AI News
Alle Meldungen
Offiziell

Anthropic-Studie: Forschende nutzen Claude vor allem für Datenanalyse und Schreiben

Laut Anthropic folgt die Nutzung von Claude über Fachgebiete und Aufgaben hinweg dem, was KI theoretisch leisten kann. Datenanalyse und Schreiben dominieren.

KI in der Praxis · · 6 Min. Lesezeit

Das Economics-Team von Anthropic berichtet, dass sich Forschende bei der Nutzung von Claude und Claude Code auf Datenanalyse und Schreiben konzentrieren. Wo sie die Werkzeuge einsetzen, hängt davon ab, wie gut KI die jeweilige Forschungsaufgabe theoretisch bewältigen kann. In einer Stichprobe von 207.049 Sessions vom 2. August bis 30. September 2026 entfielen 33,7 % der Claude-Sessions und 48,1 % der Claude-Code-Sessions auf Datenanalyse. Schreiben und Kommunikation machten 32,0 % der Claude-Sessions aus.

Ein Sprachmodell ordnete jede Session mithilfe der SciNet-Taxonomie einem Fachgebiet und einer Forschungsaufgabe zu, und nur diese Labels wurden für die Analyse behalten. Laut Bericht speicherte kein Klassifikator offene Details wie Datensätze, Hypothesen oder unveröffentlichte Ergebnisse. Die Ergebnisse werden nur aggregiert veröffentlicht, und zwar nur für Gruppen mit ausreichend vielen unterschiedlichen Accounts. Um zu beurteilen, ob ein Nutzungsanteil hoch oder niedrig ist, verglich das Team ihn mit dem Anteil an der Arbeitszeit von Forschenden, den SciNet für die jeweilige Aufgabe schätzt. Gemessen an diesem Maßstab ist Datenanalyse überrepräsentiert: Sie macht 33,7 % der Claude-Sessions und 48,1 % der Claude-Code-Sessions aus, aber nur 27,6 % der Forschungszeit. Schreiben und Kommunikation kommt auf 32,0 % der Claude-Sessions gegenüber 16,0 % der Forschungszeit. Bei der Datenerhebung ist es umgekehrt: Sie beansprucht 28,6 % der Forschungszeit, aber nur 11,5 % der Claude-Sessions und 11,9 % der Claude-Code-Sessions. Ideenfindung und Hypothesenbildung beanspruchen 7,1 % der Forschungszeit und stehen für 4,2 % der Claude-Sessions und 2,1 % der Claude-Code-Sessions.

Bei den Fachgebieten zeigt sich eine ähnliche Logik. Im Vergleich zum Anteil des jeweiligen Fachs an allen Forschenden weltweit nutzen die Formalwissenschaften Claude stark, Gesundheitswissenschaften und laborgestützte Naturwissenschaften dagegen weniger. Die Informatik stellt 4,3 % der Forschenden weltweit, aber 32,7 % der Claude-Code-Sessions. Künstliche Intelligenz und maschinelles Lernen kommen auf 1,2 % der Forschenden, aber auf 5,0 % der Claude-Sessions und 15,2 % der Claude-Code-Sessions. Die Medizin ist nach Zahl der Claude-Sessions das drittgrößte Fach, ihre relative Nutzung ist laut Bericht jedoch gering, weil Forschende dort viel Zeit mit Patientinnen und Patienten verbringen. Eine Fußnote ergänzt, dass Sessions nach der verfolgten Forschung einem Fach zugeordnet werden und nicht nach dem verwendeten Werkzeug. Programmierarbeit für andere rechnergestützte Wissenschaften zählt daher nicht als Informatik.

