Anthropic publicó el 5 de noviembre de 2026 el informe “AI for scientific discovery: How researchers use Claude”. Es un estudio de uso y escenarios, no el anuncio de una nueva herramienta de laboratorio ni la demostración de que la IA pueda ejecutar investigación completa de forma autónoma. Su valor está en poner cifras a dónde se usa Claude en ciencia y en separar las tareas cognitivas de los cuellos de botella físicos.
Para emprendedores, profesionales y educadores, la lectura práctica es sencilla: la IA ya se concentra en análisis de datos y escritura, pero el informe no autoriza a convertir una salida en evidencia científica. Diseño experimental, datos, revisión por pares, ética y verificación siguen siendo pasos propios de cada disciplina.
Qué investigó Anthropic y cuándo
La publicación original de Anthropic está fechada el 5 de noviembre de 2026. El equipo analizó 207.049 sesiones de investigación científica en planes de consumo entre el 2 de agosto y el 30 de septiembre de 2026: 128.914 de Chat y Cowork, y 78.135 de Claude Code. El informe también examina una muestra suplementaria de Claude Science.
Según la metodología publicada, clasificadores asignaron a las sesiones una taxonomía de campo y tarea. Anthropic dice que usó infraestructura que preserva la privacidad: el equipo retuvo etiquetas como área o tarea, no detalles abiertos de datos, hipótesis, métodos, hallazgos tempranos o manuscritos. Los resultados se presentan de forma agregada cuando se alcanza un mínimo de cuentas. Es una descripción del método de Anthropic, no una auditoría externa de sus sistemas.
Hallazgos confirmados por el informe
| Hallazgo | Alcance y lectura correcta |
|---|---|
| Uso por tareas | Análisis de datos representa cerca de un tercio de sesiones en Claude y casi la mitad en Claude Code |
| Uso por campo | Mayor uso relativo en ciencias formales; menor en salud y ciencias físicas de laboratorio |
| Relación capacidad-uso | Las tareas del 20% superior de la medida teórica reciben entre 2 y 4 veces el uso esperado por tiempo de trabajo |
| Escenario con capacidades actuales | El modelo explora que la producción podría duplicarse en algunos campos si se adopta ampliamente |
| Escenario hipotético extremo | Si la IA hiciera todo el trabajo no físico, estiman hasta 15 veces en informática/estadística y 3 a 4 veces en ciencias de banco |
Los dos últimos renglones son escenarios del modelo, no pronósticos ni resultados observados. El informe también señala que aproximadamente 40% de investigadores encuestados que usan IA espera que los modelos realicen proyectos completos por sí solos en 2030. Es una expectativa de la muestra, no una fecha prometida por Anthropic ni una capacidad disponible.
Disponibilidad, países y condiciones
La noticia no anuncia una nueva disponibilidad comercial, lista de países, precio ni requisito de suscripción. Analiza sesiones de productos existentes de Anthropic; por ello sería incorrecto afirmar que se habilitó Claude Science en un país o plan concreto a partir de este documento. El acceso a productos, créditos y funciones debe confirmarse en las páginas de producto y contratos aplicables, no inferirse de una investigación de uso.
Tampoco conviene trasladar de forma automática las proporciones del informe a una universidad, una consultora o una pyme. La muestra procede de usuarios de productos Claude y del periodo descrito; no representa necesariamente a toda la comunidad investigadora ni mide la calidad final de cada resultado científico.
Qué significa para quien trabaja con conocimiento
Una organización que produce informes, investigación de mercado o materiales educativos puede tomar una idea accionable: dividir el flujo entre tareas acelerables y decisiones que requieren evidencia. Por ejemplo, la IA puede proponer una limpieza de datos, resumir literatura que ya se proporcionó o generar un borrador de método; una persona debe contrastar fuentes, reproducir cálculos, registrar cambios y aprobar las conclusiones. Para organizar esa revisión, es útil aplicar un checklist de control de calidad con IA.
En educación, el hallazgo sobre análisis y escritura es una oportunidad para enseñar trazabilidad: pedir al alumnado que conserve datos de entrada, instrucciones, versión de la herramienta y comprobaciones. No basta con solicitar una bibliografía a un modelo: cada referencia debe abrirse y verificarse. En emprendimientos, la misma regla evita presentar una hipótesis como dato validado.
Acciones concretas antes de adoptar IA en un flujo de investigación
- Elige una tarea acotada y no sensible, como clasificar notas anonimizadas o documentar un análisis ya validado.
- Define una prueba de salida: cálculo reproducible, fuente abierta o revisión experta.
- Registra qué material entró a la herramienta y qué edición humana se hizo después.
- Mide tiempo ahorrado y errores detectados, no solo la cantidad de texto producido.
- Detén el uso si no puedes preservar privacidad, atribución o revisión adecuada.
Un piloto responsable puede seguir el enfoque de probar un flujo de IA con métricas y revisión. Esa metodología complementa, pero no replica, el informe de Anthropic.
Límites que no deben perderse
- El estudio observa sesiones y usa clasificación automatizada; no mide por sí mismo descubrimientos verdaderos.
- El aumento de producción es un escenario condicionado, no una promesa de resultados ni de sustitución de investigadores.
- Muchas áreas dependen de experimentos, muestras, equipos y validación física que la IA no elimina.
- La privacidad descrita es parte de la metodología de Anthropic; cada institución debe evaluar sus propias reglas de datos.
La conclusión no es “la ciencia se automatizó”, sino que la adopción se concentra donde la IA puede ayudar con tareas cognitivas y repetibles. La contribución más sólida de este informe es dar vocabulario para diseñar procesos con verificación: usar IA para ampliar exploración y documentación, y conservar el juicio, la trazabilidad y la responsabilidad en manos humanas. Los detalles, fechas y metodología están en la fuente primaria de Anthropic.