Contexte et méthodologie
Anthropic a analysé 207 000 sessions d’utilisation de Claude, Claude Code et Claude Science réalisées par des chercheurs. Les données ont été traitées via une infrastructure préservant la confidentialité : chaque session a été classée automatiquement par un modèle de langage selon le domaine scientifique et la tâche de recherche (analyse de données, rédaction, génération d’idées, collecte, etc.). Cette approche permet d’obtenir une vue agrégée sans exposer le contenu des échanges.
Répartition de l’usage par domaine et tâche
Par rapport au nombre de chercheurs actifs, les sciences formelles (informatique, mathématiques, statistiques) affichent la plus forte densité d’utilisation, alors que les sciences de la santé et les disciplines physiques en laboratoire sont nettement moins représentées. Au niveau des tâches, l’analyse de données représente environ un tiers des sessions sur Claude et près de la moitié sur Claude Code. La rédaction suit de près, tandis que la génération d’idées et la collecte de données restent marginales, bien que les chercheurs les considèrent comme les plus cruciales pour l’avancement scientifique.
Corrélation entre capacité théorique et utilisation
Les auteurs ont construit un indice de « capacité théorique » pour chaque tâche, basé sur la facilité avec laquelle les modèles d’IA peuvent être appliqués (apprentissage par renforcement, traitement du langage, etc.). Les tâches classées dans les 20 % supérieurs de cet indice reçoivent deux à quatre fois plus d’interactions que la proportion de temps que les chercheurs y consacrent normalement. À l’inverse, les tâches du bas du classement – majoritairement les travaux physiques – sont très peu sollicitées. Cette dynamique se retrouve dans chaque domaine : les champs où l’IA excelle (informatique, statistiques) affichent une utilisation supérieure.
Scénarios d’accélération de la recherche
En appliquant un modèle simple de productivité, les auteurs estiment que l’adoption généralisée des capacités actuelles pourrait doubler le volume de recherche dans certains domaines. Si l’IA était capable d’automatiser l’ensemble des travaux non physiques, les champs hautement cognitifs pourraient voir leur production augmenter jusqu’à 15 fois, alors que les sciences expérimentales (chimie, biologie) gagneraient trois à quatre fois. Un sondage mené auprès des utilisateurs actifs indique que près de 40 % anticipent que les modèles d’IA seront capables de mener des projets de recherche complets d’ici 2030. Les auteurs soulignent toutefois les risques associés : réduction de la supervision humaine, potentiel d’orientation vers des recherches dangereuses ou non éthiques, et impact sur les carrières scientifiques.
