Anthropic: Claude "memimpin" 26% dari R&D AI-nya dengan 30.000 agen yang berjalan secara paralel

Anthropic menerbitkan Indeks Otomasi R&D pada 17 September 2026 — sebuah ukuran prototipe tentang seberapa besar porsi penelitian dan pengembangan AI perusahaan itu sendiri yang dikerjakan oleh Claude — dan melaporkan bahwa pada Agustus model tersebut "memimpin" 26% dari pekerjaan itu, naik dari di bawah 1% pada Februari. Lebih dari 90% pekerjaan yang diukur berada pada tingkat "AI berkolaborasi" atau lebih tinggi, dan sekitar 30.000 agen menjalankan tugas penelitian dan rekayasa pada waktu yang sama di platform internal Anthropic yang paling banyak digunakan. Tidak ada yang dicederai dan tidak ada pihak ketiga yang dirugikan: ini adalah pengungkapan tentang tren kapabilitas di dalam satu laboratorium, dan Anthropic menyatakan bahwa Claude beroperasi sepenuhnya secara otonom — tingkat tertingginya, AL5 — untuk tidak ada subset pekerjaan yang diukur. Catatan lengkap arsip tentang pengungkapan tersebut, beserta penilaian dan sumber yang dikutip, terdapat di arsip insiden AI bersama entri tata kelola lainnya dalam seri ini.

Apa yang sebenarnya dihitung oleh indeks

Indeks ini meminjam skala enam tingkat milik Epoch AI. AL0 adalah "tanpa keterlibatan AI", AL1 "keterlibatan AI minimal", dan AL2 "AI membantu". AL3 adalah tingkat yang disebut Anthropic sebagai "berkolaborasi": model "dapat melakukan banyak bagian pekerjaan besar di bawah arahan manusia yang ketat". AL4 adalah "memimpin": ia "dapat menyelesaikan sebagian besar tugas secara end-to-end dari prompt tingkat tinggi, sementara manusia mengawasi". AL5 — "AI beroperasi sepenuhnya secara otonom, tanpa manusia dalam prosesnya" — adalah inti dari diskusi perbaikan diri rekursif, dan halaman Anthropic menyebutnya "tingkat yang belum kita capai."

Pengukuran ini disusun pada Juli 2026. Anthropic mengambil sampel 20% staf di departemen terkait setiap minggu, meminta agen riset Claude meninjau catatan kerja mereka, dan menghasilkan daftar sekitar 15.000 tugas, yang kemudian diorganisasi perusahaan menjadi pohon 542 node yang dibekukan dengan 378 tugas daun. Kategori-kategorinya diberi bobot berdasarkan seberapa banyak waktu orang (person-time) yang diserapnya. Laporan InfoQ tentang publikasi itu menambahkan detail yang penting bagi siapa pun yang pekerjaannya dijadikan sampel: agen Claude membaca pesan Slack dan dokumen internal untuk merekonstruksi apa yang dilakukan orang.

Dua klarifikasi mengikuti metode tersebut, dan keduanya mudah terlewat di bawah judul utama. Angka 26% itu bukan 26% dari setiap tugas yang dicatat Anthropic; seperti dilaporkan heise pada 18 September, itu adalah bagian dari keranjang kerja berbobot yang dinilai Anthropic telah mencapai AL4. Dan itu tidak berarti seperempat R&D perusahaan berjalan tanpa manusia — InfoQ menegaskan bahwa angka tersebut tidak berarti 26% R&D Anthropic sepenuhnya otomatis, juga tidak berarti 26% peneliti perusahaan telah digantikan; artinya sekitar seperempat pekerjaan kini berada pada tahap ketika manusia menetapkan tujuan dan mengawasi sementara Claude mengerjakan sebagian besarnya.

Perbandingan Februari berasal dari keterangan grafik di halaman Anthropic: "Claude kini memimpin 26% tugas R&D model Anthropic, naik dari di bawah 1% pada Februari 2026." Tidak ada apa pun di halaman itu yang memberikan rangkaian bulan ke bulan, sehingga tren sebagaimana diungkapkan adalah dua titik, bukan kurva.

Juri adalah model yang sedang dinilai.

Penilaian tersebut tidak dihasilkan oleh panel independen. Tulisan Anthropic mengakui masalah utamanya: model juri "dapat membuat jenis kesalahan yang sama seperti model yang diperiksanya". Pada kesepakatan persis, model dan manusia cocok 59% dari waktu; dua manusia cocok satu sama lain 35% dari waktu; dan penilaian model dan manusia berada dalam selisih satu tingkat satu sama lain 97% dari waktu. Angka 35% antarmanusia adalah angka yang digunakan Anthropic untuk berargumen bahwa tugas penilaian memang sulit; angka itu tidak diajukan sebagai validasi atas juri.

