AIが​「チャット」から​「仕事場」に​なり始めた​ ──研究者向けClaude Scienceが​見せた、​"職種別AIワークベンチ"の​時代

気になるAIの話を、分かりやすく ｜ 最新動向を、現場目線で

「結局どのAIが一番賢いの？」——去年までは、この問いがいちばん盛り上がった。GPTか、Claudeか、Geminiか。ベンチマークの点数を並べて比べる。それはそれで大事だったし、今も無意味ではない。

でも2026年に入って、主戦場が少しずつずれてきた。モデル単体の賢さ比べから、「その職種の仕事を、AIとどう回すか」という"作業環境"の勝負へ。分かりやすい実例が、2026-06-30にAnthropicが出した「Claude Science」だ。研究者のためのAI作業台（ワークベンチ）を名乗るこのプロダクトは、チャットの枠を出て、専門職の道具・データ・手順・記録を1つの環境にまとめてきた。

今日はこのClaude Scienceを入口に、「AIがチャットから仕事場に変わる」という流れを、分かりやすく整理してみる。研究の話に見えて、実は法務・営業・開発・マーケにも効いてくる話だ。私たち電脳技巧集団（AI職人ギルド）も毎日AIで仕事をしている側なので、その現場目線で読み解いていく。

01Claude Scienceって​何？​ ──研究者の​ための​"AI作業台"

Claude Scienceは、Anthropicが「科学者のためのAIワークベンチ」として2026-06-30に出したものだ^[1]。ふつうのチャットと違うのは、研究者がふだん行き来している道具とデータを、1つの環境に寄せている点にある。

公式の説明によると、60以上の厳選された「スキル」と科学データベース（UniProt・PDB・Ensembl・Reactome・ClinVar・ChEMBL・GEOなど）につながり、ゲノミクス・シングルセル・プロテオミクス・構造生物学・ケモインフォマティクスといった領域を扱える。実行は手元のmacOS/Linux、あるいはSSH越しのリモートマシンで動き、計算はノートPC・クラスタ・オンデマンドのGPUへ振り分ける^[1]。

さらに、出力が"テキストの答え"で終わらない。3Dのタンパク質構造・ゲノムブラウザのトラック・化学構造といった、専門的な成果物をそのまま描き出す。研究者にとっては「AIに聞く」より「AIと作業する」に近い（※機能・対応範囲はすべてAnthropicの公式発表による。CAGが検証したものではない）。

02これが​"チャット"と、​何が​違うのか

いちばんの違いは、返ってくるものが「答え」ではなく「成果物（artifact）」だという点だ。

ふつうのチャットボットは、質問に文章で答える。便利だが、その答えが「どうやって作られたか」は残らない。Claude Scienceは逆で、公式の言葉を借りれば 「すべての出力が、どう作られたかの監査可能な履歴を持つ。だから結果を検証し、再現できる」^[1]。生成された図には、それを作った正確なコードと実行環境、そして平易な言葉の説明が添えられる。

この差は小さく見えて大きい。チャットの答えは"それっぽさ"で受け取るしかないが、成果物＋作り方の記録があれば、中身を確かめて、もう一度作り直せる。AIが「便利な相談相手」から「検証できる仕事の道具」に変わる、その分かれ目がここにある。

03なぜ​「監査できる」が、​肝なのか

研究に限らず、専門職の仕事はプロセスが命だ。結論だけ正しく見えても、どのデータで・どの手順で・どんな前提で出したかが辿れなければ、実務では使えない。査読も、監査も、引き継ぎも、全部「作り方が残っているか」にかかっている。

だからAIの成果物に「生成コード＋環境＋説明」が付くことは、単なるオマケではない。AIが出したものを、人が検証し、責任を持って使えるようにするための土台だ。裏を返すと、監査証跡のないAI出力は、どれだけ賢そうでも「そのまま本番には出せない」。ここは、AIを仕事に組み込むときに、私たちがいつも人間の確認（HITL）を最後に置く理由とまっすぐ重なる。

