Anthropic Claude Science Workbench: IA para investigación científica + Claude Opus 4.8 líder en SWE-Together (2026)
Anthropic lanza Claude Science Workbench
El 30 de junio de 2026, Anthropic presentó Claude Science, un workbench de IA diseñado específicamente para investigadores científicos. La herramienta conecta a Claude Opus 4.8 con más de 60 bases de datos científicas —genómica, proteómica, quimioinformática, biología estructural y ensayos clínicos— en un único entorno integrado.
No es un nuevo modelo: es un entorno de trabajo que pone a Claude en el contexto de la investigación real, con acceso a herramientas, datasets y compute que los científicos ya usan. Dario Amodei, CEO de Anthropic, lo comparó con el impacto que Claude Code tuvo en programación: "Claude Science tiene el potencial de transformar la biología de la misma manera".
📌 Lo esencial: Claude Science es un workbench de IA para científicos con 60+ bases de datos (UniProt, PDB, Ensembl, ClinVar, ChEMBL, GEO), agentes especializados, reviewer agent para verificar citas y cálculos, gestión de compute (HPC/Modal), artefactos reproducibles, y integración con NVIDIA BioNeMo. Disponible en beta para Pro, Max, Team y Enterprise. Además, Claude Opus 4.8 lidera SWE-Together con 63% pass@1 y 1,38 correcciones por tarea.
Qué es Claude Science Workbench
La investigación científica es tediosa por naturaleza. Los investigadores deben trabajar con docenas de bases de datos, cada una con su propio schema, lidiar con formatos de archivo que requieren pipelines bespoke, y saltar entre herramientas: PubMed, Jupyter, R, terminales de cluster, y más.
Claude Science unifica todo esto en un solo entorno donde los científicos pueden:
- Analizar literatura científica
- Ejecutar investigación multi-step
- Generar artefactos detallados (figuras, manuscripts, datos)
- Refinar figuras y manuscripts iterativamente hasta que estén listos para publicación
- Validar y reproducir resultados con historial auditable
Cómo funciona
Agente coordinador + agentes especializados
El usuario interactúa con un agente coordinador generalista que tiene acceso a más de 60 skills y conectores curados. Este agente puede lanzar otros agentes y delegar tareas a agentes especializados creados por el usuario o pre-configurados.
Un reviewer agent revisa citas y cálculos, marcando y corrigiendo errores automáticamente. Esto es clave para la integridad científica: cada output lleva un historial auditable de cómo fue generado.
60+ bases de datos científicas integradas
| Dominio | Bases de datos / Herramientas |
|---|---|
| Genómica | Ensembl, ClinVar, GEO (Gene Expression Omnibus) |
| Proteómica | UniProt, Protein Data Bank (PDB) |
| Biología estructural | Boltz-2, OpenFold3, Evo 2 (vía NVIDIA BioNeMo) |
| Quimioinformática | ChEMBL |
| Vías biológicas | Reactome |
| Single-cell | Herramientas de análisis single-cell RNA sequencing |
| Genómica extendida | Basecamp Research EDEN (secuenciación de millones de especies de microbios) |
Artefactos científicos ricos y reproducibles
Claude Science genera y renderiza nativamente:
- Estructuras 3D de proteínas
- Genome browser tracks
- Estructuras químicas
- Figuras y manuscripts con código embebido
Cada figura incluye: el código exacto que la generó, el entorno, una descripción en lenguaje natural del proceso, y el historial completo de mensajes. Puedes pedir ediciones en lenguaje natural ("quita las gridlines", "cambia el eje a log scale") y el agente edita su propio código.
Gestión de compute escalable
Los análisis grandes —foldear una proteína, correr un pipeline de genómica sobre un dataset masivo— normalmente requieren que el investigador configure jobs manualmente. Claude Science lo hace automáticamente:
- Draftea un plan
- Pide confirmación antes de usar recursos nuevos
- Permite revisar o revocar cualquier decisión
- Envía el job al HPC del lab (vía SSH) o a Modal (compute on-demand)
- Escala de 1 GPU a cientos según sea necesario
Los datasets grandes se cargan una sola vez en la sesión. Los datos sensibles nunca salen de la infraestructura del lab —solo el contexto necesario para cada paso se envía a Claude.
