Хакатон AI‑контента · 28–29 ноябряУчаствовать

Как учёные используют ChatGPT: OpenAI изучила 580 тысяч научных запросов

Как учёные используют ChatGPT: OpenAI изучила 580 тысяч научных запросов

Кратко. OpenAI проанализировала 580 186 научных сообщений от 1 819 исследователей и опросила 251 участника своей академической программы. Чаще всего ChatGPT помогает учёным разбираться в литературе, готовить тексты, анализировать результаты и писать код. Участники опроса оценивают выигрыш во времени примерно в 1,9 раза, а 98% ожидают, что ИИ ускорит научные открытия. Однако на полностью автономные исследования приходится всего 0,4% научных сообщений, а реальное влияние на скорость открытий пока не измерено.

16 ноября 2026 года OpenAI опубликовала исследование Science at the Frontier: How Scientists Use ChatGPT. В отличие от тестов, где нейросетям предлагают решить заранее подготовленные задачи, здесь изучали повседневное использование ИИ настоящими учёными. Авторы попытались выяснить, какие этапы научной работы уже меняются под влиянием языковых моделей, кто предлагает исследовательские идеи и сколько времени экономят пользователи.

Получилась интересная картина. ChatGPT уже заметно встроен в научную работу, включая формулирование гипотез и математический анализ. При этом самые частые сценарии связаны с обработкой и изложением знаний, а подготовка и проверка полноценного научного результата по-прежнему требуют участия человека.

Как проводилось исследование

Данные получены в рамках пилотной программы ChatGPT for Academic Researchers, которая стартовала в июле 2026 года. Исследователи использовали ChatGPT, режим Work и Codex, включая интерфейс командной строки. В выборку вошли учёные из биологии, химии, материаловедения, информатики, математики, физики, инженерных и геологических наук.

Что измерялиДанные
Участники анализа использования1 819 учёных
Научные сообщения580 186
Период наблюдения20 августа - 22 сентября 2026 года
Участники отдельного опроса251 учёный
Период опроса30 сентября - 7 октября 2026 года
Разделение задач10 направлений и 40 типов научной деятельности

Всего за период наблюдения участники отправили около 1,26 млн сообщений, из которых 580 тысяч были отнесены к научной работе. Для анализа OpenAI использовала автоматические классификаторы: они присваивали сообщениям категории, а исследовательская команда работала с полученными метками и не читала исходные переписки. По заявлению компании, данные участников этой программы по умолчанию не идут на обучение моделей.

Важная особенность методики: доли задач рассчитывали отдельно для каждого учёного, а затем усредняли. Поэтому один очень активный пользователь не мог определить результаты всей выборки. Вместе с тем исследование охватывает участников специальной программы OpenAI, а не случайную выборку всего научного сообщества.

На что учёные тратят запросы к ChatGPT

Четыре направления формируют 85,1% среднего распределения научных сообщений: изучение существующих знаний, подготовка публикаций, научный анализ и программирование.

Для чего учёные обращаются к ChatGPT

Диаграмма 1. Средняя доля научных сообщений по направлению работы. Сумма округлённых значений может отличаться от 100%. Источник: OpenAI, Science at the Frontier, ноябрь 2026 года.

Самая большая категория - чтение и получение знаний (27,7%). Сюда попадают объяснения научных понятий, поиск сведений и обобщение публикаций. Ещё 26,9% приходится на подготовку статей, грантовых заявок, иллюстраций и других материалов. На научный анализ (16,7%) и исследовательский код (13,8%) суммарно приходится примерно треть запросов.

Более подробная классификация раскрывает, какие именно действия выполняют учёные:

Конкретная задачаДоля научных сообщений
Объяснение научных понятий18,8%
Подготовка рукописей статей13,9%
Поиск научной информации5,3%
Написание исследовательского ПО4,7%
Подготовка грантовых заявок4,7%
Создание графиков и иллюстраций4,2%
Разработка и проверка доказательств4,2%
Формулирование задач, моделей и подходов3,9%

Здесь особенно важна разница между распространённостью задачи и количеством запросов. Например, к подготовке научных визуализаций хотя бы трижды обращались 55,4% исследователей, а к разработке или проверке доказательств - 26,2%. При этом обе задачи дают по 4,2% среднего объёма научных сообщений. Технически сложные обращения оказываются более узкоспециализированными.