Die zentrale These des Berichts lautet: Die Nutzung folgt den Fähigkeiten. Der Mechanismus dahinter lohnt einen genaueren Blick. Das Team ließ einen LLM-Klassifikator jeweils zwei Aufgabenschritte vergleichen und angeben, welchen davon KI besser ausführen könnte. Diese direkten Vergleiche wurden anschließend mit einem Bradley-Terry-Modell aggregiert, derselben Modellfamilie, auf der auch die Elo-Wertungen im Schach beruhen. Aus den Schrittwerten bildete das Team den Durchschnitt und erhielt so einen Aufgabenwert, den es theoretische KI-Fähigkeit nennt. Danach berechnete es ein Nutzungsverhältnis: den Anteil einer Aufgabe an den Sessions geteilt durch ihren Anteil an der Forschungszeit. Ein Wert von 1 bedeutet, dass die Nutzung dem Zeitaufwand entspricht. Die 20 % der Aufgaben mit den höchsten Fähigkeitswerten werden auf Claude etwa doppelt so oft genutzt wie erwartet, auf Claude Code etwa viermal so oft. Die untersten 20 %, darunter der Großteil der physischen Arbeit, werden kaum genutzt. Die mittlere Aufgabe (Median) liegt nahe bei 1.

Das Team setzte den Fähigkeitswert außerdem mit anderen Aufgabenmerkmalen in Beziehung. Die Korrelation liegt bei 0,78 mit der Eignung für Reinforcement Learning, bei 0,69 mit kognitiver Arbeit, bei -0,57 mit physischer Arbeit, bei -0,31 mit zwischenmenschlicher Arbeit und bei -0,38 mit regulatorischen Einschränkungen. Der Bericht bezeichnet den Wert als theoretisch. Er hält zudem fest, dass die Gesundheitswissenschaften Claude weniger nutzen, als ihre Fähigkeitswerte erwarten ließen. Als mögliche Ursache nennt er die Regulierung medizinischer Daten, ohne diese Erklärung zu überprüfen.

Die Umfrage liefert eine zusätzliche, unabhängige Überprüfung. Das Team fragte 528 Forschende, überwiegend aus den Lebens- und Gesundheitswissenschaften, wie wichtig die einzelnen Aufgabenkategorien für ein bedeutendes Ergebnis sind. Die Befragten setzten Ideenfindung an die erste und Datenerhebung an die zweite Stelle, obwohl sie KI nach eigenen Angaben für beides weniger nutzen als für Datenanalyse und Schreiben. Die Teilnehmenden wurden unter Bewerberinnen und Bewerbern für Anthropics Programm AI for Science und verwandte Förderprogramme rekrutiert und gehören Einrichtungen in den USA und Kanada an. Laut einer Fußnote nutzen sie KI vermutlich intensiver als typische Forschende, da sie sich um Credits für KI-Forschung beworben haben. Der Bericht bietet zwei Lesarten für die Lücke. Datenerhebung ist größtenteils physische Arbeit, Ideenfindung nicht, die Lücke hat dort also eine andere Ursache. Ideenfindung könnte in den Sessions zudem untererfasst sein, weil sie in andere Aufgaben eingeflochten und schwer zu klassifizieren ist. Der Bericht räumt außerdem ein, dass KI bei übergeordneter Ideenfindung, etwa bei der Wahl der zu verfolgenden Forschungsfrage, tatsächlich schwächer sein könnte.

Der Bericht untersucht auch Claude Science, ein spezialisiertes Werkzeug. Auf biomedizinische Wissenschaften und Biologie entfallen mehr als 50 % seiner Sessions. Ideenfindung und Hypothesenbildung machen 8 % der Claude-Science-Sessions aus, was ungefähr dem Anteil dieser Aufgaben an der Forschungszeit entspricht. Laut Bericht taucht die Aufgabe, mechanistische Modelle für Proteininteraktionen vorzuschlagen, auf Claude Science 5,6-mal so häufig auf wie auf Claude, weil das Werkzeug Strukturen und Bindungsdaten aus angebundenen Datenbanken abrufen kann. Sessions auf Claude Science würden ohne KI fast doppelt so viele menschliche Arbeitsstunden erfordern wie Arbeit auf Claude und Claude Code. Für über 80 % davon ist schätzungsweise eine Ausbildung auf Promotionsniveau nötig. Fußnote 8 mahnt zur Vorsicht: Die Unterschiede könnten teilweise widerspiegeln, wer das Werkzeug einsetzt, da diese Nutzerinnen und Nutzer wahrscheinlich anspruchsvollere Anwendungsfälle haben.

