Anthropic: Claude "מוביל" 26% ממחקר ופיתוח ה-AI שלה עם 30,000 סוכנים הפועלים במקביל

Anthropic פרסמה ב-17 בספטמבר 2026 את מדד R&D Automation Index — מדד אב-טיפוסי למידת העבודה במחקר ופיתוח ה-AI של החברה עצמה שמבוצעת על ידי Claude — ודיווחה שעד אוגוסט המודל "הוביל" 26% מהעבודה הזו, לעומת פחות מ-1% בפברואר. יותר מ-90% מהעבודה שנמדדה היו ברמה של "AI collaborates" ומעלה, וכ-30,000 סוכנים הריצו משימות מחקר והנדסה בכל רגע נתון בפלטפורמה הפנימית הנפוצה ביותר של Anthropic. לא הייתה פריצה ולא נגרם נזק לצד שלישי: זהו גילוי על מגמת יכולות בתוך מעבדה אחת, ו-Anthropic מציינת כי Claude אינו פועל באופן אוטונומי מלא — הרמה העליונה שלו, AL5 — באף תת-קבוצה נמדדת של העבודה. התיעוד המלא של הגילוי, עם הדירוג והמקורות המצוטטים שלו, נמצא בארכיון תקלות ה-AI לצד שאר רשומות הממשל בסדרה הזו.

מה שהמדד למעשה סופר

המדד שואל מסולם שש הרמות של Epoch AI. AL0 הוא "ללא מעורבות AI", AL1 "מעורבות AI מינימלית" ו-AL2 "AI מסייע". AL3 היא הרמה ש-Anthropic מכנה "משתף פעולה": המודל "יכול לבצע חלקים גדולים של העבודה תחת הכוונה אנושית צמודה". AL4 היא "מוביל": הוא "יכול להשלים את רוב המשימה מקצה לקצה מתוך הנחיה ברמה גבוהה, בעוד האדם מפקח". AL5 — "AI פועל באופן אוטונומי לחלוטין, ללא אדם בלופ" — היא מה שדיון השיפור העצמי הרקורסיבי עוסק בו בסופו של דבר, והעמוד של Anthropic מכנה אותה "רמה שטרם הגענו אליה".

המדידה נבנתה ביולי 2026. Anthropic דגמה 20% מהעובדים במחלקות הרלוונטיות מדי שבוע, הפעילה סוכן מחקר של Claude לבדוק את רשומות העבודה שלהם, והפיקה רשימה של כ-15,000 משימות, שאותה ארגנה החברה לעץ קפוא בן 542 צמתים עם 378 משימות עלה. הקטגוריות נשקלו לפי כמות זמן האדם שהן צורכות. התיאור של InfoQ את הפרסום מוסיף פרט שחשוב לכל מי שעבודתו נדגמה: סוכן ה-Claude קרא הודעות Slack ומסמכים פנימיים כדי לשחזר מה אנשים עשו.

{{1}}שתי הבהרות נובעות מאותה שיטה, ושתיהן קלות לאובדן מתחת לכותרת.{{/1}} {{2}}ה־26% אינם 26% מכל משימה ש-Anthropic תיעדה; כפי שדיווחה heise ב-18 בספטמבר, זהו החלק מסל העבודה המשוקלל ש-Anthropic מעריכה כמגיע ל-AL4.{{/2}} {{3}}וזה לא אומר שרבע מפעילות המחקר והפיתוח של החברה מתנהלת ללא אדם — InfoQ מבהיר במפורש שהנתון אינו אומר ש-26% מפעילות המחקר והפיתוח של Anthropic אוטומטיים לחלוטין, וגם לא ש-26% מחוקרי החברה הוחלפו; הוא אומר שבערך רבע מהעבודה נמצא כעת בשלב שבו אדם קובע את המטרה ומפקח בעוד Claude עושה את רובה.{{/3}}

ההשוואה לפברואר מגיעה מכיתוב הגרף בעמוד של Anthropic: "Claude מוביל כעת ב־26% ממשימות המחקר והפיתוח של מודלים של Anthropic, לעומת פחות מ־1% בפברואר 2026." אין בעמוד שום דבר שמספק סדרה חודש־אחר־חודש, ולכן המגמה כפי שהיא נמסרת היא שתי נקודות, ולא עקומה.

השופט הוא המודל הנשפט

הדירוגים לא הופקו על ידי פאנל עצמאי. התיעוד של Anthropic מודה בבעיה המרכזית: מודל השופט "עלול לעשות את אותם סוגי שגיאות כמו המודל שהוא בודק". בהתאמה מדויקת, המודל ואדם התאימו ב-59% מהמקרים; שני בני אדם התאימו זה לזה ב-35% מהמקרים; ודירוגי המודל והאדם היו בטווח של רמה אחת זה מזה ב-97% מהמקרים. נתון 35% של אדם לאדם הוא זה שבו Anthropic משתמשת כדי לטעון שמשימת הדירוג קשה באמת; הוא אינו מוצג כאימות של השופט.

