Claude Science: Anthropic's Nieuwe AI-Workbench voor Research

Claude Science is niet zomaar het "volgende slimme model". Het is de erkenning van Anthropic dat de echte bottleneck in onderzoek niet de tokenlimiet is, maar de chaos in de workflow. Als een team het switchen tussen tools kan beperken, de herkomst van data (provenance) kan waarborgen en resultaten betrouwbaar kan reproduceren, schieten zowel de snelheid als het vertrouwen omhoog. Zie Claude Science in de eerste plaats als een laag voor reproduceerbaarheid: één centrale plek waar literatuur, code, rekenkracht, figuren en manuscripten gekoppeld, herbruikbaar en controleerbaar blijven.

Wat Claude Science is en wat het vervangt in een lab-workflow

Gebruik Claude Science wanneer een project momenteel verspreid is over vijf verschillende plekken: browsertabbladen voor papers, een notebook voor analyse, een terminal voor jobs, een wiki voor aantekeningen en een PowerPoint voor figuren. Claude Science is een bèta AI-workbench, gelanceerd op 30 juni 2026, die deze elementen samenbrengt in één agent-gebaseerde werkomgeving bovenop de bestaande Claude-modellen. Het is dus geen nieuw fundamenteel model. De officiële aankondiging vindt u hier: Claude Science, an AI workbench for scientists, is now available.

In de praktijk vervangt het niet zozeer het schrijven van code, maar zorgt het er vooral voor dat code, metadata van de omgeving, citaties en figuren aan elkaar gekoppeld blijven. Die koppeling is cruciaal wanneer een reviewer vraagt om een herberekening, een collega twijfelt aan een grafiek, of een pipeline opnieuw moet worden uitgevoerd op een andere machine.

Bij de lancering richt Claude Science zich sterk op de biowetenschappen, voortbouwend op Claude for Life Sciences. Die focus is duidelijk zichtbaar in de beschikbare koppelingen en de native ondersteuning voor visualisaties van domeinspecifieke objecten zoals eiwitten en moleculaire structuren.

De snelste weg naar waarde: van "paper naar plot" zonder verlies van traceerbaarheid

Een use case met een hoge betrouwbaarheid is de afgebakende cyclus: kies een vraag, verzamel literatuur, extraheer claims, reproduceer een figuur of analyse, en genereer een publicatieklaar resultaat inclusief herkomstgegevens. De kernbelofte van Claude Science is dat het figuren en tekst produceert samen met de code en omgevingsmetadata die nodig waren om ze te genereren, inclusief een geschiedenis die audits en herberekeningen ondersteunt.

Dit verandert de manier waarop teams omgaan met "figure drift", waarbij de figuur in het manuscript niet meer overeenkomt met de laatste analysecode. In een typische setting worden grafieken geëxporteerd, hernoemd, aangepast en in slides geplakt, waarna niemand meer kan bewijzen welke commit het uiteindelijke beeld heeft geproduceerd. Claude Science is specifiek gebouwd om de stappen van generatie en de uiteindelijke resultaten verbonden te houden en voert controles uit op inconsistenties.

Het resultaat? Minder herstelwerk tijdens interne reviews. Bovendien verkleint het de kans dat u een grafiek publiceert die niet meer te reproduceren is na een update van een dependency of het uitvoeren van een notebook in een andere volgorde.

Wat Claude Science anders maakt: agent-vaardigheden, connectors en "workflow boven model"

De visie achter Claude Science is dat wetenschappers niet zozeer behoefte hebben aan een nieuw, specifiek biologiemodel, maar aan een coördinator die tools betrouwbaar kan aansturen. Anthropic presenteert dit als workflow-integratie: literatuuronderzoek, analyse, code-executie, visualisatie, orkestratie van rekenkracht en de voorbereiding van manuscripten binnen één omgeving. Zie het productoverzicht: Claude Science AI workbench en de installatiegids: Getting Started with Claude Science.

Het "agentic" aspect is essentieel omdat het niet om één monolithische assistent gaat. Claude Science bevat een coördinerende agent die gespecialiseerde agents kan aanroepen en gebruikmaakt van meer dan 60 gecureerde wetenschappelijke vaardigheden en connectors. Deze beslaan gebieden als genomica, proteomics, structurele biologie, chemo-informatica en klinische of regelgevende workflows.

