Claude Science: sztuczna inteligencja, która nie odpowiada, tylko pracuje

Przez ostatnie lata przyzwyczailiśmy się do jednego schematu: pytamy system AI, on odpowiada tekstem. Claude Science – narzędzie zaprezentowane przez firmę Anthropic pod koniec czerwca 2026 roku – ten schemat łamie i właśnie na tym polega jego rzeczywista innowacja. To nie jest „mądrzejszy czat” ani nowy model. To warsztat: aplikacja, która łączy model Claude z prawdziwym środowiskiem obliczeniowym na komputerze badacza. Opisujesz zadanie zwykłym językiem, a system sam pisze i uruchamia kod, sięga po dane, liczy, rysuje wykresy i redaguje tekst – a więc faktycznie wykonuje pracę, zamiast tylko o niej rozmawiać. Komisja ds. Stosowania Narzędzi AI przygląda się temu narzędziu, bo pokazuje ono, dokąd zmierza użycie AI w nauce: od podpowiadania do współwykonawstwa badań – w sposób, który podnosi jednocześnie ich jakość i tempo.

Na czym polega prawdziwa nowość

Kod potrafiły pisać już wcześniejsze modele. Nowość Claude Science leży gdzie indziej: w tym, że każdy wynik nosi ze sobą pełną historię swojego powstania. Do wykresu czy tabeli „przyklejony” jest dokładny kod, środowisko, w którym powstał, słowny opis „co zrobiono” i cała rozmowa, która do niego doprowadziła. Po pół roku, po recenzji, po zmianie w składzie zespołu – wynik da się odtworzyć, przerobić i obronić, bo nic z jego rodowodu nie ginie. To bezpośrednia odpowiedź na jedną z największych bolączek współczesnej nauki, czyli tzw. kryzys replikacji, w którym zbyt wielu opublikowanych wyników po prostu nie da się powtórzyć.
Druga część tej nowości działa w tle. Kiedy badacz pracuje, drugi, niezależny agent czyta to, co powstaje i sprawdza, czy liczby oraz cytowania w tekście naprawdę wynikają z tego, co policzono – wychwytuje błędne odwołania, dane nie do wyprowadzenia ze źródła, wykresy niezgodne z własnym kodem – i sam się koryguje w trakcie. Działa to jak pierwszy, mechaniczny recenzent, który czyta pracę, zanim zrobi to recenzent czasopisma. Trzeba to powiedzieć uczciwie: taki recenzent ogranicza błędy, ale ich nie usuwa i nie zwalnia badacza z myślenia – ostatnie słowo i odpowiedzialność zostają po stronie człowieka.
Te dwie rzeczy razem – automatyczny rodowód każdego wyniku i wbudowana kontrola zgodności twierdzeń z obliczeniami – są tym, czego nie miało dotąd żadne z popularnych narzędzi AI. I to one, a nie sama szybkość liczenia, stanowią o realnej wartości tego środowiska dla nauki.

Dlaczego to podnosi jakość i tempo pracy

Wokół tego rdzenia narosło kilka udogodnień, które razem zdejmują z badacza żmudę niemającą wiele wspólnego z myśleniem naukowym. Wszystko dzieje się w jednym miejscu – przeszukiwanie danych, obliczenia, redakcja tekstu i podgląd wyników – więc pisanie artykułu toczy się tuż obok analizy, która go zasila, a nie w oddzielnym oknie i oddzielnym świecie. Raz wczytane dane i modele zostają w pamięci, dzięki czemu kolejne wersje analizy liczą się od razu, bez mozolnego ładowania od nowa. Te same polecenia obsłużą obliczenia na laptopie, na klastrze uczelnianym albo na mocnych kartach graficznych w chmurze, gdy problem okaże się cięższy. Wykres poprawia się zwykłym zdaniem („usuń siatkę”, „oś na skalę logarytmiczną”), a sprawdzoną raz procedurę można zapisać tak, by kolejne badania odziedziczyły ją bez powtarzania pracy. Co szczególnie ważne przy danych wrażliwych – medycznych, osobowych czy objętych licencją – surowe dane zostają na komputerze badacza; na zewnątrz trafia tylko niezbędny fragment kontekstu, a każdy dostęp wymaga wyraźnej zgody.
Cała ta wartość jest przy tym neutralna dziedzinowo. Choć narzędzie jest dziś przygotowane przede wszystkim pod nauki przyrodnicze – ma gotowe połączenia z bazami biologicznymi i podgląd struktur białek czy związków chemicznych – jego rdzeń działa tak samo dla przyrodnika, jak dla badacza z nauk społecznych. Ekonomista budujący model prognostyczny skorzysta z niego podobnie jak genetyk, z tą tylko różnicą, że część dziedzinowego „osprzętu” – na przykład gotowe połączenia z bazami ekonomicznymi – musiałby na razie dobudować samodzielnie. To jednak jedynie jeden z wielu możliwych przykładów; istota rzeczy jest taka, że wartość leży w uniwersalnym silniku, nie w konkretnych dodatkach do jednej dyscypliny.

Czego nie wolno przemilczeć

Innowacja nie znaczy „gotowe rozwiązanie na już”. Claude Science działa dziś tylko na komputerach z systemem macOS i Linux, co dla dużej części środowiska pozostaje realną barierą; jest w fazie testów i wymaga płatnego planu. Najwięcej wyciągną z niego ci, którzy pracują w kodzie i potrafią jasno sformułować, o co proszą. I – co najważniejsze – nie jest to autopilot: wbudowany recenzent ogranicza pomyłki, ale rzetelność wyniku wciąż zależy od badacza. Sztuczna inteligencja rozszerza tu zasięg myślenia naukowego, ale go nie zastępuje.

Co z tego wynika dla nas

Claude Science to konkretny sygnał szerszej zmiany: sztuczna inteligencja przestaje być biernym doradcą, a staje się aktywnym uczestnikiem badań – takim, który liczy, sprawdza i pamięta rodowód każdego wyniku. Dla społeczności akademickiej najważniejsze pytanie nie brzmi już „czy używać AI w nauce”, lecz „jak robić to tak, by rosły jakość oraz tempo prowadzenia badań”. Odpowiedź, którą podpowiada to narzędzie, jest zaskakująco zgodna z klasyczną rzetelnością naukową: jawność metody, odtwarzalność i weryfikacja. I to jest dla nas bardzo dobra wiadomość.
Komisja ds. Stosowania Narzędzi AI Uniwersytetu Szczecińskiego będzie to rozwiązanie śledzić i o nim informować. Zachęcamy, by sprawdzać narzędzie na wybranym własnym problemie badawczym i dzielić się z nami efektami.

Kontakt z autorem artykułu: grzegorz.wojarnik@usz.edu.pl

 

Artykuł opracowany na podstawie materiałów firmy Anthropic dotyczących Claude Science (stan na 2 lipca 2026). Produkt jest w fazie testów i może się zmieniać. Komisja ds. Stosowania Narzędzi AI, Uniwersytet Szczeciński, lipiec 2026.

Źródła