Jak naukowcy używają Claude. Raport Anthropic o 207 tys. sesji

Do czego naukowcy używają Claude

Autorzy porównali udział każdego typu pracy w sesjach z czasem, jaki badacze zwykle na nią poświęcają. Analiza danych i pisanie mają w Claude znacznie większy udział niż w tygodniu pracy naukowca. Zbieranie danych wypada odwrotnie, bo duża jego część odbywa się fizycznie, w laboratorium lub w terenie.

Poniższe zestawienie uzupełniliśmy o własne wyliczenie, czyli stosunek udziału w sesjach Claude do udziału w czasie pracy. Wartość powyżej 1 oznacza, że AI jest używana częściej, niż wynikałoby to z czasu poświęcanego na dane zadanie.

• Analiza danych to 33,7 proc. sesji w Claude, 48,1 proc. w Claude Code i 27,6 proc. czasu badaczy, a stosunek wynosi ok. 1,2.
• Pisanie i komunikacja to 32 proc. sesji w Claude i 16 proc. czasu badaczy, a stosunek wynosi 2.
• Zbieranie danych to 11,5 proc. sesji w Claude, 11,9 proc. w Claude Code i 28,6 proc. czasu badaczy, a stosunek wynosi ok. 0,4.
• Stawianie hipotez to 4,2 proc. sesji w Claude, 2,1 proc. w Claude Code i 7,1 proc. czasu badaczy, a stosunek wynosi ok. 0,6.

Które dziedziny korzystają z Claude najczęściej

W Claude największy udział mają informatyka (11,9 proc.), inżynieria (8,4 proc.) i medycyna (7,7 proc.). Po odniesieniu do liczby badaczy na czele są jednak matematyka, statystyka, informatyka i nauki społeczne. Medycyna oraz chemia wypadają słabiej. Autorzy tłumaczą to pracą z pacjentem i w laboratorium, a w naukach o zdrowiu wskazują też możliwy wpływ przepisów o danych medycznych.

Claude Code jest jeszcze silniej skupiony na dziedzinach ilościowych. Sama informatyka odpowiada tam za 32,7 proc. sesji, a badania nad AI i uczeniem maszynowym za 15,2 proc., choć pracuje w nich 1,2 proc. naukowców na świecie.

Luka między użyciem a tym, co naukowcy cenią najbardziej

Najciekawszy wynik pochodzi z ankiety. Badacze uznali stawianie hipotez za najważniejszą część pracy prowadzącej do znaczących wyników, a zbieranie danych umieścili na drugim miejscu. Oba obszary mają niski udział w użyciu AI. Autorzy zastrzegają, że dane mogą zaniżać stawianie hipotez, bo ta praca przeplata się z innymi zadaniami i trudno ją sklasyfikować.

Inaczej wygląda to w Claude Science, specjalistycznym narzędziu Anthropic połączonym z bazami danych. Hipotezy to tam 8 proc. sesji, czyli dwa razy więcej niż w Claude. Ponad 70 proc. sesji przebiega przy dużej samodzielności AI, wobec 23,7 proc. w Claude i 64,1 proc. w Claude Code. Ponad połowa sesji w Claude Science dotyczy biologii i nauk biomedycznych, więc tych wyników nie da się przenieść na inne dziedziny.

Ile AI może przyspieszyć badania

Pierwszy scenariusz zakłada szerokie wdrożenie obecnych możliwości. AI przejęłaby wtedy 27-52 proc. czasu potrzebnego na przygotowanie badania, z medianą 38 proc. Wzrost produkcji wyniósłby ok. 1,35 raza w sztuce, 1,41 raza w chemii i ok. 2 razy w informatyce oraz statystyce. W scenariuszu pełnej automatyzacji prac niefizycznych dziedziny bez laboratoriów doszłyby do 15-16 razy, a biologia i chemia tylko do 3-4 razy, bo prace fizyczne zajmują tam ok. 40 proc. czasu.

Te liczby zależą od założeń. Autorzy przyjęli 30 USD za godzinę pracy agenta AI i 95 USD za godzinę badacza, czyli ok. 118 zł i 374 zł po kursie NBP z 6 listopada (1 USD = 3,9321 zł). Sami nazywają to ilustracją, a nie prognozą. Nie uwzględnili kosztu aparatury ani ograniczeń dostępu do dużych instalacji badawczych. Wśród ankietowanych ok. 40 proc. spodziewa się, że do 2030 roku AI samodzielnie przeprowadzi cały projekt badawczy, a 16 proc. uważa, że to nigdy nie nastąpi.

Ograniczenia raportu

Dane pochodzą od firmy, która sprzedaje Claude i Claude Science, więc wnioski o przydatności AI w nauce dotyczą także jej własnej oferty. Próba obejmuje wyłącznie plany konsumenckie, bez kont firmowych i uczelnianych umów. Ankieta objęła głównie aktywnych użytkowników AI z nauk o życiu i zdrowiu, więc oczekiwania tej grupy mogą być wyższe od przeciętnych.

Etykiety sesji i ocenę możliwości AI przygotował model językowy, a nie zespół recenzentów. W sprawdzonym materiale nie ma informacji o recenzji naukowej. Raport nie podaje też danych dla Polski, dlatego nie da się z niego wyczytać, jak korzystają z AI polskie uczelnie i instytuty.

Co z tego wynika dla polskich zespołów badawczych

W naszej ocenie raport najlepiej czytać jako mapę tego, gdzie AI już działa, a nie jako obietnicę dwukrotnie szybszej nauki. Zespołom, które dopiero zaczynają, można zaproponować prostą kolejność działań.

1. Zacznij od zadań, które da się łatwo sprawdzić, czyli wizualizacji danych i testów statystycznych.
2. Każdy wynik analizy powtórz niezależnie, zanim trafi do publikacji.
3. Przed wklejeniem danych sprawdź warunki planu i zasady instytucji, zwłaszcza przy danych o pacjentach.
4. Sprawdź zasady czasopisma i grantodawcy dotyczące ujawniania użycia AI.
5. Decyzje o pytaniach badawczych zostaw zespołowi i traktuj propozycje modelu jako materiał do krytycznej oceny.