Integración con NVIDIA BioNeMo
Claude Science usa el NVIDIA BioNeMo Agent Toolkit para conectar nativamente con modelos y librerías de ciencias de la vida, incluyendo:
- Evo 2: modelo de genómica
- Boltz-2: predicción de estructura de proteínas
- OpenFold3: folding de proteínas
Personalizable
Los científicos pueden:
- Guardar cualquier pipeline como un skill reutilizable
- Conectar herramientas propias del lab vía connectors
- Las sesiones futuras heredan automáticamente estas configuraciones
- Acceder a Claude, datos propietarios y herramientas validadas en una sola conversación
Casos de uso reales
Manifold Bio: tissue-targeting medicines
Manifold Bio diseña medicamentos que se dirigen a órganos o tipos celulares específicos. Usaron Claude Science para nominar targets para sus últimos experimentos: para cada tejido y target, Claude evaluó expresión de superficie, trafficking y safety, rankeando candidatos contra datos internos. Lo que distinguió a Claude Science de un coding assistant genérico fue la capacidad de hacer esto end-to-end, recopilando los datos correctos y aplicando el juicio correcto.
Allen Institute: reviews de literatura en meses, no años
Jérôme Lecoq, neurocientífico del Allen Institute, usó Claude Science para construir un "computational review template" con ~20 skills custom para escribir reviews de literatura. Los sub-agentes leen miles de papers, extraen claims centrales y hallazgos cuantitativos, los almacenan en una evidence database, y construyen una narrativa sección por sección.
Antes de Claude Science: hasta 2 años por review. Ahora: ~10 reviews de más de 100 páginas con citas verificadas por reviewer agents.
UCSF Brain Tumor Center: epidemiología de glioma
Stephen Francis, epidemiólogo de UCSF, usó Claude Science para estudios de epidemiología molecular del glioma. Su lab investiga cómo miles de variantes germline de efecto pequeño se combinan para shapedar la susceptibilidad individual. Claude Science aceleró el análisis a 1/10 del tiempo, con resultados validados independientemente.
Claude Opus 4.8: líder en SWE-Together
Junto con Claude Science, Anthropic lanzó Claude Opus 4.8 el 28 de mayo de 2026. Y los resultados en el nuevo benchmark SWE-Together de Meta son notables.
Qué es SWE-Together
SWE-Together es un benchmark de coding multi-turno desarrollado por Meta que reconstruye sesiones reales de usuario-agente. A diferencia de SWE-bench (que da una tarea completa y evalúa el resultado final), SWE-Together evalúa la colaboración interactiva:
- Partió de 11.260 sesiones reales developer-agent grabadas
- Filtró a 109 tareas (0,97% del corpus original) con estados de repo recuperables, goals claros y outcomes observables
- Usa un user simulator LLM que replica el comportamiento del usuario original: hace preguntas, añade requisitos, corrige al agente
- En un Turing test ciego, los annotators humanos no pudieron distinguir el simulator de usuarios reales (46% human pass rate)
Dos métricas clave
- pass@1: ¿el código final es correcto? (judge score ≥ 0,85)
- User Correction (UC): ¿cuántas correcciones tuvo que hacer el usuario? (menor = mejor)
Resultados: Claude Opus 4.8 domina
| Rank | Modelo | pass@1 ↑ | UC ↓ | pass² ↑ | MeanJudge ↑ |
|---|---|---|---|---|---|
| — | Reference (oracle) | ~78% | — | ~78% | 0,90 |
| 1 | Claude Opus 4.8 | 63% | 1,38 | 52% | 0,801 |
| 2 | GPT-5.5 | 58% | 1,59 | 48% | 0,763 |
| 3 | Claude Opus 4.6 | 58% | 1,59 | 46% | 0,755 |
| 4 | GLM-5.2 | 55% | 1,53 | 42% | 0,735 |
| 7 | MiniMax-2.7 | — | 2,17 | — | — |
Claude Opus 4.8 lidera en ambas métricas: mayor pass@1 (63%) y menor necesidad de corrección humana (1,38 por tarea vs 2,17 del peor). La correlación de Pearson entre correcciones y éxito es -0,92: los modelos más fuertes genuinamente requieren menos hand-holding.
Por qué importa SWE-Together
Los benchmarks tradicionales (SWE-bench) miden si un agente puede resolver una tarea en un solo shot. Pero la realidad del coding con IA es interactiva: el usuario clarifica goals, añade constraints, corrige errores. SWE-Together mide eso.
Un agente que completa 63% de tareas con 1,38 correcciones es estrictamente más productivo que uno que completa 58% con 2,17 correcciones. Escalado a un sprint completo, la diferencia de productividad es significativa. No se trata solo de generar código: se trata de co-authoring con un modelo que se equivoca y necesita steering.
