.

Отдельный эффект: области с наибольшим потенциалом включают разработку самого ИИ. Это даёт петлю обратной связи, где более быстрые исследования дают более мощные модели, а те ускоряют исследования дальше.

Практический вывод

Для продактов и основателей главный урок в разрыве между тем, что учёные делают с ИИ, и тем, что считают важным. Пустая ниша лежит в идеях, гипотезах и сборе данных, причём там, где можно обойтись цифровыми процессами, например в поиске архивных документов и текстов. Для разработчиков сигнал такой: ИИ приживается там, где результат легко проверить. Если строите инструмент для исследователей, начинайте с анализа данных и добавляйте проверяемость, а уже потом замахивайтесь на генерацию гипотез.

Стоит помнить и об ограничениях. Метки ставит модель-классификатор, 15-кратный рост это гипотетический сценарий, а не прогноз, и сами авторы указывают на риски: меньше человеческого контроля, возможные опасные исследования и изменение карьер учёных.