Anthropic a étudié 207 000 sessions scientifiques avec Claude : 34 % portent sur l’analyse de données, les idées arrivent en dernier

Lorsqu’on affirme que l’IA accélérera la science, le débat porte généralement sur l’avenir. Anthropic a décidé d’observer le présent : ce que les scientifiques font réellement avec Claude aujourd’hui. Le rapport repose sur 207 000 sessions réalisées en août et septembre 2026 : environ 129 000 provenant du chat et de Cowork, et 78 000 de Claude Code.

Comment ces données ont été mesurées

Un modèle de langage lit chaque session et lui attribue des étiquettes : domaine scientifique, sous-domaine et tâche précise issue de la taxonomie SciNet. Celle-ci comprend 7 262 tâches, 34 domaines et 318 sous-domaines. Le contenu des conversations n’est pas conservé : ni les données, ni les hypothèses, ni les méthodes, ni les articles non publiés. Seules les étiquettes subsistent, et les résultats ne sont présentés que sous forme agrégée, pour des groupes réunissant un nombre suffisant de comptes distincts.

Une réserve importante : l’échantillon provient uniquement des offres grand public. Les déploiements en entreprise et dans le monde universitaire n’y figurent pas, de sorte que le tableau reste incomplet.

Où et à quelles fins Claude est utilisé

L’informatique concentre le plus grand nombre de sessions (11,9 %), devant l’ingénierie (8,4 %) et la médecine (7,7 %). Mais le tableau change lorsqu’on rapporte ces chiffres au nombre de chercheurs dans chaque domaine. Les sciences formelles — informatique, mathématiques et statistique — utilisent Claude bien davantage que ne le laisserait prévoir leur poids relatif. La chimie et la médecine, où le travail s’effectue en laboratoire ou auprès de patients, sont à la traîne. Le déséquilibre est encore plus marqué dans Claude Code : l’informatique ne représente que 4,3 % des chercheurs dans le monde, mais génère 32,7 % des sessions.

Par type de tâche, l’analyse de données arrive en tête : 33,7 % des sessions dans Claude et 48,1 % dans Claude Code, alors qu’elle occupe 27,6 % du temps de travail des scientifiques. La rédaction et la communication représentent 32 % des sessions dans Claude, contre 16 % du temps de travail. À l’inverse, la collecte de données est sous-utilisée : elle absorbe 28,6 % du temps, mais ne représente qu’environ 12 % des sessions. C’est particulièrement vrai lorsque les contraintes physiques entrent en jeu, par exemple pour les mesures cliniques et biochimiques.

Le paradoxe est que, dans l’enquête, les scientifiques eux-mêmes ont désigné la génération d’idées et la collecte de données comme les tâches les plus importantes pour les découvertes, tout en utilisant l’IA moins souvent pour celles-ci que pour toute autre tâche. Le service spécialisé Claude Science déplace cet équilibre : la part consacrée aux idées y est environ deux fois plus élevée que dans Claude standard.

Pourquoi cette répartition

Les auteurs ont estimé dans quelle mesure l’IA est, en principe, capable d’accomplir chaque tâche. Les 20 % de tâches les mieux notées enregistrent une utilisation deux à quatre fois supérieure à ce que laisserait prévoir le temps qui leur est consacré. Les 20 % du bas du classement, qui relèvent surtout du travail physique, ne sont presque pas concernés. L’IA est principalement adoptée là où les tâches sont cognitives, se prêtent bien à l’apprentissage par renforcement et produisent un résultat vérifiable.

Ce que cela implique pour le rythme de la science

Selon un modèle simple, l’adoption généralisée des capacités actuelles pourrait doubler la production de travaux de recherche dans certains domaines. Si l’IA prenait en charge tout le travail non physique, la hausse atteindrait un facteur 15 en informatique et en statistique, mais seulement trois à quatre en chimie et en biologie, en raison des contraintes physiques. Environ 40 % des utilisateurs actifs de l’IA interrogés s’attendent à ce que les modèles puissent mener des projets de recherche de manière entièrement autonome d’ici 2030.

Autre effet : les domaines offrant le plus fort potentiel comprennent le développement de l’IA elle-même. Cela crée une boucle de rétroaction dans laquelle des recherches plus rapides produisent des modèles plus puissants, qui accélèrent ensuite davantage la recherche.

Conclusion pratique

Pour les produits et leurs fondateurs, l’enseignement principal réside dans l’écart entre ce que les scientifiques font avec l’IA et ce qu’ils jugent important. Un créneau reste vacant autour des idées, des hypothèses et de la collecte de données, notamment lorsqu’il est possible de recourir à des processus numériques, par exemple pour rechercher des documents d’archives et des textes. Pour les développeurs, le signal est clair : l’IA s’implante là où le résultat est facile à vérifier. Si vous concevez un outil destiné aux chercheurs, commencez par l’analyse de données et intégrez des mécanismes de vérification avant de viser la génération d’hypothèses.

Il faut également garder à l’esprit les limites de l’étude. Les étiquettes sont attribuées par un modèle de classification, la hausse d’un facteur 15 correspond à un scénario hypothétique et non à une prévision, et les auteurs eux-mêmes soulignent plusieurs risques : diminution du contrôle humain, possibilité de recherches dangereuses et transformation des carrières scientifiques.