科学分野と作業別の利用を集計し、データ分析や執筆への集中を示しました。研究成果の増加についての数値は、観測した実績ではなく仮定を置いたシナリオです。 研究機関では利用回数と発見の質を別々に測ります。物理実験の制約、分野ごとの作業構成、調査対象の偏りを踏まえた導入評価が焦点です。 研究のどの作業にAIが使われているか Anthropicは11月5日、科学研究でClaudeがどう利用されているかを調べた報告を公開しました。ClaudeとClaude Codeの研究関連20万7千セッションを分析し、分野と作業の違いを整理しています。科学全体の成果がどれだけ増えたかを直接測った研究ではありません。分類器で会話を分野や作業へ割り当て、研究内容の詳細を保持せず集計します。消費者向けプランでの利用を対象とするため、組織内のあらゆるAI利用を表すものでもありません。研究の効率化を一つの倍率で語る前に、どこで使われ、どこで使われにくいかを把握する資料です。 データ分析と執筆に集中する利用 研究者数に対する利用は、計算機科学、数学、統計などで多く、健康や実験室での物理的な作業を伴う分野では少ない傾向です。作業ではデータ分析がClaudeの約3分の1、Claude Codeの約半分を占めます。執筆にも多く使われる一方、データ収集や着想の生成は相対的に少ないとしています。Claude Scienceでは、着想に使う割合がClaudeより高いことも示しました。研究支援の担当者には、道具を導入するだけでは作業全体が同じ速さにならない点が関わると見られます。分析を短縮しても、観測や実験の待ち時間が残る可能性があります。利用比率は、研究者が重要だと考える作業の順位とも一致しません。現状の使用頻度を、その分野の価値や将来性の順位に読み替えないことが必要です。 利用実態と研究加速の仮定を区別する 報告は、既存の能力が広く採用された場合や、物理的でない作業をAIが担う場合のシナリオも示します。いずれも実際の研究成果がその倍率で増えたという測定ではありません。導入側では、分析時間だけでなく、結果の再現性や検証に要した時間を記録することが論点です。対象がClaudeの利用者であることや、作業の分類にモデルを使うことによる限界も考える必要があります。研究内容を守るため、報告では分類ラベルだけを保持し、一定数の異なるアカウントを含む集計だけを示します。自機関で分析する際も、利用ログに未公開の仮説やデータが含まれる点が確認対象になると見られます。利用の多さと成果の因果関係を確かめるには、別の調査設計が必要と考えられます。 物理的な制約と人の監督が次の論点 著者らは、実験を伴う分野の制約や、人の監督が減る場合の危険も論じています。今後は、AIが多く使われる工程と、研究全体の進行を遅らせる工程を対応させることが考えられます。解析が速くなっても、試料の準備や結果の追試が追い付かなければ、発見の増加は限られる可能性があります。分野ごとの条件をそろえ、研究者が確認と判断に使う時間も含めて評価することが、次の導入判断につながると見られます。研究成果の質を誰が確かめるかも評価に含める対象です。