はじめに
Anthropicは、研究者によるClaudeの利用約20万件を分析し、AIが科学研究をどこまで速められるかを試算しました。2026年11月5日に公開されたこのレポートを、専門知識がなくても読めるようにかみ砕いて解説します。研究者がAIを何に使い、何にまだ使っていないのかが見えてくる内容です。
参考記事
- タイトル: AI for scientific discovery: How researchers use Claude
- 著者: Johannes Hermle, Ben Jones, Lukas Althoff, Ryan Heller, Thomas Lyttelton, Carolyn Stein, Nathan Wilmers, Maxim Massenkoff, Peter McCrory
- 発行元: Anthropic
- 発行日: 2026年11月5日
- URL: https://www.anthropic.com/research/how-researchers-use-claude
要点
- Anthropicは、2026年8〜9月の研究セッション207,049件を、研究内容を保存しない方法で分析した
- 研究者数に比べ、計算機科学・数学・統計学で利用が多く、医療や実験系の物理科学では少ない
- 用途はデータ分析と執筆が中心で、研究者が最も重要とするアイデア出しとデータ収集での利用は少ない
- AIが理論上得意とされるタスクの上位20%は、研究時間から見込まれる量の約2〜4倍使われている
- 試算では、現在のAIの普及で一部の分野の研究成果が約2倍になる
- 物理作業以外を全自動化すると計算機科学などで約15倍になり、化学や生物学は3〜4倍にとどまる
詳細解説
研究者がAIを使うのはデータ分析と執筆
分析対象は、2026年8月2日〜9月30日の個人向けプランでの研究セッション207,049件です。うちChatとCowork（以下「Claude」）が128,914件、Claude Codeが78,135件でした。主な作業ごとのセッションの割合（Claude、Claude Codeの順）と研究時間の割合は次のとおりです。
- データ分析: 33.7%、48.1%（研究時間27.6%）
- 執筆・コミュニケーション: 32.0%、17.6%（研究時間16.0%）
- データ収集: 11.5%、11.9%（研究時間28.6%）
- アイデア・仮説の生成: 4.2%、2.1%（研究時間7.1%）
データ分析は利用が最も多く、研究時間の割合も上回ります。執筆もClaudeでは研究時間の約2倍の割合です。個別タスクでは論文の草稿作成が最多で、Claudeで18.6%、Claude Codeで11.1%でした。
データ収集は研究時間の28.6%を占めるのに、利用は11%台です。臨床データの収集など、物理的な作業を伴うものほど少なくなります。オンラインデータの収集のような完全にデジタルな作業は、逆に多く使われることもあります。
AnthropicのAI for Scienceなどの助成への応募者から集めた、生命科学・健康科学が中心でAIを積極的に使う研究者528人へのアンケートでも、よく使うのはデータ分析と執筆でした。データ分析では「共同」44%、「委任」28%と、任せる度合いも高めです。重要な研究成果に各作業がどれだけ効くかを、100点の配分で尋ねた結果は次のとおりです。
- アイデア・仮説の生成: 35.6点
- データ収集: 23.6点
- データ分析: 23.3点
- 執筆・コミュニケーション: 17.5点
最も重要とされる2つの作業で、AIの利用が手薄です。データ収集は物理的な作業が多いためと考えられます。アイデア出しには、自分で考えたい、AIの力不足を感じる、データ上で数えにくい、などの可能性が挙げられています。
AIが得意な作業ほど使われている
AIの得意度は、研究作業の分類表「SciNet」を使って測りました。SciNetは34分野・318下位分野にまたがる7,262のタスクを、細かな手順（ステップ）に分けています。
