Anthropic 发布科研使用研究，以隐私保护方法分析了约 20.7 万次 Claude 与 Claude Code 会话。报告显示，研究者主要用它们分析数据和撰写内容，想法生成与数据采集的使用占比则相对较低。这项研究将实际使用情况与科研任务的时间分配进行对照，呈现 AI 在科研流程不同环节中的应用差异。
据 Anthropic 报告，主样本包含 2026 年 8 月 2 日至 9 月 30 日消费者计划上的 207,049 次科研会话。其中，128,914 次来自 Chat 和 Cowork，报告将两者统称为 Claude；78,135 次来自 Claude Code。研究团队只保留和分析分类标签，不提取、存储研究内容的开放式信息或细节，结果以汇总形式呈现。
报告统计，数据分析占 Claude 会话的 33.7%、Claude Code 会话的 48.1%，高于其在研究者时间中的估计占比 27.6%。写作与沟通占 Claude 会话的 32.0%，对应的研究时间占比为 16.0%。这些时间份额来自 SciNet 估计，基于语言模型分类器，并通过湿实验流程记录及论文中的任务频率进行验证。
相比之下，数据采集占研究者时间的 28.6%，却只占 Claude 和 Claude Code 会话的 11.5% 与 11.9%。想法与假设生成的对应比例为 7.1%、4.2% 和 2.1%。
学科分布也不均衡：据报告，计算机科学研究者占全球研究人员的 4.3%，该领域却贡献了 32.7% 的 Claude Code 会话。
Anthropic 还分析了 Claude Science 的补充样本。该工具将分散的科研工具和数据库接入同一工作流。报告称，想法与假设生成占其会话的 8%，与研究者在这类任务上的时间占比大致相当。
在生物学和生物医学领域的比较中，「提出蛋白质—蛋白质或蛋白质—配体相互作用的机理模型」这项任务，出现在 Claude Science 上的可能性是 Claude 上的 5.6 倍。
报告还用模型估算固定研究预算下的产出变化。在现有 AI 能力被广泛采用的情景中，化学、计算机科学和统计学的研究产出分别达到无 AI 时的 1.41 倍、1.96 倍和 2.02 倍。
在 AI 完全自动化所有非物理研究步骤的假设下，计算机科学、统计学等领域可达到约 15 至 16 倍，生物学、化学等依赖实验的领域则为 3 至 4 倍。作者明确指出，这些是示意性情景，并非预测；结果依赖 AI 能力范围和成本等假设，物理实验仍构成瓶颈。