Claude Scienceが研究者向けに見せたのは、「速く答えるAI」ではなく、「検証できる形で成果を残すAI」という方向だった。

04これは​研究だけの​話じゃない​ ──"職種別ワークベンチ"の​時代

ここからが本題だ。研究者向けのニュースに見えて、この構造はどの専門職にも当てはまる。

AIの競争軸が、「モデル単体の賢さ」から「専門職の作業環境」へ移り始めている。研究者にはデータベースと計算資源と再現性が要る。では——

• 法務なら、契約書・判例・社内規程・過去案件を横断し、根拠リンク付きのドラフトを残す作業台。
• 営業なら、商談メモ・製品資料・見積り・過去提案を束ね、提案書とフォローまで一気通貫にする作業台。
• 開発なら、リポジトリ・ログ・テスト・使い捨てDBを揃えて、AIが安全に試して検証できる作業台。
• マーケなら、素材・ブランド規定・過去投稿・分析を1環境にまとめ、成果物と根拠を残す作業台。

共通するのは、道具を並べることではなく、「その職種の仕事の流れ」と「監査証跡」を1つの環境にまとめることだ。Claude Scienceは、その最初の分かりやすい見本になった^[2]。この「AIは道具でなく作業環境で差が出る」という見方は、以前CAGが書いた記事とまっすぐつながっている。

関連記事 ｜ モデルは脳、harnessは職場AI開発の主戦場は、モデル比較から「作業環境」へ移った ──モデルは脳、harnessは職場 →

05道具を​増やすより、​"作業台"を​設計する

ここで気をつけたいのは、「ツールをたくさん繋げば作業台になる」わけではない、ということだ。MCPやスキルを片っ端から足すと、むしろAIが読む情報が増えて、コストも混乱も上がる（これは前回の記事で書いた"トークン経済"の話でもある）。

効くのは、逆の設計だ。

• その職種の"仕事の流れ"を決める：何を入力に、何を成果物として、どこで人が確認するか。
• 成果物に証跡を付ける：どのデータ・どの手順で作ったかを残す（Claude Scienceの「監査可能な履歴」と同じ発想）。
• 権限と検証をセットにする：AIが読める範囲・書ける範囲を職務分掌として決め、重い判断や外部影響のある操作は人間が最終承認する。
• 記録を残す：導入の経緯や判断を後から辿れるようにする。

CAG（電脳技巧集団）でも、AIで仕事を回すときは「道具を足す」より先に「この仕事の流れと、確認する場所と、残す記録」を決める。各リポジトリの AGENTS.md に権限や手順を書き、重要な判断は人が承認し（HITL）、経緯はWikiに残す。派手ではないが、これが"職種の作業台"の骨組みになる^[3]。

06まとめ ──"AIを​使える​"より、​"職種の​仕事を​作業台に​できる​"会社へ

「どのモデルが一番賢いか」は、これからも話題にはなる。でも、実務で差が出るのはもう一段先だ。その職種の仕事を、検証できる形でAIと回せる"作業台"を作れるか。Claude Scienceが研究者向けに見せたのは、その具体例だった。

チャットで答えをもらう段階から、成果物と作り方の記録を残す段階へ。道具を並べる段階から、仕事の流れと監査証跡を設計する段階へ。AIが「賢い相談相手」から「検証できる仕事場」に変わっていく——この静かな移行に気づいて、自分の職種の作業台を先に作った会社が、これからのAI活用で強い。

モデルの点数比べの、次の話。地味だが、ここが本丸になる。

同じ「AIを使う」でも、チャットとして使うか、職種の作業台として使うかで、残るものが変わる。今日の要点を一枚に。

観点	"AIチャット"として使う	"職種の作業台"として使う
返ってくるもの	文章の答え	成果物（artifact）＋作り方の記録
道具・データ	別々に行き来	1つの環境にまとめる
再現性	作り直せない	コード＋環境で再現できる
検証・監査	"それっぽさ"で判断	監査可能な履歴で検証
人間の役割	聞いて受け取る	流れを設計し、最後に承認（HITL）
価値の出方	速く答える	職種の仕事を安全に回す

※ 本記事はAnthropicの公式発表（Claude Science）を、AIを業務に使う側の観点から分かりやすく整理したもの。機能・対応範囲・数値はすべて公式発表の引用であり、CAG自身の検証結果ではない。法務・営業・開発・マーケへの「職種別ワークベンチ」の一般化は、Claude Scienceの構造からのCAGによる敷衍で、Anthropicが各職種向け製品を出したという意味ではない。数値は2026-07-06時点の公開値で変動しうる（v0）。