Der letzte Abschnitt modelliert, wie viel schneller Forschung vorankommen könnte. In einem Szenario auf Basis heutiger Fähigkeiten und des in der Umfrage ermittelten KI-Einsatzes könnte KI 27 bis 52 % der für eine Studie nötigen Forschungszeit übernehmen, im Median über alle Fächer 38 %. Daraus ergeben sich Beschleunigungen von 1,35-fach in den Künsten und 1,41-fach in der Chemie bis 1,96-fach in der Informatik und 2,02-fach in der Statistik. Würde KI 75 % der nicht physischen Schritte automatisieren, käme die Informatik auf etwa das Achtfache. Würde sie alle nicht physischen Schritte automatisieren, erreichten Fächer mit wenig physischer Arbeit etwa das 15- bis 16-Fache. Biologie, Chemie, Materialwissenschaften, Agrarwissenschaften und biomedizinische Wissenschaften kämen nur auf das 3- bis 4-Fache, weil die Laborarbeit ein Engpass bleibt. Das Modell geht davon aus, dass eine Stunde Arbeit eines KI-Agenten 30 Dollar kostet, eine Stunde Arbeitszeit von Forschenden hingegen 95 Dollar, und dass KI pro eingesparter Forschungsstunde 0,2 Stunden läuft. Der Bericht bezeichnet diese Werte als illustrativ und gibt an, dass die KI-Kosten auf heutigen öffentlichen Listenpreisen beruhen. Die Obergrenze von rund dem 16-Fachen ergibt sich aus diesen Annahmen, da eine vollständig automatisierte Aufgabe etwa ein Sechzehntel der Forschungszeit kostet.

In derselben Umfrage wurden die Forschenden gefragt, wann KI ihrer Erwartung nach mit allein arbeitenden Spitzenforschenden gleichziehen wird. Mehr als die Hälfte erwartete das bei der Datenanalyse bis 2027, 38 % meinten, es sei bereits so weit. Bis 2030 erwarteten es 94 % bei der Datenanalyse, 89 % beim Schreiben und jeweils 72 % bei Ideenfindung und Datenerhebung. Rund 40 % erwarteten, dass KI bis 2030 vollständige Forschungsprojekte durchführt, rund 64 % bis 2035, und 16 % meinten, das werde nie geschehen. Es handelt sich um Erwartungen aus derselben, stark von KI-Anwendern geprägten Stichprobe, nicht um gemessene Ergebnisse.

Der Bericht benennt, was sein Modell ausklammert. Einschränkungen auf Ebene eines ganzen Fachs, etwa gemeinsam genutzte Einrichtungen, werden ebenso wenig modelliert wie die Kosten für Geräte und experimentelle Ressourcen. Simulationen werden nicht als Ersatz für physische Experimente gezählt, und die Qualität von Ideen bleibt unberücksichtigt. Das Autorenteam schreibt, dass Forschung noch schneller werden könnte, wenn KI bessere Hypothesen findet. Bleibe das Gespür für gute Forschung dem Menschen vorbehalten, gehe der Fortschritt langsamer voran. Die Beschleunigungswerte messen daher, wie viel mehr Output ein festes Budget hervorbringen könnte, nicht, wie viel besser die daraus entstehende Wissenschaft wäre.

Was sich ändert

Art: Forschung · Betrifft: Claude, Claude Code

Warum es wichtig ist

Der Bericht verknüpft die KI-Nutzung mit den Fähigkeiten bei einzelnen Aufgaben. Das legt nahe, dass die größten kurzfristigen Gewinne bei kognitiver, text- und codebasierter Arbeit liegen und nicht in der physischen Forschung. Organisationen in laborlastigen Fächern sollten mit geringeren Gewinnen rechnen als solche in rechnergestützten Fächern.

Was Sie tun können

Gliedern Sie Ihre eigenen Forschungs- oder Analyseabläufe nach Aufgabentypen, um zu erkennen, welche Schritte kognitiv sowie text- oder codebasiert sind. Dort ist KI laut Bericht am nützlichsten.

Originalquelle

Wo wir es gesehen haben

1 Quelle

Anthropic Research

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es