שתי מגבלות נוספות מוצהרות בעמוד ולא מתגלות על ידי המבקרים. מקרי גבול בין "משתף פעולה" ל"מוביל" נותרו שנויים במחלוקת, וזה בדיוק המקום שבו נמצאים 26%. וסל משימות קפוא עלול להחמיץ עבודה שלא הייתה קיימת כשהסל הוקפא, אף ש-Anthropic אומרת שהשוואה מינואר 2026 לא מצאה עלייה במשימות חדשות.

מבחינת בחינה חיצונית, העמוד מתאר תוכנית ולא ביקורת שהושלמה. "אנו מתכננים לשלב מעריכים חיצוניים בלתי תלויים ממספר ארגונים ב-Anthropic", נאמר בעמוד — הסדר בלשון עתיד, לא ביקורת נוכחית. הבדיקה החיצונית היחידה שהושלמה ושמוזכרת היא ש-METR ערכה בדיקת צוות אדום עצמאית לפלטפורמת הניטור הלא-מקוונת שלה. בדוח של heise מ-18 בספטמבר, ההסתייגויות הן של Anthropic עצמה; המקור הגרמני אינו מצטט מומחה חיצוני שמערער על המדד. כלי תקשורת עצמאיים שחזרו את המספרים, לא אימתו אותם, וההבחנה הזו היא הדבר החשוב ביותר לקחת מהסיקור.

שלושים אלף סוכנים, והלדג'ר שעוקב אחריהם

לצד מדד האוטומציה, Anthropic חשפה את היקף אוכלוסיית הסוכנים שמאחוריו: "כ-30,000 סוכנים מבצעים עבודת מחקר והנדסה ב-Anthropic בכל רגע נתון" בפלטפורמה הפנימית הנפוצה ביותר שלה. בקריאה פשוטה, מדובר בספירת מקביליות ולא במניין של סוכנים נפרדים לאורך תקופה, ו-heise מציגה זאת בזהירות רבה יותר כסוכנים ש"פעילים בו-זמנית לעיתים באוגוסט".

הבקרות ש-Anthropic מתארת נועדו להפוך את אותה אוכלוסייה לניתנת לביקורת ולא לאנונימית. לכל סוכן יש "זהות אישית", וכל הנתונים שהוא יוצר קשורים לזהות זו; הזהות "אינה קשורה למודל, היא נשמרת לאורך שדרוגי מודלים", כך ש"ניתן לבקר כל פעולה לפי סוכן לאורך זמן" ו"ניתן לקשר כל רשומת נתונים בחזרה לסוכן ספציפי". הסוכנים "מתקשרים דרך מערכת הודעות משותפת ופתוחה, ולא באופן פרטי"; כל הודעה קשורה לזהות הסוכן שפרסם אותה, יכולה לקשר לתוכן אחר כך שהפניות המקוריות נשמרות, ומוצלבת עם תמלולי הסוכנים כך שהניטור יכול "לעבור דרך התקשורת בין סוכנים".

נתוני הפיקוח הם החלק שנשמע כמו תיעוד תקרית, אף שהתיעוד מסווג גילוי זה כמידעי. כל פעולה עוברת דרך המוניטור המקוון לפני ביצוע, בדרך כלל בתוך שניות; כל פעולה נקלטת באופן לא מקוון לאחר ביצועה; פעולות חסומות נבדקות בידי אדם בתוך שבוע. מתוך יותר ממיליארד החלטות באוגוסט, 0.002% — "כ-1 מתוך 47,000" — נחסמו. סימון לא מקוון פועל בקצב של בערך תמלול אחד עד שניים לאלף, כ-100,000 תמלולים בשבוע, כאשר כ-50 מקרים בעדיפות גבוהה מועברים לטיפול אנושי.

שיעור חסימה אינו שיעור בטיחות. הוא מודד באיזו תדירות המוניטור עוצר פעולה, ולא כמה פעולות היו שגויות, ו-Anthropic מדווחת עליו לצד נתון הכיסוי — 100% מהפעולות המקוונות נבדקות לפני ביצוע — שמתאר את היקף הגעתו של המוניטור. אותה אסימטריה חלה גם על הקצאת מחשוב: עבור השבוע שבין 13 ל-20 ביולי, "כ-6% מהמחשוב שהוקצה למו"פ ב-AI הוקצה לבטיחות", ועולה ל"כ-12% מהמחשוב שהוקצה למו"פ ב-AI שמונע בידי AI". Anthropic מכנה אותם "הערכות שמרניות במכוון", שנאספו ממדגם של כ-14% מתוך כמעט 10,000 ריצות אימון והערכה מחקריות, עם הטיה לעבר ריצות עתירות מחשוב, ומציינת ששיעור מחשוב מודד הוצאה ולא מאמץ.

