Anthropic estudio 207.000 sesiones cientificas de Claude: el 34% se dedico al analisis de datos y las ideas quedaron a la cola

Cuando se afirma que la IA acelerara la ciencia, el debate suele girar en torno al futuro. Anthropic decidio observar el presente: que hacen realmente los cientificos con Claude ahora mismo. El informe se basa en 207.000 sesiones de agosto y septiembre de 2026: unas 129.000 procedentes del chat y Cowork, y 78.000 de Claude Code.

Como se midio

Un modelo de lenguaje lee cada sesion y le asigna etiquetas: campo cientifico, subcampo y tarea concreta de la taxonomia SciNet. Esta incluye 7.262 tareas, 34 campos y 318 subcampos. El contenido de las conversaciones no se conserva: ni datos, ni hipotesis, ni metodos, ni articulos sin publicar. Solo permanecen las etiquetas, y los resultados se muestran exclusivamente de forma agregada para grupos con un numero suficiente de cuentas distintas.

Hay una salvedad importante: la muestra procede unicamente de planes de consumo. No incluye implementaciones empresariales ni academicas, por lo que la imagen esta incompleta.

Donde y para que se utiliza Claude

La informatica concentra la mayor proporcion de sesiones (11,9%), seguida de la ingenieria (8,4%) y la medicina (7,7%). Sin embargo, la imagen cambia al comparar el uso con el numero de investigadores de cada campo. Las ciencias formales—informatica, matematicas y estadistica—utilizan Claude mucho mas de lo que corresponderia a su peso entre los investigadores. La quimica y la medicina, donde el trabajo se realiza en laboratorios o con pacientes, quedan rezagadas. El desequilibrio es aun mayor en Claude Code: la informatica representa solo el 4,3% de los investigadores del mundo, pero genera el 32,7% de las sesiones.

Por tipo de tarea, lidera el analisis de datos: 33,7% de las sesiones de Claude y 48,1% de las de Claude Code, aunque ocupa el 27,6% del tiempo de trabajo de los cientificos. La redaccion y la comunicacion representan el 32% de las sesiones de Claude, frente al 16% del tiempo. La recopilacion de datos, por el contrario, esta infrautilizada: consume el 28,6% del tiempo, pero supone alrededor del 12% de las sesiones. Esto se acentua donde intervienen limitaciones fisicas, por ejemplo, en las mediciones clinicas y bioquimicas.

La paradoja es que, en una encuesta, los propios cientificos identificaron la generacion de ideas y la recopilacion de datos como las tareas mas importantes para los descubrimientos, pero son precisamente aquellas para las que menos utilizan la IA. Claude Science, una version especializada, modifica el equilibrio: la proporcion dedicada a las ideas es aproximadamente el doble que en Claude convencional.

Por que ocurre asi

Los autores calcularon hasta que punto la IA es capaz, en principio, de realizar cada tarea. Las tareas situadas en el 20% superior registran entre dos y cuatro veces mas uso del que corresponderia al tiempo que consumen. El 20% inferior, compuesto principalmente por trabajo fisico, apenas se ve afectado. La IA se adopta con mayor intensidad donde las tareas son cognitivas, se prestan bien al aprendizaje por refuerzo y ofrecen un resultado verificable.

Que significa para la velocidad de la ciencia

Segun un modelo sencillo, la adopcion generalizada de las capacidades actuales podria duplicar la produccion cientifica en algunos campos. Si la IA asumiera todo el trabajo no fisico, el crecimiento alcanzaria 15 veces en informatica y estadistica, pero solo entre tres y cuatro veces en quimica y biologia debido a las limitaciones fisicas. Cerca del 40% de los usuarios activos de IA encuestados espera que, para 2030, los modelos puedan dirigir proyectos de investigacion de forma totalmente autonoma.

Existe ademas otro efecto: entre los campos con mayor potencial se encuentra el propio desarrollo de la IA. Esto crea un ciclo de retroalimentacion en el que una investigacion mas rapida produce modelos mas potentes y estos, a su vez, aceleran aun mas la investigacion.

Conclusion practica

Para los equipos de producto y los fundadores, la principal leccion esta en la brecha entre lo que los cientificos hacen con la IA y lo que consideran importante. Existe un espacio sin cubrir en las ideas, las hipotesis y la recopilacion de datos, sobre todo cuando pueden abordarse mediante procesos digitales, como la busqueda en documentos y textos de archivo. Para los desarrolladores, la señal es clara: la IA se consolida donde el resultado es facil de verificar. Si se esta creando una herramienta para investigadores, conviene empezar por el analisis de datos, incorporar mecanismos de verificacion y solo despues abordar la generacion de hipotesis.

Tambien hay que recordar las limitaciones. Las etiquetas las asigna un modelo clasificador, el crecimiento de 15 veces es un escenario hipotetico y no una prevision, y los propios autores senalan varios riesgos: menor supervision humana, posibles investigaciones peligrosas y cambios en las carreras de los cientificos.