Dua batasan lebih lanjut dinyatakan di halaman tersebut, bukan ditemukan oleh para kritikus. Kasus-kasus batas antara "berkolaborasi" dan "memimpin" masih diperdebatkan, dan di situlah tepatnya angka 26% berada. Dan keranjang tugas yang dibekukan dapat melewatkan pekerjaan yang belum ada saat keranjang itu dibekukan, meskipun Anthropic mengatakan perbandingan Januari 2026 tidak menemukan kenaikan dalam tugas-tugas baru.

Dalam pengamatan dari luar, halaman itu menjabarkan sebuah rencana, bukan audit yang telah selesai. "Kami berencana menempatkan evaluator pihak ketiga independen dari berbagai organisasi di Anthropic," kata halaman itu — sebuah pengaturan dalam bentuk waktu mendatang, bukan audit saat ini. Satu-satunya pemeriksaan eksternal yang telah selesai yang disebutkannya adalah bahwa METR telah secara independen melakukan red-team terhadap platform pemantauan luringnya. Dalam laporan heise tanggal 18 September, peringatan-peringatan itu berasal dari Anthropic sendiri; media Jerman tersebut tidak mengutip pakar luar yang menantang indeks tersebut. Outlet independen telah mereproduksi angka-angkanya, bukan memverifikasinya, dan perbedaan itulah hal terpenting yang perlu diingat dari liputan tersebut.

Tiga puluh ribu agen, dan buku besar yang mengikuti mereka

Seiring dengan indeks otomasi, Anthropic mengungkap skala populasi agen di baliknya: "sekitar 30.000 agen yang melakukan pekerjaan riset dan rekayasa di Anthropic pada waktu tertentu" di platform internalnya yang paling banyak digunakan. Dibaca apa adanya, itu adalah hitungan konkurensi, bukan jumlah individu agen berbeda selama suatu periode, dan heise menyajikannya dengan lebih hati-hati sebagai agen yang "aktif secara bersamaan pada waktu-waktu tertentu pada bulan Agustus".

Kontrol yang dijelaskan Anthropic dirancang untuk membuat populasi itu dapat diaudit, bukan anonim. Setiap agen memiliki "identitas individu", dan semua data yang dibuatnya terikat pada identitas tersebut; identitas itu "tidak terikat pada model, ia tetap bertahan melalui peningkatan versi model", sehingga "setiap tindakan dapat diaudit per agen sepanjang waktu" dan "setiap catatan data dapat ditautkan kembali ke agen tertentu". Agen "berkomunikasi melalui sistem perpesanan bersama yang terbuka, bukan secara privat"; setiap pesan terikat pada identitas agen yang mempostingnya, dapat menautkan ke konten lain sehingga referensi aslinya tetap terjaga, dan direferensikan silang dengan transkrip agen sehingga pemantauan dapat "menelusuri komunikasi antarag en".

Angka-angka pengawasan adalah bagian yang terdengar seperti catatan insiden, meskipun catatan tersebut mengklasifikasikan pengungkapan ini sebagai informasional. Setiap tindakan melewati monitor online sebelum eksekusi, biasanya dalam hitungan detik; setiap tindakan diingesti secara offline setelah dilakukan; tindakan yang diblokir ditinjau oleh manusia dalam waktu seminggu. Dari lebih dari satu miliar keputusan pada Agustus, 0,002% — "sekitar 1 dari 47.000" — diblokir. Penandaan offline berjalan pada sekitar satu hingga dua transkrip per seribu, sekitar 100.000 transkrip seminggu, dengan sekitar 50 kasus prioritas tinggi dieskalasi ke manusia.

Tingkat pemblokiran bukan tingkat keselamatan. Ini mengukur seberapa sering monitor menghentikan suatu tindakan, bukan berapa banyak tindakan yang salah, dan Anthropic melaporkannya berdampingan dengan angka cakupan — 100% tindakan online diperiksa sebelum eksekusi — yang menggambarkan jangkauan monitor. Asimetri yang sama berlaku pada alokasi komputasi: untuk pekan 13–20 Juli, "sekitar 6% dari komputasi yang digunakan untuk AI R&D dialokasikan untuk keselamatan", meningkat menjadi "sekitar 12% dari komputasi yang digunakan untuk AI R&D yang digerakkan AI". Anthropic menyebutnya "perkiraan yang sengaja dibuat konservatif", yang diambil dari sampel sekitar 14% dari hampir 10.000 proses pelatihan dan evaluasi riset dengan bobot condong ke proses berkomputasi lebih tinggi, dan mencatat bahwa porsi komputasi mengukur pengeluaran, bukan upaya.

