Eén professor, 36 papers, 18 vakgebieden — in drie maanden met AI

TL;DR

• Wat: Harvard-professor Matthew Schwartz publiceerde met hulp van Claude (Anthropic) 36 wetenschappelijke manuscripten in 18 vakgebieden, in slechts drie maanden.
• Waarom relevant: dit laat zien hoe AI rekenintensief werk drastisch versnelt — en dat principe geldt niet alleen voor wetenschap, maar voor elk bedrijf met complexe analyses of dataverwerking.
• Wat je ermee kunt: bekijk of jouw bedrijf terugkerende reken- of analysetaken heeft die je nu handmatig doet, en test of een AI-tool die kan overnemen.

Gisteren publiceerde Anthropic een uitgebreid verslag van professor Matthew Schwartz, theoretisch natuurkundige aan Harvard, over zijn werk met Claude en een zelfgebouwd systeem genaamd BootLoops. Ik viel erover omdat de cijfers zo opvallend zijn dat je ze twee keer moet lezen: 36 manuscripten, 18 wetenschappelijke vakgebieden, 19 medeauteurs, drie maanden tijd. Dat wilde ik beter begrijpen.

Wat Schwartz precies heeft gedaan

Schwartz is geen AI-evangelist die een demo geeft. Hij is een natuurkundige die dagelijks werkt met complexe berekeningen — het soort werk waar je normaal weken of maanden mee bezig bent. Zijn observatie was dat AI niet goed werkt als je het dwingt om te denken als een menselijke wetenschapper. Maar als je problemen zoekt die passen bij wat AI wél goed kan — precies rekenen, code schrijven, patronen herkennen in grote datasets — dan verschuift er iets.

Dat noemt hij "Claude-shaped problems": problemen die als het ware de juiste vorm hebben voor wat een taalmodel kan. Hij bouwde daar een open-source toolkit voor, BootLoops genaamd, die op 1 oktober 2026 publiek beschikbaar werd gesteld onder een MIT-licentie.

Het vertrekpunt was zijn eigen vakgebied: deeltjesfysica. Claude deed in ongeveer twintig minuten wat Schwartz eerder weken kostte aan coderen. Vervolgens ontdekte hij dat dezelfde wiskundige technieken ook toepasbaar waren in totaal andere wetenschapsgebieden. Dat leidde tot een soort kettingreactie van onderzoeksprojecten.

De resultaten die eruit springen

Een paar voorbeelden die ik het meest opmerkelijk vind:

Natuurkunde

BootLoops loste 30 zogeheten elliptische Feynman-integralen op — een type berekening dat zo lastig is dat maar een handjevol experts het kon. Vijftien daarvan waren volgens Schwartz nog nooit eerder berekend. Voor niet-natuurkundigen: stel je voor dat je een wiskundig probleem hebt waar een klein clubje specialisten al decennia mee worstelt, en een AI-systeem kraakt er in een paar weken vijftien nieuwe varianten van.

Ecologie

In de ecologie bestond er al twintig jaar een vergelijking voor biodiversiteitstheorie die niemand op schaal kon uitrekenen. Claude herkende dat dit precies het type probleem was waar BootLoops voor gemaakt was, en loste het op. Samen met ecologen werd er vervolgens een voorspellend model gebouwd voor de levenscyclus van boomsoorten.

Populatiegenetica

Het systeem analyseerde 5,7 miljard paren van nabijgelegen mutaties uit het 1000 Genomes Project en vond aanwijzingen voor genconversie — een mechanisme dat relevant kan zijn voor hoe genetische datasets worden geïnterpreteerd. Dat is het soort ontdekking waar je normaal een heel onderzoeksteam maandenlang mee bezig bent.

Economie en taalkunde

In de economie hielp Claude bij het controleren van replicatiepakketten van 4.452 wetenschappelijke papers — zo'n 30.000 routines. In de taalkunde ontstond een database van woordklemtoonpatronen over 6.072 talen, met een bibliografie van 160.000 werken over fonologie.