Распределение зависит и от дисциплины. В математике на научный анализ приходится 33,7% сообщений, в биологии - 9,3%. Для биологов заметно важнее изучение существующих знаний: 32,8% против 25,5% у математиков. Таким образом, одинаковый ИИ-инструмент может быть прежде всего помощником по литературе в одной области и средством формального анализа в другой.

68% учёных используют ИИ для разработки исследовательских идей

Самый содержательный результат касается роли ИИ в выборе научных вопросов. 67,6% участников отправили как минимум три сообщения в категории «идеи и гипотезы» за период наблюдения. Округлённая цифра 68% означает долю исследователей, обращавшихся к этой категории, а 5,3% на первой диаграмме - долю таких сообщений во всём научном общении. Эти показатели описывают разные вещи.

Авторы отдельно оценили, кто определяет направление работы в сообщениях об исследовательских идеях:

  • 35% - учёный предлагает конкретный вопрос и просит ИИ поработать с ним.
  • 36% - учёный приносит идею, а модель помогает уточнить или переформулировать её.
  • 23% - исследователь просит ChatGPT самостоятельно предложить вопрос или направление.
  • 6% - роль модели не удалось определить.

Получается, в 71% сообщений этой категории отправная точка задаётся самим человеком, хотя в части случаев ИИ существенно меняет формулировку задачи. Участники используют нейросеть и для мозгового штурма, но чаще она помогает превратить начальный замысел в конкретную исследовательскую проблему.

Это может оказаться существенным изменением научного процесса. От выбора вопроса зависит, на какие эксперименты потратят время и какие направления получат развитие. При этом частота генерации идей пока ничего не говорит об их оригинальности, научной ценности или вероятности успеха.

Насколько быстрее становится научная работа

В отдельном опросе исследователей просили оценить, сколько времени потребовалось бы на такую же работу сопоставимого качества, если бы ИИ был недоступен. В среднем по восьми видам деятельности они оценили соотношение как 1,9 к 1. Иначе говоря, задачу, которая с ИИ занимает один час, без него, по мнению респондентов, пришлось бы выполнять около 1,9 часа.

Наибольший заявленный выигрыш связан с программированием исследовательских инструментов - примерно 2,8 раза. Для изучения научной информации оценка близка к 2,2 раза, для научного анализа - к 2,05 раза, а для разработки идей - к 1,9 раза.

Эти показатели важно читать правильно. 1,9 раза - самооценка выигрыша времени на отдельных задачах, а не экспериментально подтверждённое увеличение научных открытий в 1,9 раза. Исследователи не сравнивали случайным образом команды с ChatGPT и без него, не проводили независимую проверку качества работ и не измеряли число новых подтверждённых открытий. Ускорив подготовку обзора литературы, учёный может затем месяцами ждать оборудование, результаты эксперимента или финансирование.

Поэтому наиболее надёжный вывод исследования состоит в том, что участники ощущают значительную экономию времени. Как она влияет на открытия, предстоит изучить отдельно.

98% опрошенных ждут ускорения открытий. Насколько сильного?

OpenAI предложила учёным мысленный эксперимент: представьте важное открытие, на которое без ИИ потребовалось бы 10 лет. Насколько раньше оно может состояться благодаря ИИ? На этот вопрос ответили 250 человек.

Каким учёные видят ускорение научных открытий

Диаграмма 2. Ожидаемое сокращение срока гипотетического десятилетнего открытия. Это прогнозы опрошенных, а не измеренные результаты. Источник: OpenAI.

97,6% опрошенных считают, что ИИ сократит срок хотя бы немного; в пресс-материалах OpenAI показатель округлён до 98%. 72% предполагают сокращение минимум на три года, а 21,6% ожидают, что десятилетняя задача будет решена в течение трёх лет или ещё раньше.

Ожидания различаются между дисциплинами. Среди математиков и статистиков 31% рассчитывают на ускорение на 7-10 лет. Среди представителей инженерных наук и материаловедения так считают только 9,8%. Вероятное объяснение заключается в разнице между цифровыми задачами, которые можно быстро повторять и проверять программно, и экспериментальными исследованиями, которым необходима физическая инфраструктура. Это интерпретация, согласующаяся с другими исследованиями, а не установленная причинная связь в данных OpenAI.