Apa yang dimaksud dengan "peningkatan diri secara rekursif" di sini

Anthropic mengaitkan indeks tersebut dengan peningkatan diri secara rekursif, yang dalam esai pendampingnya didefinisikan sebagai "model yang sepenuhnya secara otonom membangun penerusnya". Posisi esai itu tidak ambigu: "Kita belum sampai di sana, dan peningkatan diri secara rekursif bukanlah hal yang tak terhindarkan." Esai itu menempatkan lingkaran tertutup sepenuhnya pada tahap hipotetis berlabel "Menutup loop" dan bertanggal "20XX?", ketika agen membangun dan melatih model serta sistem Claude di masa depan meningkatkan Claude itu sendiri. Saat ini, katanya, manusia masih memasok tujuan; yang berubah adalah bahwa "mereka tidak lagi perlu memasok metodenya".

Esai tersebut juga menjelaskan mengapa indeks ini dimaksudkan untuk dibaca sebagai ukuran jarak, bukan tonggak pencapaian. Pekerjaan AL4 — Claude menyelesaikan sebagian besar tugas dari prompt tingkat tinggi sementara manusia mengawasi — adalah tingkat yang dirujuk oleh 26% itu. AL5, otonomi penuh tanpa manusia dalam proses, adalah tingkat yang Anthropic katakan belum dicapai. Kesenjangan antara keduanya adalah pokok bahasannya.

Apa yang sudah mapan, dan apa yang disimpulkan

Terverifikasi. Anthropic menerbitkan pengukuran ini pada 17 September 2026, tanggal yang tercatat pada catatan tersebut dengan presisi hingga hari. Halaman indeks langsung tidak menampilkan tanggal terbitnya sendiri, dan esai pendampingnya memuat stempel "Update 9/18/2026". Angka-angka tersebut — 26%, di bawah 1% pada Februari, di atas 90% pada AL3 atau lebih tinggi, sekitar 30.000 agen, 0,002% keputusan diblokir, 6% dan 12% komputasi — adalah milik Anthropic sendiri, dinyatakan di halaman-halamannya dan dikutip ulang oleh heise dan InfoQ dalam waktu satu hari.

Terbukti. Tidak ada subset terukur dari pekerjaan R&D AI yang mencapai AL5, tidak ada kerugian terhadap pihak ketiga mana pun yang dilaporkan, dan kolom kerugian nyata pada catatan tersebut kosong. Catatan tersebut dinilai dengan keyakinan A untuk dokumentasi, tidak ditandai sebagai disengketakan, dan memiliki tingkat keparahan "info", yang mencerminkan bahwa tidak ada kerugian yang tercatat, bukan tentang seberapa baik dokumen tersebut bersumber.

Tidak terbukti. Bahwa Claude "memimpin" 26% R&D Anthropic dalam pengertian apa pun yang independen dari penilaian Anthropic sendiri. Pengukurannya dijalankan oleh perusahaan, jurinya adalah model Claude, dan evaluator eksternal yang diuraikan di halaman tersebut masih bersifat rencana, bukan sudah ada. Angka kesesuaian persis 59% antara juri dan manusia adalah angka yang perlu disandingkan dengan klaim utamanya.

Tidak terbukti. Bahwa tren tersebut berlanjut, atau bahwa hal itu mengarah pada peningkatan diri secara rekursif. Anthropic menolak untuk mengklaim salah satu pun, dan perbandingan dua titik antara Februari dan Agustus bukanlah sebuah ramalan. Tingkat pemblokiran juga tidak membuktikan bahwa populasi agen berada di bawah kendali; yang dibuktikannya adalah bahwa sebuah pemantau melihat setiap tindakan daring dan menghentikan sekitar satu dari 47.000.

Penilaian, bukan pengukuran. Bahwa kenaikan dari di bawah 1% menjadi 26% dalam enam bulan adalah laju yang cepat. Tidak ada dalam pengungkapan tersebut yang menetapkan ambang batas kapan laju itu menjadi masalah, dan perumusan Anthropic menyerahkan penilaian itu kepada pihak ketiga yang katanya akan mereka libatkan.

Anthropic berargumen agar angka-angka yang sebanding dipublikasikan secara rutin dan agar dilakukan verifikasi independen, lapor heise — yang juga merupakan pernyataan paling jelas tentang apa yang belum menjadi indeks ini. Sampai penilai eksternal masuk ke dalam proses, angka 26% itu adalah laboratorium yang mengukur dirinya sendiri dengan instrumennya sendiri: lebih spesifik daripada siaran pers, dan tetap bukan audit.