מה המשמעות של "שיפור עצמי רקורסיבי" כאן?

אנתרופיק קושרת את המדד לשיפור עצמי רקורסיבי, שאותו מאמר נלווה מגדיר כ"מודל שבונה את יורשו באופן אוטונומי לחלוטין". עמדת המאמר חד-משמעית: "אנחנו עדיין לא שם, ושיפור עצמי רקורסיבי אינו בלתי נמנע." היא ממקמת לולאה סגורה לחלוטין בשלב היפותטי המסומן כ"סגירת הלולאה" ומתוארך "20XX?", שבו סוכנים בונים ומאמנים מודלים ומערכות Claude עתידיות משפרות את Claude עצמו. כיום, נאמר בו, בני האדם עדיין מספקים את המטרה; מה שהשתנה הוא ש"אין להם יותר צורך לספק את השיטה".

המסה גם מסבירה מדוע המדד אמור להיקרא כמדד מרחק ולא כאבן דרך. עבודת AL4 — Claude משלים את רוב המשימה מתוך הנחיה ברמה גבוהה בזמן שאדם מפקח — היא הרמה שאליה מתייחסים ה-26%. AL5, אוטונומיה מלאה ללא אדם בתהליך, היא הרמה ש-Anthropic אומרת שהיא טרם הגיעה אליה. הפער בין השניים הוא הנושא.

מה מבוסס, ומה מוסק

מבוסס.Anthropic פרסמה את המדידות הללו ב-17 בספטמבר 2026, התאריך שהרשומה נושאת ברמת דיוק של יום. עמוד האינדקס החי אינו מציג תאריך פרסום גלוי משל עצמו, והמאמר הנלווה נושא חותמת "Update 9/18/2026". הנתונים — 26%, פחות מ-1% בפברואר, מעל 90% ב-AL3 ומעלה, כ-30,000 סוכנים, 0.002% מההחלטות שנחסמו, 6% ו-12% מהמחשוב — הם של Anthropic עצמה, כפי שנמסרו בעמודיה ושוכפלו על ידי heise ו-InfoQ בתוך יום.

מבוסס. אף תת-קבוצה מדודה של עבודת מו״פ בבינה מלאכותית לא הגיעה ל-AL5, לא מדווח על נזק לצד שלישי כלשהו, ושדה הנזק הממשי של הרשומה ריק. הרשומה מדורגת בדירוג מהימנות A עבור תיעוד, אינה מסומנת כשנויה במחלוקת, ונושאת חומרה "info", המשקפת שלא תועד נזק ולא מידע על איכות המקורות של המסמך.

לא הוכח. ש-Claude "מוביל" 26% מהמו"פ של Anthropic בכל מובן שאינו תלוי בדירוג של Anthropic עצמה. המדידה נעשית על ידי החברה, השופט היה מודל Claude, והמעריכים החיצוניים שהעמוד מתאר מתוכננים ולא קיימים בפועל. 59% ההסכמה המדויקת בין השופט לאדם הוא המספר שיש להציב לצד הכותרת.

לא הוכח: שהמגמה נמשכת, או שהיא מצביעה על שיפור עצמי רקורסיבי. Anthropic מסרבת לטעון לאף אחד מהשניים, והשוואה בין שתי נקודות, פברואר ואוגוסט, אינה תחזית. גם שיעור החסימה אינו מוכיח שאוכלוסיית הסוכנים בשליטה; הוא מוכיח שמוניטור ראה כל פעולה מקוונת ועצר בערך אחת מכל 47,000.

שיקול דעת, לא מדידה. העובדה שעלייה מפחות מ־1% ל־26% בשישה חודשים היא קצב מהיר. שום דבר בגילוי אינו קובע סף שבו הקצב הופך לבעיה, והמסגור של Anthropic משאיר את שיקול הדעת הזה לצדדים שלישיים שאותם היא אומרת שתשלב.

Anthropic טוענת שיש לפרסם באופן סדיר נתונים ברי-השוואה ושאימות יהיה בלתי תלוי, כך מדווח heise — וזו גם ההצהרה הבהירה ביותר בדבר מה שהמדד עדיין אינו. כל עוד מעריכים חיצוניים אינם נמצאים בתוך התהליך, ה-26% הם בגדר מעבדה שמודדת את עצמה בכלי של עצמה: ספציפי יותר מהודעה לעיתונות, ועדיין לא ביקורת.