Ik vind het eerlijk gezegd bijzonder dat één persoon met één AI-systeem in drie maanden zoveel vakgebieden kon bestrijken. Maar er zit een belangrijke nuance in.

De nuance die ertoe doet

Wat mij opvalt in het oorspronkelijke verslag op de Anthropic-website is dat Schwartz heel open is over de beperkingen. Een paar dingen die hij noemt:

• Claude verklaart te vroeg de overwinning. Het model zegt regelmatig dat iets "klaar" is terwijl er nog onbewezen aannames of onopgeloste deelproblemen in zitten. Schwartz moest strikte criteria vooraf definiëren om dit te voorkomen.
• Menselijke experts bleven onmisbaar. De meeste technisch correcte resultaten van Claude misten wetenschappelijke impact totdat vakspecialisten aangaven welke richting zinvol was. Schwartz omschrijft zichzelf als "Claude handler" — iemand die vertaalt tussen AI-output en wat het vakgebied nodig heeft.
• Kwaliteitscontrole bleef mensenwerk. Schwartz benadrukt dat hij persoonlijk alle grafieken en conclusies nakeek. Automatische controles waren onvoldoende. Een kwalitatieve beoordeling als "goede overeenkomst" vertrouwde hij nooit zonder eigen verificatie.

Dit is wat ik denk dat het verschil maakt tussen een nuttig verhaal en hype: Schwartz laat zien dat AI het rekenwerk versnelt, maar dat de sturing, interpretatie en kwaliteitscontrole bij mensen blijven.

Wat betekent dit voor een ondernemer?

Je hoeft geen natuurkundige te zijn om hier iets uit te halen. Het onderliggende principe is breder dan wetenschap alleen: als je werk hebt dat rekenintensief, repetitief of datagedreven is, kan AI dat mogelijk veel sneller doen dan je nu gewend bent.

Kun je je voorstellen wat dit betekent als je een bedrijf runt dat veel werkt met data-analyse, financiële modellen, of kwaliteitscontroles? Niet dat je morgen 36 papers schrijft, maar dat taken die nu dagen kosten misschien in uren kunnen. Uit recent Nederlands onderzoek blijkt dat 84% van het MKB meer in AI wil investeren, maar dat tijd- en mensentekort het grootste obstakel is. Wat mij betreft laat het verhaal van Schwartz zien dat de investering in het leren werken met AI-tools zich kan terugverdienen — mits je de juiste taken kiest.

De parallel met BootLoops is treffend: Schwartz zocht niet naar manieren om AI alles te laten doen. Hij zocht naar taken die de juiste vorm hadden voor AI. Dat is een denkwijze die ook voor een ondernemer werkt. Niet: "Hoe vervang ik mijn mensen door AI?" Maar: "Welke taken in mijn bedrijf zijn AI-vormig?"

Het grotere plaatje

BootLoops is open-source en modelonafhankelijk — het werkt volgens de documentatie ook met andere AI-modellen dan Claude. Dat maakt het in principe toegankelijk voor bredere toepassing. Schwartz waarschuwt overigens ook voor een opleidingscrisis: als AI technisch rekenwerk overneemt, wat leer je dan nog aan studenten en medewerkers? Die vraag geldt net zo goed voor bedrijven die mensen opleiden.

Ik vind het ook opvallend dat Schwartz vragen stelt over intellectueel eigendom en credit. Wie krijgt de eer als AI het zware werk doet? Dat is een vraag die we in het bedrijfsleven ook gaan tegenkomen naarmate AI-tools dieper in werkprocessen verweven raken.

Voor mij is dit vooral een signaal dat de drempel om complexe analyses te doen snel aan het dalen is. Niet omdat AI alles kan, maar omdat het een specifiek soort werk — precies rekenen, code schrijven, patronen vinden — steeds beter en sneller doet. De kunst blijft om te weten welke vragen je moet stellen.

Bronnen:

• Claude-shaped science — Anthropic
• Schwartz Releases BootLoops 1.0 — Unite.AI
• Harvard physicist's BootLoops toolkit — CryptoBriefing
• MKB omarmt AI massaal — Exact