На вопрос «почему ИИ ускорит открытия» учёные дали 224 свободных ответа. Авторы выделили из них 367 отдельных аргументов. Из этих аргументов 52% касались ускорения исследовательских задач, 23% - более эффективного поиска перспективных идей, 14% - возможности работать над более широким кругом вопросов. Остальные 11% относились к другим причинам. Проценты здесь отражают доли аргументов, а не доли учёных.

Учёные продолжают проверять и перерабатывать ответы

OpenAI также измерила частоту сообщений, в которых исследователь после ответа ИИ просит что-то объяснить, проверить или изменить. В среднем такие обращения следовали после 32% научных запросов. В подготовке текстов показатель достигал 38%, в научном анализе - 34,4%, при разработке кода - 33,7%.

Частота дальнейших обращений не равна частоте ошибок модели. Пользователь может просить улучшить корректный черновик или расширить успешный анализ; в то же время отсутствие следующего сообщения не подтверждает, что результат оказался правильным. Более того, методика учитывала определённые типы продолжения диалога в течение семи дней, поэтому такая метрика не охватывает всю внешнюю проверку, например ручную сверку вычислений или лабораторный эксперимент.

Показательно, что на категорию полностью автономного исследования в среднем приходится всего 0,4% научных сообщений. Это доля обращений с соответствующей задачей, а не оценка качества или успешности автономных агентов. Данные демонстрируют, что в рассматриваемой программе преобладает совместная работа исследователя и модели.

Почему экономия времени ещё не означает пропорционального ускорения науки

Даже идеально написанный программный код не заменяет анализ образца под микроскопом, поиск финансирования или клиническое исследование. OpenAI спросила учёных, какие препятствия сохраняются при наличии современных ИИ-инструментов.

Главные ограничения научной работы

Диаграмма 3. Основные барьеры, названные участниками опроса. Разрешалось выбрать несколько вариантов. Источник: OpenAI.

Чаще всего исследователи упоминали нехватку времени или сотрудников (51,8%) и денег (43,8%). 25,5% указали сложности проверки и воспроизведения результатов, 24,3% - доступ к оборудованию, лабораториям или вычислениям, 20,3% - сбор данных и проведение экспериментов.

Это объясняет, почему даже радикальное снижение стоимости интеллектуальной работы может дать ограниченный эффект на практике. ИИ поможет быстро подготовить десятки гипотез, но кому-то придётся выбирать, какие из них заслуживают проверки, и проводить необходимые опыты. Если поток новых идей растёт быстрее экспериментальных мощностей, узкое место смещается от генерации гипотез к их проверке.

Что показывают исследования Anthropic, Google и Nature

Работа OpenAI вышла на фоне нескольких других крупных исследований научного использования ИИ. Вместе они позволяют лучше понять, какие выводы характерны именно для ChatGPT, а какие появляются и у других систем.

Anthropic: Claude особенно часто применяют для анализа данных

5 ноября Anthropic представила исследование 207 049 научных сессий Claude и Claude Code. По её данным, на анализ данных приходилось 33,7% сессий Claude и 48,1% сессий Claude Code. На чтение и получение знаний - 7,6% и 3,7% соответственно. Для сравнения, у OpenAI категория чтения занимает 27,7% среднего распределения научных сообщений.

Разница впечатляет, но считать её доказательством превосходства одного продукта в конкретной области нельзя. Anthropic анализировала сессии, идентифицированные как научные, включая пользователей потребительских тарифов; OpenAI - сообщения подтверждённых академических исследователей. Методики, аудитории и единицы измерения различаются. Тем не менее оба исследования сходятся в главном: работа с кодом, научной литературой и данными занимает значительную часть реального использования LLM.

Google и MIT: около семи часов в неделю, но растёт очередь гипотез

В работе AI in Science: Early Insights, опубликованной в сентябре 2026 года, авторы изучили 15 млн взаимодействий с Gemini, более 2 600 специализированных научных моделей и опросили свыше 600 учёных. Респонденты сообщили об экономии почти семи часов в неделю; большая часть высвободившегося времени, по их словам, возвращается в исследования.