De lijst met connectors laat de platformstrategie pas echt zien. Anthropic noemt voorbeelden als PubMed, bioRxiv/medRxiv, Benchling, 10x Genomics, ChEMBL, Open Targets, ClinicalTrials.gov, Synapse.org, BioRender en Wiley Scholar Gateway. Dat is niet alleen handig; het is een manier om copy-paste-fouten te verminderen en de vraag "uit welke bron komt deze claim?" direct beantwoordbaar te maken.

Een praktische connector-strategie: kies één bron van waarheid per type resultaat

Teams bereiken de meeste stabiliteit wanneer elk type resultaat één "gezaghebbende" bron heeft. Gebruik PubMed voor peer-reviewed papers. Gebruik ClinicalTrials.gov voor metadata van klinische studies. Gebruik Benchling voor interne sample-historie. Gebruik ChEMBL of Open Targets voor context over verbindingen en targets.

Het mixen van overlappende bronnen zonder duidelijk beleid leidt tot stille inconsistenties, zoals verschillende naamgevingen voor genen of verouderde statussen van studies. De connector-aanpak van Claude Science kan dit beleid op workflow-niveau afdwingen. Als een literatuuroverzicht altijd PubMed-ID's citeert en een tabel met studies altijd NCT-nummers bevat, kunnen reviewers afwijkingen snel opsporen.

Reproduceerbaarheid en auditeerbaarheid: de functies die later pas gewaardeerd worden

De duurste fouten in computationele wetenschap worden vaak pas laat ontdekt: een ontbrekende dependency, een niet-deterministische analyse, een figuur die niet opnieuw gegenereerd kan worden of een citatie die niet bestaat. Claude Science is expliciet ontworpen om publicatieklare output gekoppeld te houden aan code en omgevingsmetadata, en bewaart de geschiedenis voor audits en herberekeningen.

Dit is belangrijk omdat "reproduceerbaar" niet alleen betekent dat de code bestaat. Het betekent dat de omgeving gereconstrueerd kan worden en het uitvoeringspad inzichtelijk is. In veel labs bestaat de notebook wel, maar weet niemand op welke machine deze draaide, welke pakketversies geïnstalleerd waren of welke snapshot van de dataset werd gebruikt. Claude Science bevat ook controle- en verificatiemechanismen, waaronder checks op citaties en mismatches tussen figuren en code. Dit is een direct antwoord op bekende LLM-valkuilen: geloofwaardige citaties en zelfverzekerde, maar foutieve transformaties.

Een workflow-patroon dat fouten vermindert: zie Claude-output als build-artifacts

Een nuttig mentaal model is om figuren en manuscriptsecties te behandelen als build-outputs. Als een figuur verandert, moet dat komen doordat de input, de code of de omgeving is veranderd. De focus van Claude Science op traceerbaarheid is in feite "build-tooling" voor onderzoeksresultaten. Wanneer teams deze mindset aannemen, stoppen ze met het handmatig bewerken van grafieken en beginnen ze met het opnieuw draaien van pipelines, waardoor fouten makkelijker te vangen zijn.

Dit maakt samenwerking ook overzichtelijker. Wanneer een collega vraagt "waarom is deze curve verschoven?", kan het antwoord een herberekening zijn met een zichtbare diff in inputs of versies, in plaats van een eindeloze discussie via Slack.

Orkestratie van rekenkracht: waar Claude Science weken aan wrijving kan besparen

Begin met een simpele regel: verplaats geen grote of gevoelige datasets naar de assistent. Verplaats de assistent naar de rekenkracht. Claude Science kan lokaal draaien op macOS/Linux, communiceren met externe machines via SSH en opereren in HPC-omgevingen (High Performance Computing). Het kan jobs plannen en indienen, waarbij het om bevestiging vraagt voordat er resources worden verbruikt. Details staan in de officiële gids: Getting Started with Claude Science.