言語モデルにステップを2つずつ見せ、AIがより上手にこなせる方を選ばせます。この勝ち負けを、チェスのイロレーティングと同じ統計モデル（ブラッドリー・テリー・モデル）で集計しました。得られた「理論上のAI能力」を、以下ではAI能力スコアと書きます。
利用の多さは、研究者がそのタスクに使う時間と比べます。研究時間の5%を占めるタスクがセッションの10%を占めれば、利用比率は2です。結果は次のとおりでした。
- スコア下位20%（反応混合物の精製など）: 約0.2で、ほとんど使われていない
- 中央付近: 約1で、研究時間どおり
- スコア上位20%（データの可視化、統計検定など）: Claudeで約2.1、Claude Codeで約3.9
AI能力スコアとタスクの特徴との相関係数は、次のとおりです。
- 強化学習への適性: +0.78
- 認知的な作業の多さ: +0.69
- 物理的な作業の多さ: −0.57
- 対人的な作業の多さ: −0.31
- AI利用を制限する規制: −0.38
強化学習は、AIが課題を何度も試し、成功すると報酬を得て上達する学習方法です。成功を判定しやすく、計算機上で多く試せ、すぐ結果が出る作業ほど向いています。AIはこうした作業ほど得意で、実際の利用量も同じ特徴に沿って増減します。
分野単位でも、平均スコアが高い下位分野ほど、研究者1人あたりの利用が多く、自律的に任せる度合いも高くなります。例外は健康科学で、スコアのわりに利用が少なめです。医療データの規制などが影響している可能性があります。
研究はどれだけ速くなるか：3つのシナリオ
研究の加速は3つのシナリオで試算しました。予測ではなく、例示のためのシナリオです。
- シナリオ1: 現在のAI能力が広く普及した場合
- シナリオ2: 物理作業以外のステップの75%をAIが自動化した場合
- シナリオ3: 物理作業以外のステップをすべてAIが自動化した場合
自動化はスコアの高いステップから進むと仮定し、物理的な作業はどのシナリオでも研究者が担います。指標の「加速度」は、同じ研究予算で得られる成果がAIなしの何倍になるかを示します。1つの作業が速くなっても他の作業がボトルネックとして残るため、空いた時間がそのまま成果になるわけではありません。
AIの費用は、現在の公開価格に基づく次の仮定です。
- AIエージェントの稼働1時間: 30ドル
- 研究者の1時間: 95ドル
- 研究者の時間を1時間減らすごとに、AIは0.2時間稼働する
シナリオ1では、研究者の時間の27〜52%をAIが引き受けられます（分野の中央値38%）。加速度は芸術の1.35倍、化学の1.41倍から、計算機科学の1.96倍、統計学の2.02倍までです。今のAIは補助や共同での使われ方が中心です。研究者がほぼすべてのステップに関わるため、最大でも約2倍にとどまります。
シナリオ2では、計算機科学が約8倍、統計学が7倍、経済学が6倍です。実験系と医学系は約2〜3倍、歴史学、人類学、芸術は約2倍以下でした。
シナリオ3では、統計学、計算機科学、経済学、数学、心理学などが約15〜16倍に達します。社会科学や芸術・人文学の多くも同水準です。一方、生物学、化学、材料科学などは3〜4倍です。自動化された実験室がない限り、研究時間の約40%を占める物理作業が残るためです。
費用も上限を決めます。今回の仮定では完全自動化したタスクの費用は研究者の約16分の1で、加速度は約16倍で頭打ちになります。AIの費用が半分になれば、進歩の速さは2倍になります。AIを生む計算機科学自体が加速すれば、研究がさらに速まる循環も起こりえます。
生命科学・健康科学の研究者へのアンケートでは、AIが単独で分野のトップ研究者に並ぶ時期も尋ねました。データ分析では38%がすでに並んでいると答えています。人間抜きで研究プロジェクト全体をこなす時期は、2030年までが約40%、2035年までが約64%で、16%は「実現しない」と答えました。
専門ツールにつなぐと高度な作業が増える
