Anthropic 经济研究团队 11 月 5 日发布报告，统计科研人员拿 Claude 做什么。样本是 8 月 2 日到 9 月 30 日消费者套餐里被标为科研相关的 207049 条会话，其中 Claude（含 Chat 和 Cowork）128914 条，Claude Code 78135 条，另有一批 Claude Science 的补充样本。
分类用的是团队自建的 SciNet 体系，覆盖 7262 项任务、34 个学科、318 个子领域。报告称分类器只输出学科和任务标签，不提取研究内容，结果只按汇总发布，账户数不够门槛的格子不报。
用得最多的是跑数据和写稿
按会话占比，数据分析在 Claude 上占 33.7%，在 Claude Code 上占 48.1%；写作与交流在 Claude 上占 32%，Claude Code 上占 17.6%。单项任务里最常见的是写论文稿，占 Claude 会话的 18.6%。
拿这些数和研究人员的时间分配对照，差距很明显：
| 任务 | Claude | Claude Code | 占研究时间 |
|---|---|---|---|
| 数据分析 | 33.7% | 48.1% | 27.6% |
| 写作与交流 | 32.0% | 17.6% | 16.0% |
| 数据收集 | 11.5% | 11.9% | 28.6% |
| 构思与假设 | 4.2% | 2.1% | 7.1% |
数据收集占科研人员近三成时间，在会话里只有一成出头，多半因为采样、做实验这类活要动手。构思与提出假设被受访科学家评为最重要的环节（满分 100 打 35.6 分），用量却最低。
学科分布也偏。计算机科学研究者只占全球研究人员的 4.3%，在 Claude Code 会话里却占 32.7%；AI 与机器学习子领域研究者占全球 1.2%，在 Claude Code 上占 15.2%。化学、医学这些实验学科用得少。报告的说法是：
“In short, scientists appear to use AI where it works best.” （简单说，科学家把 AI 用在它最擅长的地方。）
算一笔加速的账
报告给了三档情景估算。第一档只按现有能力广泛铺开，AI 可承担研究时间的 27% 到 52%，中位数 38%，各学科产出加速约 1.35 倍（艺术）到 2.02 倍（统计），计算机科学约 1.96 倍，化学约 1.41 倍。第三档假设 AI 包下全部非体力步骤，统计、计算机、经济、数学能到 15 到 16 倍，生物、化学、材料只有 3 到 4 倍，因为体力步骤占这些学科研究时间的 38% 到 41%。
这些倍数背后的成本假设是：AI 每小时 30 美元，研究人员每小时 95 美元，每省下研究人员 1 小时，AI 要跑 0.2 小时。按这组数粗算，省下一小时人工只花约 6 美元的 AI 费用，成本几乎不构成约束，卡脖子的是实验室里那部分手上的活。报告自己也写了 “Physical bottlenecks remain powerful.”
作者强调第二、第三档是假设，并非预测，估算也没算设备、试剂和实验室容量。分类和耗时估计都由大模型完成，子领域层面的数字噪声更大。
科学家自己怎么看
配套问卷收了 528 名科学家的回答，大多来自生命与健康科学，集中在美国和加拿大，而且是 Anthropic 科研项目的申请者，样本天然偏向积极用户。38% 的受访者认为 AI 现在已能在数据分析上达到顶尖研究者水平，预期到 2030 年这一比例为 94%。约四成人认为 2030 年 AI 能独立做完一个完整研究项目，16% 认为永远做不到。
Claude Science 的用户画像更专：生物医学和生物学合计过半，82.7% 的会话达到博士水平内容，73.3% 属于高度自主执行。这批用户本身更专业，差异不能全记在产品头上，报告也这么写了。
参考来源：CocoLoop、Anthropic 研究报告《How researchers use Claude》；报告正文核验会话样本、任务占比、学科分布、三档情景加速倍数与成本假设，问卷数字以报告披露为准。