Anthropic оценила потенциал ИИ в науке: до 2 раз сейчас и до 15 раз в будущем

У исследователя обычно не одна работа, а цепочка из десятков разных задач: найти литературу, разобраться в чужом коде, написать свой, подготовить данные, проверить расчёты, описать результат и только потом вернуться к самому эксперименту. ИИ хорошо ускоряет цифровые участки этой цепочки, но не может автоматически убрать все остальные ограничения.

Anthropic проанализировала более 207 тысяч сессий пользователей Claude и Claude Code, связанных с научной работой. Вывод компании звучит сильнее обычного «учёные стали чаще пользоваться чат-ботами»: при нынешних возможностях ИИ объём результатов в отдельных областях теоретически может почти удвоиться. А если когда-нибудь удастся автоматизировать весь подходящий цикл, прирост может достигнуть 15 раз.

Здесь важно не перепутать две цифры. Почти двукратное ускорение — оценка эффекта от доступных сегодня инструментов на тех этапах, где модель уже может помогать. Пятнадцатикратный рост — перспективный сценарий полной автоматизации, а не результат, который исследовательская группа получает после установки Claude Code.

Где возникает ускорение

Представим небольшую команду, которая проверяет новую гипотезу. Раньше исследователь два дня искал подходящие библиотеки, ещё день собирал скрипт обработки данных и несколько часов исправлял ошибки. ИИ может сократить эту часть работы: подобрать отправную точку, объяснить незнакомый код, написать черновик скрипта и помочь с отладкой.

Но если после этого образец нужно изготовить, поместить в установку и наблюдать за ним неделю, общий проект не станет быстрее в десять раз. Ускорилась работа за ноутбуком, однако физический этап остался прежним. Это знакомая инженерная картина: оптимизация одного участка не равна ускорению всей системы.

Поэтому практическая ценность Claude и похожих инструментов зависит не только от качества ответов. Она определяется тем, какую долю процесса можно передать модели, сколько времени занимает проверка её работы и где находится настоящее узкое место. Для вычислительных исследований эффект может быть заметнее, чем для лабораторных дисциплин, где результат зависит от оборудования, материалов и присутствия человека.

Почему 15 раз нельзя читать как обещание

Исследование построено на анализе пользовательских сессий, а не на многолетнем наблюдении за одинаковыми командами с ИИ и без него. Такие данные хорошо показывают, какие задачи люди передают модели, но сами по себе не доказывают, что вся научная продуктивность выросла в заявленное число раз.

Есть и другие ограничения. Количество созданного кода, обработанных данных или подготовленных текстов ещё не равно числу качественных открытий. Ошибка модели может ускорить производство неверного результата. Чем важнее вывод, тем дороже независимая проверка, воспроизводимость и экспертная оценка. Наконец, в анализ попадают пользователи продуктов Anthropic, поэтому их поведение нельзя автоматически переносить на всех учёных.

Оценку в 15 раз разумнее воспринимать как верхнюю границу сценария: что произойдёт, если ИИ научится надёжно выполнять почти все цифровые задачи, а процессы вокруг него будут перестроены. Между такой моделью и сегодняшней лабораторией лежат интеграция с инструментами, контроль качества, доступ к данным, безопасность и ответственность за выводы.

Что делать разработчикам и продуктовым командам

Главный практический вывод — не начинать с обещания «автоматизируем исследование целиком». Сначала нужно разложить процесс на этапы и измерить каждый: поиск источников, написание кода, анализ данных, проверка, эксперимент и подготовка публикации. Затем выбрать участок, где много повторяемой цифровой работы и где результат можно быстро проверить.

Для продукта полезнее считать не число запросов к модели, а время до проверенного результата, долю исправлений человеком и частоту обнаруженных ошибок. Если ИИ вдвое быстрее пишет код, но исследователь столько же времени тратит на его проверку, реального выигрыша может не быть.

Исследование Anthropic не доказывает, что наука завтра ускорится в 15 раз. Оно показывает более полезную вещь: потенциал ИИ определяется архитектурой рабочего процесса. Команды, которые найдут измеримое узкое место и встроят туда проверяемую автоматизацию, получат пользу уже сейчас. Остальным достанется красивая цифра без изменения результата.