بر اساس گزارش فنی آنتروپیک که در ۵ نوامبر ۲۰۲۶ منتشر شد، تحلیل داده و نگارش سهمی بیش از سهم زمانی خود در پژوهش از استفاده دانشمندان از کلود دارند؛ در مقابل، گردآوری داده و ایده‌پردازی سهم کوچک‌تری از فعالیت‌ها را به خود اختصاص می‌دهند. این یافته‌ها روندهای کاری پژوهشی در محصولات شرکت را توصیف می‌کنند، بدون آنکه بهبود بهره‌وری علمی یا کیفیت کشف‌ها را مستقیماً بسنجند.
این تحلیل مشاهده‌ای ۲۰۷٬۰۴۹ نشست علمی در طرح‌های مصرف‌کنندگان را از ۲ اوت تا ۳۰ سپتامبر ۲۰۲۶ پوشش داد: ۱۲۸٬۹۱۴ نشست چت و کوورک که با نام کلود گروه‌بندی شدند و ۷۸٬۱۳۵ نشست کلود کد. طبقه‌بندهای مبتنی بر مدل زبانی، حوزه‌ها و وظایف را با استفاده از SciNet تعیین کردند؛ رده‌بندی‌ای که ۷٬۲۶۲ وظیفه را در ۳۴ حوزه و ۳۱۸ زیرحوزه پوشش می‌دهد. آنتروپیک می‌گوید گروه پژوهش به‌جای جزئیات محتوای پژوهش، برچسب‌های دسته‌بندی ازپیش‌تعریف‌شده را نگه داشت و فقط نتایج تجمیعی دارای حداقل تعداد حساب‌های متمایز را گزارش کرد.
تحلیل داده ۳۳٫۷٪ از نشست‌های کلود و ۴۸٫۱٪ از نشست‌های کلود کد را تشکیل می‌داد، در برابر سهم برآوردشده ۲۷٫۶٪ از زمان پژوهشگران. نگارش و ارتباطات ۳۲٫۰٪ از نشست‌های کلود را به خود اختصاص داد، در برابر ۱۶٫۰٪ از زمان برآوردشده. این معیارهای زمانی با استفاده از مدل‌های زبانی به دست آمده‌اند، نه با ثبت مستقیم زمان کاربران نمونه.
گردآوری داده ۱۱٫۵٪ از نشست‌های کلود و ۱۱٫۹٪ از نشست‌های کلود کد را تشکیل می‌داد، در برابر ۲۸٫۶٪ از زمان برآوردشده پژوهشگران. سهم ایده‌پردازی به‌ترتیب ۴٫۲٪ و ۲٫۱٪ بود، در برابر ۷٫۱٪ از زمان. گردآوری فیزیکی داده به‌ویژه سهم پایینی از استفاده داشت. در مقایسه حوزه‌ها، علوم رایانه ۳۲٫۷٪ از نشست‌های علمی کلود کد را تشکیل می‌داد، در حالی که سهم برآوردشده آن از پژوهشگران در جمعیت مبنای مقایسه ۴٫۳٪ بود.
نویسندگان برای بررسی ارتباط استفاده با توانایی، از یک مدل زبانی خواستند گام‌های پژوهش را به‌صورت دوتایی مقایسه کند و قضاوت‌های آن را با مدل آماری بردلی–تری ترکیب کردند. وظایف واقع در یک‌پنجم بالای امتیازها، در کلود حدود دو برابر و در کلود کد چهار برابر سهمی از نشست‌ها را دریافت کردند که بر اساس نیاز زمانی برآوردشده آن‌ها انتظار می‌رفت. این ارتباط‌ها به امتیازهای نظری توانایی مربوط‌اند، نه نرخ موفقیت وظایف در ارزیابی مستقل؛ همچنین ثابت نمی‌کنند که توانایی باعث پذیرش ابزار شده است.
نظرسنجی از ۵۲۸ دانشمند در مجموع با الگوی استفاده همخوان بود. پاسخ‌دهندگان ایده‌پردازی و گردآوری داده را مهم‌ترین فعالیت‌ها برای دستیابی به یافته‌های مهم دانستند، با وجود آنکه برای این فعالیت‌ها کمتر از هوش مصنوعی استفاده می‌کردند. شرکت‌کنندگان عمدتاً کاربران فعال هوش مصنوعی در علوم زیستی و سلامت بودند و این موضوع تعمیم‌پذیری پاسخ‌هایشان را محدود می‌کند. حدود ۴۰٪ انتظار داشتند هوش مصنوعی تا سال ۲۰۳۰ پروژه‌های کامل پژوهشی را مستقلاً انجام دهد؛ این بیانگر انتظار است، نه توانایی اثبات‌شده.
در نمونه تکمیلی کلود ساینس، ایده‌پردازی ۸٪ از نشست‌ها را تشکیل می‌داد. بنابراین رابط‌های تخصصی ممکن است از روندهای کاری متفاوتی پشتیبانی کنند، اما مقایسه محصولات تصادفی نبود و می‌تواند بازتاب تفاوت کاربران باشد. اندازه نمونه تکمیلی ارائه نشده است.
گزارش همچنین سناریوهایی برای نشان دادن شتاب احتمالی پژوهش بررسی می‌کند. طبق فرض‌های آن، پذیرش گسترده توانایی‌های کنونی می‌تواند خروجی پژوهش را در برخی حوزه‌ها تقریباً دو برابر کند. اگر تمام کارهای پژوهشی غیرفیزیکی خودکار شوند، خروجی برخی علوم صوری می‌تواند تا ۱۵ برابر شود؛ در مقایسه، خروجی علوم متکی بر آزمایشگاه که کار فیزیکی در آن‌ها همچنان گلوگاه است، می‌تواند سه تا چهار برابر شود. این‌ها سناریوهای وابسته به مدل‌اند، نه افزایش‌های مشاهده‌شده یا پیش‌بینی. هزینه‌های هوش مصنوعی در آن‌ها لحاظ شده، اما سهم احتمالی ایده‌های پژوهشی بهتر مدل‌سازی نشده است.
نشست‌ها نشان نمی‌دهند چند دانشمند هوش مصنوعی را پذیرفته‌اند یا چه میزان علم تولید می‌کنند. نشست‌های تکراری در یک حساب ممکن است مستقل از یکدیگر نباشند و شمار پژوهشگران مستقل ارائه نشده است. طبقه‌بندی، برآورد زمان و رتبه‌بندی توانایی تا حد زیادی بر قضاوت مدل‌های زبانی تکیه دارند؛ فرض‌های مشترک اندازه‌گیری می‌توانند در ارتباط‌های مشاهده‌شده نقش داشته باشند. در دسترس نبودن پیوست، ارزیابی اعتبارسنجی، عدم‌قطعیت و حساسیت مدل را محدود می‌کند. مطالب ارائه‌شده، داوری همتا یا تکرار مستقل این پژوهش گزارش‌شده توسط شرکت را تأیید نمی‌کنند.
منبع: آنتروپیک، «دانشمندان چگونه از کلود استفاده می‌کنند»، ۵ نوامبر ۲۰۲۶. https://anthropic.com/research/how-researchers-use-claude