Claude Scienceは、Claudeを多くの研究ツールやデータベースにつなぎ、作業を1つの流れにまとめるツールです。利用は生物医学（31.1%）と生物学（24.1%）で過半を占めます。
この2分野では、Claudeより専門的なタスクの割合が高くなっていました。タンパク質と薬などの結合の仕組みをモデル化するタスクは5.6倍です。アイデア・仮説の生成は8%で、Claudeの約2倍でした。生物学・生物医学での使われ方は次のとおりです（Claude、Claude Code、Claude Scienceの順）。
- 人がAIなしで行った場合の所要時間: 4.9時間、5.9時間、10.3時間
- 博士レベルの知識を要する割合: 48.0%、67.7%、82.7%
- AIの自律度が高い割合: 23.7%、64.1%、73.3%
ただし、Claude Scienceの利用者は専門的な用途を持つ人に偏っている可能性があります。製品間の差には、利用者の違いも含まれます。
仕事や生活にどう関わるか
研究者がAIを最も使うのは、データ分析と文章作成でした。結果を確かめやすい作業ほど、任せる度合いも高くなっています。研究以外の仕事でも、まず分析や文章作成から試すのが良さそうです。
物理的な作業や対面のやり取り、規制のある作業では、利用も能力スコアも低めです。何を問い、どう進めるかといった重要な判断に人が関わり続けることは、安全面でも大切になりえます。
Claude Scienceの例からは、AIに任せられる範囲がつながるデータやツールでも変わると分かります。Claude Scienceは有料ユーザーなら誰でも利用できます。
発見が速まれば、生活水準の向上や病気の治療の進展につながりえます。ただ、医学や生物学は物理作業がボトルネックで、試算上の伸びは小さめです。成果が暮らしに届く速さは、自動化された実験室の整備にも左右されます。
分野による偏り
Claudeのセッション数の上位3分野は、計算機科学（11.9%）、工学（8.4%）、医学（7.7%）です。研究者の多い分野ほどセッションも多く、対数で比べた相関係数は0.79でした。
ただし研究者数に比べると、計算機科学・数学・統計学などの形式科学と社会科学で利用が多めです。実験室作業の多い化学や、患者と向き合う時間の長い医学は少なめです。
Claude Codeでは偏りがさらに強まります。計算機科学は世界の研究者の4.3%ですが、セッションの32.7%を占めます。人工知能・機械学習は研究者の1.2%に対し、Claudeで5.0%、Claude Codeで15.2%です。
調べ方と限界
分析では、言語モデルを分類器として使い、各セッションに分野と研究タスクのラベルを付けました。残るのはラベルだけで、研究データや未発表の論文などは保存されません。結果は集計値でのみ、一定数以上のアカウントを含む区分に限って示されます。
データ面の留意点は次のとおりです。
- 対象は個人向けプランの約2か月分の利用
- アンケート回答者は生命科学・健康科学が中心で、Anthropicの助成プログラムへの応募者。米国とカナダの研究機関に所属し、平均よりAIを多く使う層
- アイデア出しは他の作業に溶け込みやすく、少なく数えられている可能性
- 教育や事務など、研究以外の作業は対象外
試算には、大型実験施設の利用枠、実験の機械や材料の費用、シミュレーションによる実験の代替は含まれていません。アイデアの質も未反映です。AIがより良い仮説を出せれば加速し、研究の目利きが人間にしかできなければ減速します。
能力の向上がそのまま研究の加速になるとも限りません。新技術の普及は一般にゆっくりで、論文の急増で検証が追いつかなくなるおそれもあります。人の監督が減れば、生物学などで危険な研究が進むリスクも指摘されています。
まとめ
AnthropicのClaude利用分析から、研究者はAIを得意な作業に集中して使っていることが分かりました。現在のAIの普及で研究成果は一部の分野で約2倍という試算ですが、物理作業や問いの選び方が上限になりえます。AIに任せる作業と人が担う判断を分けて考えることが、研究以外の仕事でも役立ちそうです。