Dit is een praktisch antwoord op hoe moderne labs werken. Data staat op labservers, in gereguleerde omgevingen of op HPC-opslag. Analisten werken vanaf laptops. Resultaten moeten worden berekend nabij de data, en vervolgens samengevat en gevisualiseerd zonder dat ruwe input weglekt. Het ontwerp van Claude Science ondersteunt die scheiding. Het kan grote datasets op de lab-infrastructuur laten staan, terwijl alleen de noodzakelijke context met Claude wordt gedeeld. Dat vermindert zowel de overdrachtstijd als de blootstelling van privacygevoelige gegevens.

Hoe u torenhoge rekeningen en gedoe met clusters voorkomt

De aanpak van het platform om "eerst te vragen voordat resources worden verbruikt" is een subtiele maar belangrijke ontwerpkeuze. In gedeelde HPC-omgevingen is het per ongeluk indienen van te veel jobs een reëel operationeel risico. Een tool die een job-plan opstelt, resource-aanvragen bevestigt en vervolgens indient, kan menselijke fouten verminderen – vooral voor onderzoekers die niet dagelijks met Slurm-scripts werken.

Dit ondersteunt ook een schoner auditspoor. Wanneer het gebruik van rekenkracht gekoppeld is aan een specifieke analysestap en resultaat, is het makkelijker om kosten intern te verantwoorden en de berekening later te herhalen.

Wetenschappelijke visualisatie: waarom native rendering de samenwerking versnelt

Een snelle winst is het verkorten van de tijd tussen "het resultaat is er" en "het resultaat is begrijpelijk". Claude Science ondersteunt native wetenschappelijke visualisatie, inclusief het renderen van eiwitten en moleculaire structuren. Dit sluit aan bij het visuele karakter van veel wetenschappelijke workflows.

Het praktische voordeel is minder context-switching. In een typische pipeline genereert een onderzoeker een structuurweergave in de ene tool, exporteert afbeeldingen, plakt deze in een document, waarna iemand vraagt om een rotatie of andere kleur, en de cyclus opnieuw begint. Native rendering in dezelfde werkomgeving waar de analyse en het schrijven plaatsvinden, verkort die cyclus aanzienlijk. Het helpt ook bij reviews. Wanneer een figuur wordt gegenereerd in dezelfde omgeving die de code en metadata bijhoudt, kunnen reviewers vragen om een nieuwe render met andere parameters en een reproduceerbaar resultaat krijgen, in plaats van een handmatig bewerkte screenshot.

Toegang, uitrol en governance: hoe teams Claude Science veilig kunnen adopteren

Claude Science is breed beschikbaar voor de betaalde Claude-abonnementen (Pro, Max, Team, Enterprise), waarbij voor Team/Enterprise activatie door een beheerder vereist is. Dit staat in de aankondiging: Claude Science AI workbench.

Het risico bij de uitrol is niet technisch, maar ligt bij "governance drift": mensen gaan de tool gebruiken voor gereguleerd werk zonder een consistent beleid voor dataverwerking, citaties en validatie. Een veilig adoptieplan begint met niet-gevoelige datasets en duidelijk gedefinieerde stappen waarbij menselijke verificatie vereist is.

Een goede basis voor governance is het definiëren van drie trajecten:

• Exploratietraject: genereren van hypothesen en literatuuronderzoek, geen directe besluitvorming.
• Analysetraject: transformaties van code en data, vereist herberekeningen en peer review.
• Rapportagetraject: publicatieklare resultaten, vereist verificatie van citaties en controles op het opnieuw genereren van figuren.

Dit behoudt de snelheidsvoordelen terwijl de valkuil waarbij "LLM-output de absolute waarheid wordt" wordt vermeden.

Vroege resultaten en wat u moet geloven: anekdotes, geen benchmarks

Anthropic deelt vroege anekdotes uit de bètafase die wijzen op grote productiviteitswinsten, maar dit zijn geen peer-reviewed benchmarks. De aankondiging citeert neurowetenschapper Jérôme Lecoq van het Allen Institute, die een review-workflow met meerdere agents en ongeveer 20 aangepaste vaardigheden bouwde. Hiermee verwerkte hij duizenden papers en produceerde hij ongeveer 10 uitgebreide reviews van vaak meer dan 100 pagina's, wat voorheen tot twee jaar werk zou zijn geweest.

