Anthropic 經濟研究團隊於 11 月 5 日發布報告，統計研究人員用 Claude 做些什麼。樣本為 8 月 2 日至 9 月 30 日期間，個人用戶方案中被標記為科研相關的 207,049 筆對話，其中 Claude（含 Chat 與 Cowork）有 128,914 筆，Claude Code 有 78,135 筆，另有一批 Claude Science 的補充樣本。
分類採用團隊自建的 SciNet 體系，涵蓋 7,262 項任務、34 個學科、318 個子領域。報告指出，分類器只輸出學科與任務標籤，不擷取研究內容，結果僅以彙總方式發布，帳號數未達門檻的項目不予公布。
用得最多的是跑資料和寫稿
依對話占比來看，資料分析在 Claude 上占 33.7%，在 Claude Code 上占 48.1%；寫作與溝通在 Claude 上占 32%，在 Claude Code 上占 17.6%。單項任務中最常見的是撰寫論文稿，占 Claude 對話的 18.6%。
把這些數字與研究人員的時間分配對照，落差相當明顯：
| 任務 | Claude | Claude Code | 占研究時間 |
|---|---|---|---|
| 資料分析 | 33.7% | 48.1% | 27.6% |
| 寫作與溝通 | 32.0% | 17.6% | 16.0% |
| 資料蒐集 | 11.5% | 11.9% | 28.6% |
| 構思與假設 | 4.2% | 2.1% | 7.1% |
資料蒐集占研究人員近三成時間，在對話中卻只有一成出頭，多半是因為取樣、做實驗這類工作需要親手操作。構思與提出假設被受訪科學家評為最重要的環節（滿分 100 分，得分 35.6），使用量卻最低。
學科分布也有所偏重。電腦科學研究者只占全球研究人員的 4.3%，在 Claude Code 對話中卻占 32.7%；AI 與機器學習子領域的研究者占全球 1.2%，在 Claude Code 上占 15.2%。化學、醫學等實驗型學科的使用較少。報告的說法是：
「In short, scientists appear to use AI where it works best.」（簡單來說，科學家把 AI 用在它最擅長的地方。）
算一筆加速的帳
報告提出三種情境估算。第一種僅假設現有能力廣泛普及，AI 可承擔研究時間的 27% 至 52%，中位數為 38%，各學科產出約可加速 1.35 倍（藝術）至 2.02 倍（統計），電腦科學約 1.96 倍，化學約 1.41 倍。第三種假設 AI 包辦所有非體力步驟，統計、電腦科學、經濟、數學可達 15 至 16 倍，生物、化學、材料則只有 3 至 4 倍，因為體力步驟占這些學科研究時間的 38% 至 41%。
這些倍數背後的成本假設是：AI 每小時 30 美元，研究人員每小時 95 美元，研究人員每省下 1 小時，AI 需運作 0.2 小時。依這組數字粗估，省下一小時人力只需約 6 美元的 AI 費用，成本幾乎不構成限制，真正的瓶頸在於實驗室裡需要動手的那部分。報告本身也寫道：「Physical bottlenecks remain powerful.」
作者強調，第二、第三種情境是假設，並非預測，估算也未納入設備、試劑與實驗室容量。分類與耗時估計皆由大型語言模型完成，子領域層級的數字雜訊較大。
科學家自己怎麼看
配套問卷收到 528 位科學家的回覆，多數來自生命與健康科學領域，集中在美國和加拿大，且為 Anthropic 科研計畫的申請者，樣本天生偏向積極使用者。38% 的受訪者認為 AI 目前已能在資料分析上達到頂尖研究者的水準，預期到 2030 年這個比例將升至 94%。約四成的人認為 2030 年 AI 能獨立完成一整個研究專案，16% 則認為永遠做不到。
Claude Science 的用戶輪廓更為專精：生物醫學與生物學合計過半，82.7% 的對話達到博士等級內容，73.3% 屬於高度自主執行。這批用戶本身就更專業，差異不能全歸功於產品，報告也是這麼寫的。
參考來源：Anthropic 研究報告《How researchers use Claude》、CocoLoop；報告正文已核對對話樣本、任務占比、學科分布、三種情境的加速倍數與成本假設，問卷數字以報告揭露為準。