Авторы также зафиксировали возникающие ограничения: растущую очередь непроверенных гипотез и потребность в верификации результатов. В исследовании подчёркивается взаимодополняемость универсальных LLM и специализированных систем, которые работают с предметными прогнозами, данными и классификацией. Эти результаты хорошо согласуются с наблюдением OpenAI о смещении ограничений на следующие этапы исследования.

Nature: больше публикаций ещё не гарантирует разнообразия науки

В январе 2026 года в Nature было опубликовано исследование Artificial intelligence tools expand scientists’ impact but contract science’s focus. На основании массива из 41,3 млн научных публикаций авторы обнаружили связь применения ИИ с преимуществами для отдельных исследователей, но одновременно - с сужением тематического разнообразия науки в целом.

Этот результат добавляет важное предостережение к оптимистичным прогнозам: ИИ может сделать более эффективной работу над направлениями, где уже много качественных данных и накопленных знаний, оставляя сложные и плохо изученные области без сопоставимого внимания. Для оценки реального научного прогресса важно смотреть на новые знания и их надёжность, а не только на скорость подготовки статей.

Есть и исследования более автономных подходов. Описанный в Nature проект The AI Scientist смог самостоятельно подготовить работу, прошедшую рецензирование на специализированном воркшопе конференции ICLR. Но это удалось одной из трёх представленных работ; требования воркшопа были ниже, чем к основной конференции. Авторы сами отмечают слабость отдельных идей, ошибки реализации и недостоверные ссылки. Потенциал автономной науки есть, но её надёжность пока не позволяет обобщать единичные успехи.

Зачем OpenAI проводит такое исследование

Отчёт помогает OpenAI определить, в каких частях научной работы ChatGPT востребован и какие возможности стоит развивать. Компания одновременно усиливает своё присутствие в академической среде: 16 ноября она объявила о расширении ChatGPT for Academic Researchers с целью обеспечить бесплатный доступ до 200 тысяч исследователей по всему миру. На следующем этапе компания планирует выделить 50 тысяч грантов на доступ к ChatGPT Plus для исследователей и их коллег.

Накануне OpenAI запустила отдельный научный блог, где обещает публиковать результаты работы учёных с моделями, практические методы и разбор ограничений. Такие инициативы делают научное сообщество важной аудиторией компании, а её исследовательские инструменты - частью конкуренции с Anthropic и Google DeepMind.

Поэтому к результатам полезно подходить с пониманием контекста. Исследование подготовила команда самого поставщика продукта, а в опросе участвовали люди, заинтересованные в расширенном доступе к ИИ. Это не отменяет ценности большого массива реальных обращений, но ограничивает возможность переносить оценки удовлетворённости и производительности на всю науку.

Вывод: ИИ ускоряет работу учёных, но скорость открытий ещё предстоит измерить

Главный результат Science at the Frontier - подробная карта того, где исследователи уже нашли практическую пользу ChatGPT. Наибольший объём использования сосредоточен вокруг чтения, подготовки текстов, анализа и кода. ИИ участвует также в выборе исследовательских направлений: две трети наблюдавшихся учёных обращались к нему за помощью с идеями и гипотезами.

Участники опроса оценивают экономию времени почти вдвое и связывают с ИИ большие надежды на новые открытия. Пока это оценки самих пользователей. Ни 98% оптимистичных ответов, ни ускорение выполнения отдельных задач не доказывают, что научные открытия уже происходят вдвое быстрее.

Для следующего этапа нужны измерения, которые прослеживают всю цепочку от гипотезы до проверки, воспроизведения и практического результата. Вероятно, именно там будет решаться, насколько сильно LLM изменят науку: возможность быстро предложить идею уже появилась, а способность убедительно её подтвердить остаётся ключевым ограничением.


Источники

  1. OpenAI - Science at the Frontier: How Scientists Use ChatGPT, 16 ноября 2026 года. Полный научный отчёт.
  2. OpenAI - Broadening access to AI for scientists, 16 ноября 2026 года.
  3. Anthropic - AI for scientific discovery: How researchers use Claude, 5 ноября 2026 года.
  4. Codreanu et al. - AI in Science: Early Insights, 16 сентября 2026 года.
  5. Hao et al. - Artificial intelligence tools expand scientists’ impact but contract science’s focus, Nature, 2026.
  6. Towards end-to-end automation of AI research, Nature, 2026.