Ook epidemioloog Stephen Francis van het UCSF Brain Tumor Center wordt genoemd; hij rapporteerde een kiembaananalyse van gliomen in ongeveer een tiende van de gebruikelijke tijd, met onafhankelijke validatie door zijn groep. Bron: Claude Science AI workbench.

De juiste manier om dit te interpreteren is als workflow-compressie, niet als versnelling van wetenschappelijke ontdekkingen zelf. De tool kan de vertraging in informatievoorziening en operationele ophoudtijden verminderen, terwijl biologische validatie de belangrijkste beperkende factor blijft. Dit sluit aan bij commentaren uit de sector, zoals beschreven door MedCity News.

Als een team Claude Science wil evalueren, meet dan de saaie onderdelen: de tijd om een sectie met gerelateerd werk samen te stellen, de tijd om een figuur vanaf nul te reproduceren, de tijd om een analyse opnieuw te draaien op HPC en het aantal handmatige overdrachten. Dat zijn de gebieden waar het product zich expliciet op richt.

De plek van Claude Science in de bredere verschuiving naar AI voor de wetenschap

Claude Science maakt deel uit van een beweging naar verticale AI-onderzoeksplatformen: domeinspecifieke tools, connectors en functies voor reproduceerbaarheid in plaats van alleen maar grotere modellen. Die trend is zichtbaar in de groei van publicaties. De AI Index 2026 van Stanford meldt dat het aantal publicaties over AI voor medicijnontwikkeling steeg van 431 (2018) naar 3.311 (2025), en multimodale biomedische AI-publicaties van 2 (2021) naar 462 (2025). Bron: Stanford 2026 AI Index Report, Medicine Chapter (PDF).

Marktprognoses bevestigen dit momentum. Grand View Research schat de markt voor AI in medicijnontwikkeling op $2,9 miljard in 2026, met een verwachte groei naar $13,8 miljard in 2033 (een jaarlijkse groei van ongeveer 24,8%). Bron: AI in drug discovery market.

De minder voor de hand liggende implicatie is dat inkoop zal verschuiven. Teams zullen steeds vaker "workflow plus governance" kopen in plaats van alleen "toegang tot een model". Dit is gunstig voor producten die traceerbaarheid kunnen aantonen, datastromen kunnen controleren en kunnen integreren met labsystemen.

Claude Science versus zelfgebouwde "multi-agent teams"

Sommige organisaties bouwen al eigen multi-agent onderzoeksomgevingen met notebooks, interne tools en algemene LLM-API's. Claude Science verpakt veel daarvan in een kant-en-klare workbench met gecureerde vaardigheden en controlemechanismen.

Optie A (Claude Science) kan de technische overhead verminderen en de adoptie versnellen. Optie B (maatwerk) biedt meer controle, eigen governance en diepere integratie met interne systemen. Teams die moeten kiezen, moeten hun bereidheid afwegen om zelf connectors, auditlogs en orkestratie van rekenkracht te onderhouden. Voor een diepere blik op de afwegingen bij het ontwerpen van agents, zie onze blog Multi-Agent AI Teams in 2026: Win or Fail?.

Veelvoorkomende problemen en hoe ze op te lossen

"De samenvatting lijkt te kloppen, maar de citaties zijn fout of ontbreken"

Claude Science bevat controles op citatie-mismatches, maar het elimineert hallucinerende bronnen niet volledig. De operationele oplossing is om te eisen dat elke claim in een publicatieklare sectie gekoppeld is aan een herleidbare identifier: DOI, PubMed-ID of een intern document-ID. Teams hebben ook baat bij een "citatie-quarantaine": houd vroege concepten flexibel en voer daarna een laatste controle uit waarbij elke citatie wordt geverifieerd tegen de bron-connector. Dit voorkomt dat u een verhaal polijst dat gebaseerd is op een gebrekkige bronvermelding.

"We kunnen resultaten niet opnieuw draaien omdat de omgeving is veranderd"

Zelfs met het vastleggen van metadata mislukken herberekeningen als labs hun basisomgevingen niet standaardiseren. De standaardaanpak is om een kleine set goedgekeurde basis-images of omgevingen te definiëren voor veelvoorkomende workflows, en afwijkingen te behandelen als uitzonderingen die gedocumenteerd moeten worden. De waarde van Claude Science stijgt naarmate omgevingen minder ad-hoc worden.

