Que demandent les scientifiques à un assistant d’intelligence artificielle ? Une étude publiée par Anthropic le 5 novembre 2026 apporte un éclairage concret : analyser des données et écrire occupent une place centrale. Un résultat qui invite à examiner les usages quotidiens avant de parler de laboratoires autonomes.
Plus de 207 000 sessions, surtout pour analyser et rédiger
Le rapport d’Anthropic porte sur 207 049 sessions scientifiques, entre le 2 août et le 30 septembre 2026, sur des offres grand public. L’analyse de données représente environ un tiers des sessions Claude et près de la moitié de celles de Claude Code. La génération d’idées est moins fréquente.
Rapporté aux effectifs de chercheurs, l’usage est plus marqué en informatique, mathématiques et statistiques que dans la santé et les sciences de laboratoire.
Des conversations, pas un compteur de découvertes
Un classificateur attribue aux échanges un domaine et une tâche. Selon Anthropic, seules ces étiquettes sont conservées pour l’analyse, sans détails scientifiques ouverts. Ce périmètre concerne les utilisateurs de ses outils ; il ne décrit pas toute la science.
C’est une distinction décisive pour lire ces chiffres. Une conversation consacrée à un tableau peut contenir une simple demande de mise en forme ou un travail de nettoyage complexe. Compter les sessions ne permet donc, à lui seul, ni de compter les découvertes ni de mesurer les heures économisées. Cette réserve relève de la lecture méthodologique des résultats, plutôt que d’un jugement sur l’utilité de l’outil.
Une autre étude montre où le travail peut se déplacer
Le constat s’inscrit dans un paysage plus large. Dans AI in Science: Early Insights, une prépublication déposée en septembre 2026, Mihai Codreanu et ses coauteurs croisent 15 millions d’interactions Gemini, un inventaire de plus de 2 600 modèles spécialisés et une enquête auprès de plus de 600 scientifiques.
Leurs observations suggèrent une complémentarité : les modèles de langage accompagnent le code, l’analyse générale et la préparation des manuscrits, tandis que les modèles spécialisés servent aux prédictions ou traitements propres à une discipline. Les chercheurs interrogés signalent aussi une accumulation d’hypothèses non testées et un besoin de vérification des résultats.
Cette étude antérieure ne constitue pas une réplication du rapport d’Anthropic : outils, échantillons et méthodes diffèrent. Elle aide néanmoins à poser une question utile : quelle étape devient limitante quand la précédente accélère ?
Le graphique arrive plus vite ; sa validation reste un travail
Prenons un exemple hypothétique. Une équipe obtient rapidement un script qui compare deux groupes d’échantillons. Le graphique est propre, le calcul s’exécute. Il faut encore vérifier que les unités sont cohérentes, que les observations sont comparables et que le choix du test répond à la question scientifique.
Dans ce cas, la valeur du système tient à la réduction d’une tâche de préparation. La solidité du résultat dépend d’autres décisions. Pour un responsable de laboratoire, la bonne mesure serait donc le délai nécessaire pour obtenir une analyse vérifiée, plutôt que le nombre de graphiques produits.
La traçabilité devient une question d’organisation
Un autre éclairage vient d’Oxford University Press, qui a présenté son enquête le 10 septembre. Parmi plus de 2 600 chercheurs interrogés, 74 % se disent incertains des usages de l’IA qu’ils doivent déclarer et seuls 36 % indiquent en garder une trace pendant leur recherche. L’éditeur rappelle la responsabilité humaine de vérification et la protection des informations confidentielles.
Ces réponses déclaratives ne mesurent pas la fiabilité des productions scientifiques. Elles montrent cependant que l’adoption d’un assistant soulève aussi un problème de règles partagées.
Notre lecture pratique est simple : une équipe peut associer à chaque analyse son jeu de données, le code exécuté, les corrections apportées et le nom de la personne qui a validé le résultat. Cette chaîne documentaire rend les erreurs discutables et les choix explicables. Elle permet aussi de différencier une aide à la formulation d’une intervention dans le traitement des données.
Ce qu’il faudra mesurer après l’adoption
Anthropic présente également des scénarios d’accélération de la recherche. Ce sont des projections conditionnelles, pas des gains déjà démontrés.
Pour juger l’apport de Claude à la recherche scientifique, trois questions offrent un meilleur point de départ : le résultat peut-il être reproduit ? Combien de corrections a-t-il nécessité ? Le temps de vérification laisse-t-il un gain utile à l’équipe ?
Le prochain indicateur convaincant sera une réponse documentée à ces questions. Un assistant peut produire vite ; une organisation scientifique doit pouvoir expliquer ce qu’elle a retenu, comment elle l’a contrôlé et pourquoi elle lui fait confiance.
Références
- Anthropic — AI for scientific discovery: How researchers use Claude, 5 novembre 2026.
- Codreanu et al. — AI in Science: Early Insights, prépublication de septembre 2026.
- Oxford University Press — Supporting researchers to disclose AI use with confidence, 10 septembre 2026.