Claude Opus 4.8: más allá de SWE-Together
Honesty como feature
El avance más distintivo de Opus 4.8 es su honestidad. Es 4× menos probable que su predecesor (Opus 4.7) en dejar pasar flaws en código sin marcarlos. Los early testers reportan que Opus 4.8 es más propenso a flaggear incertidumbres y menos propenso a hacer claims no soportados.
Dynamic Workflows en Claude Code
Opus 4.8 introduce dynamic workflows en Claude Code (research preview): Claude puede planificar el trabajo y correr cientos de subagentes en paralelo en una sola sesión. Permite migraciones a escala de codebase (cientos de miles de líneas de código) de kickoff a merge, con la test suite existente como bar.
Effort control
Los usuarios de claude.ai ahora pueden controlar cuánto effort Claude pone en una respuesta:
- Low: respuestas más rápidas, menos tokens
- High (default): balance óptimo calidad/experiencia
- Extra ("xhigh" en Claude Code): para tareas difíciles y workflows asíncronos
- Max: máximo effort, más tokens
System messages mid-task en la API
La Messages API ahora acepta system entries dentro del array de messages. Los developers pueden actualizar las instrucciones de Claude mid-task sin romper el prompt cache ni rutear la actualización a través de un user turn. Útil para actualizar permisos, token budgets o contexto de entorno mientras un agente corre.
Benchmarks adicionales de Opus 4.8
| Benchmark | Opus 4.8 | Opus 4.7 |
|---|---|---|
| SWE-bench Verified | 88,6% | — |
| SWE-bench Pro | 69,2% (#1 active) | — |
| Terminal-Bench 2.1 | 74,6% | — |
| GDPval-AA (Elo) | 1890 | — |
| SWE-Together pass@1 | 63% (#1) | — |
Pricing y disponibilidad
Claude Opus 4.8
- API: $5/1M input tokens, $25/1M output tokens (sin cambio vs Opus 4.7)
- claude.ai: disponible en todos los planes con effort control
- Claude Code: dynamic workflows en Enterprise, Team y Max
Claude Science
- Beta disponible desde el 30 de junio de 2026
- Plataformas: macOS y Linux (local o vía SSH/HPC)
- Planes: Claude Pro, Max, Team y Enterprise
- Team plan: descuento para labs académicos y organizaciones sin fines de lucro
- Grants: hasta 50 proyectos AI for Science con $30.000 en créditos + $2.000 en compute de Modal
- Aplicaciones: abiertas hasta el 15 de julio 2026, notificaciones al 31 de julio
- Período de proyectos: 1 septiembre al 1 diciembre 2026
Posicionamiento competitivo
| Aspecto | Claude Science | OpenAI GPT-Rosalind | Google DeepMind |
|---|---|---|---|
| Enfoque | Workflow integration | Aplicaciones científicas | Structural biology (AlphaFold) |
| Bases de datos | 60+ integradas | — | — |
| Compute | HPC propio + Modal | — | Google Cloud |
| Reproducibilidad | Auditable history | — | — |
| Data privacy | Local, no sale del lab | — | — |
La diferenciación de Anthropic es clara: no compite en capability del modelo sino en utilidad del entorno. Claude Science no claims ser un modelo mejor para biología; es un entorno más útil para biólogos. El historial auditable y la deployment en infraestructura local addressan las preocupaciones de privacidad que han ralentizado la adopción de IA en R&D farmacéutica.
Bristol Myers Squibb
BMS anunció el 20 de mayo de 2026 un acuerdo estratégico para deployar Claude Enterprise como plataforma de inteligencia compartida en sus operaciones globales, cubriendo 30.000+ empleados en drug discovery, desarrollo clínico, manufacturing y funciones comerciales.
Conclusión
Claude Science Workbench representa el push más significativo de Anthropic en el vertical de ciencias de la vida. No es un modelo nuevo: es un entorno de trabajo que pone a Claude en el contexto de la investigación real, con 60+ bases de datos, gestión de compute, artefactos reproducibles y un reviewer agent que verifica cada output.
Los casos de uso reales son impresionantes: reviews de literatura que tomaban 2 años ahora toman semanas; análisis epidemiológicos en 1/10 del tiempo; nominación de targets drug candidates end-to-end. Y el programa de grants ($30.000 + compute) muestra que Anthropic quiere adoption real, no demos.
Por otro lado, Claude Opus 4.8 lidera SWE-Together —el primer benchmark que mide coding colaborativo multi-turno real— con 63% pass@1 y la menor necesidad de corrección humana (1,38 por tarea). Esto valida lo que los developers experimentan: Opus 4.8 no solo es más capaz, sino que requiere menos babysitting. Y en un mundo donde los agents corren en loops, eso es lo que realmente importa.