"Beveiliging is onduidelijk: welke data verlaat ons netwerk?"

Claude Science is ontworpen om te werken met lokale en externe rekenkracht en grote datasets op de lab-infrastructuur te houden. Toch hebben teams een schriftelijk beleid nodig: welke datatypes zijn toegestaan, wat moet worden geanonimiseerd en welke connectors zijn goedgekeurd. Een praktische eerste stap is om Claude Science te draaien op niet-gevoelige publieke datasets en pas na een security-review uit te breiden naar gevoelige workflows. Als "offline-first" een harde eis is, vergelijk deze aanpak dan met lokale modellen zoals besproken in Local LLMs: The Real AI Revolution? Inside Offline-First AI.

"Mensen vertrouwen de assistent te veel"

Dit is de meest voorkomende valkuil bij wetenschappelijke AI-tools. De oplossing ligt in het proces, niet in de prompts. Eis onafhankelijke validatie voor elk resultaat dat beslissingen beïnvloedt. Houd een lichte peer-review stap aan voor analyse-outputs en een eis voor herberekening voor elke figuur die in een manuscript of externe presentatie terechtkomt.

Claude Science feature-overzicht: wat te evalueren tijdens een pilot

Implementatie-checklist

Begin hier (uw eerste stap) Draai een pilot van 7 dagen op een publieke dataset: reproduceer één gepubliceerde figuur volledig binnen Claude Science, inclusief citaties en herberekeningsstappen.

Snelle winst (directe impact)

• Standaardiseer citatie-ID's in outputs: eis een DOI of PubMed-ID voor elke claim in een manuscript die tijdens de pilot wordt geproduceerd.
• Gebruik één externe run via SSH met een vaste omgeving en voer 48 uur later dezelfde job opnieuw uit om de reproduceerbaarheid te bevestigen.

Verdieping (voor wie meer wil)

• Leg een "artifact-beleid" voor het lab schriftelijk vast: figuren moeten opnieuw gegenereerd kunnen worden op basis van code en metadata; geen handmatige bewerkingen buiten de werkomgeving.
• Evalueer 3 connectors die passen bij de workflow van het team (voor biowetenschappen: PubMed, ChEMBL, ClinicalTrials.gov) en leg vast welke bron leidend is voor elk type resultaat.

Nuttige bronnen

• Claude Science, an AI workbench for scientists, is now available – Officiële aankondiging en feature-overzicht.
• Getting Started with Claude Science – Installatie, toegangseisen, connectors en workflow-voorbeelden.
• Claude for Life Sciences – Achtergrond over het biowetenschappen-initiatief en het ecosysteem van connectors.
• Stanford 2026 AI Index Report: Medicine Chapter (PDF) – Data over de groei van publicaties voor AI in de geneeskunde.
• AIxBio Horizon Scan: Spring 2026 (PDF) – Trends en governance-vraagstukken in AI-tools voor de biologie.

Belangrijkste conclusies

Claude Science is in de eerste plaats een workflow-product: een bèta-workbench die literatuur, analyse, visualisatie, rekenkracht en manuscripten verenigt in één traceerbare geschiedenis. Dat is de juiste insteek, omdat de meeste vertraging in onderzoek voortkomt uit versnippering, mislukte herberekeningen en revisierondes, en niet uit het gebrek aan "nog één model-upgrade".

Teams behalen de beste resultaten wanneer ze piloten met strikte regels voor resultaten: herleidbare citaties, opnieuw te genereren figuren en gecontroleerd gebruik van rekenkracht. Wanneer die discipline aanwezig is, kunnen de connectors, multi-agent vaardigheden en traceerbaarheidsfuncties van Claude Science weken aan coördinatie omzetten in herhaalbare processen.

De richting is duidelijk: AI voor de wetenschap verschuift van chat naar systemen. De winnaars zijn de tools die wetenschappelijk werk controleerbaar, reproduceerbaar en veilig schaalbaar maken.