Anthropic: Claude “นำ” 26% ของงานวิจัยและพัฒนา AI ของบริษัท ด้วยเอเจนต์ 30,000 ตัวที่ทำงานแบบขนาน

Anthropic เผยแพร่ R&D Automation Index เมื่อวันที่ 17 กันยายน 2026 — ตัวชี้วัดต้นแบบว่ามากน้อยเพียงใดของงานวิจัยและพัฒนาด้าน AI ของบริษัทเองที่ Claude ดำเนินการ — และรายงานว่าภายในเดือนสิงหาคม โมเดล "เป็นผู้นำ" งานนั้น 26% เพิ่มขึ้นจากต่ำกว่า 1% ในเดือนกุมภาพันธ์ งานที่วัดได้มากกว่า 90% อยู่ในระดับ "AI collaborates" หรือสูงกว่า และมีเอเจนต์ราว 30,000 ตัวที่กำลังทำงานวิจัยและงานวิศวกรรมในแต่ละช่วงเวลาบนแพลตฟอร์มภายในที่ใช้มากที่สุดของ Anthropic ไม่มีการละเมิดและไม่มีบุคคลที่สามได้รับความเสียหาย: นี่คือการเปิดเผยเกี่ยวกับแนวโน้มขีดความสามารถภายในห้องปฏิบัติการแห่งหนึ่ง และ Anthropic ระบุว่าไม่มีชุดย่อยของงานที่วัดได้ใดเลยที่ Claude ทำงานโดยอัตโนมัติเต็มรูปแบบ — ซึ่งเป็นระดับสูงสุดของตน คือ AL5 — บันทึกการเปิดเผยฉบับเต็มของคลัง พร้อมการให้เกรดและแหล่งที่มาที่อ้างอิง อยู่ที่ the AI incident archive ควบคู่กับรายการธรรมาภิบาลอื่น ๆ ในชุดนี้

สิ่งที่ดัชนีนับจริง ๆ

ดัชนีนี้ยืมมาตราส่วนหกระดับของ Epoch AI โดย AL0 คือ "ไม่มีการมีส่วนเกี่ยวข้องของ AI" AL1 คือ "AI มีส่วนเกี่ยวข้องน้อยที่สุด" และ AL2 คือ "AI ช่วยเหลือ" ส่วน AL3 คือระดับที่ Anthropic เรียกว่า "collaborates": โมเดล "สามารถทำงานจำนวนมากภายใต้การกำกับดูแลอย่างใกล้ชิดของมนุษย์" AL4 คือ "leads": โมเดล "สามารถทำงานส่วนใหญ่ได้ครบวงจรจากคำสั่งระดับสูง โดยมีมนุษย์คอยกำกับดูแล" และ AL5 — "AI ทำงานได้อย่างอิสระเต็มรูปแบบ โดยไม่มีมนุษย์อยู่ในวงจร" — คือสิ่งที่การอภิปรายเรื่องการปรับปรุงตนเองแบบเรียกซ้ำมุ่งไปในที่สุด และหน้าเพจของ Anthropic เรียกสิ่งนี้ว่า "ระดับที่เรายังไปไม่ถึง"

การวัดนี้ถูกสร้างขึ้นในเดือนกรกฎาคม 2026 Anthropic สุ่มตัวอย่างพนักงาน 20% ในแผนกที่เกี่ยวข้องในแต่ละสัปดาห์ ให้เอเจนต์วิจัย Claude ตรวจสอบบันทึกการทำงานของพวกเขา และสร้างรายการงานประมาณ 15,000 รายการ ซึ่งบริษัทจัดเรียงเป็นโครงสร้างต้นไม้ 542 โหนดที่ถูกกำหนดตายตัว โดยมีงานระดับใบ 378 งาน หมวดหมู่ถูกถ่วงน้ำหนักตามปริมาณเวลาบุคคลที่ใช้ไป บทความของ InfoQ เกี่ยวกับการเผยแพร่นี้เพิ่มรายละเอียดที่สำคัญสำหรับใครก็ตามที่งานของตนถูกสุ่มตัวอย่าง นั่นคือเอเจนต์ Claude กำลังอ่านข้อความ Slack และเอกสารภายในเพื่อสร้างภาพขึ้นใหม่ว่าผู้คนทำอะไร

มีข้อชี้แจงสองประการที่ตามมาจากวิธีการนั้น และทั้งสองข้อนั้นง่ายที่จะหายไปภายใต้พาดหัวข่าว ตัวเลข 26% ไม่ใช่ 26% ของทุกงานที่ Anthropic บันทึกไว้ ตามที่ heise รายงานเมื่อวันที่ 18 กันยายน แต่เป็นสัดส่วนของชุดงานถ่วงน้ำหนักที่ Anthropic ประเมินว่าอยู่ในระดับ AL4 และไม่ได้หมายความว่าหนึ่งในสี่ของงานวิจัยและพัฒนา (R&D) ของบริษัทดำเนินไปโดยไม่มีคนควบคุม InfoQ ระบุชัดเจนว่าตัวเลขนี้ไม่ได้หมายความว่า 26% ของงาน R&D ของ Anthropic เป็นระบบอัตโนมัติเต็มรูปแบบ และไม่ได้หมายความว่านักวิจัย 26% ของบริษัทถูกแทนที่ แต่หมายความว่าประมาณหนึ่งในสี่ของงานตอนนี้อยู่ในขั้นที่มนุษย์กำหนดเป้าหมายและกำกับดูแล ขณะที่ Claude ทำงานส่วนใหญ่

การเปรียบเทียบในเดือนกุมภาพันธ์มาจากคำบรรยายแผนภูมิในหน้าของ Anthropic ที่ว่า “ปัจจุบัน Claude เป็นผู้นำในงานวิจัยและพัฒนโมเดลของ Anthropic ถึง 26% เพิ่มขึ้นจากต่ำกว่า 1% ในเดือนกุมภาพันธ์ 2026” ไม่มีส่วนใดในหน้าเว็บที่ให้ชุดข้อมูลรายเดือน ดังนั้นแนวโน้มตามที่เปิดเผยจึงเป็นเพียงสองจุด ไม่ใช่เส้นโค้ง

ผู้ตัดสินคือโมเดลที่กำลังถูกตัดสิน

การให้คะแนนเหล่านี้ไม่ได้จัดทำโดยคณะผู้ตรวจสอบที่เป็นอิสระ บทความของ Anthropic ยอมรับปัญหาหลักว่า โมเดลผู้ตัดสิน “อาจเกิดข้อผิดพลาดประเภทเดียวกับโมเดลที่กำลังตรวจสอบได้” เมื่อพิจารณาความสอดคล้องแบบตรงกันทุกประการ โมเดลและมนุษย์ให้คะแนนตรงกัน 59% ของกรณี มนุษย์สองคนให้คะแนนตรงกัน 35% ของกรณี และคะแนนจากโมเดลกับมนุษย์อยู่ในระดับห่างกันไม่เกินหนึ่งระดับ 97% ของกรณี ตัวเลข 35% สำหรับความสอดคล้องระหว่างมนุษย์กับมนุษย์คือตัวเลขที่ Anthropic ใช้โต้แย้งว่างานให้คะแนนนี้ยากจริง และไม่ได้เสนอตัวเลขนี้มาเพื่อยืนยันความน่าเชื่อถือของผู้ตัดสิน

มีข้อจำกัดอีกสองประการที่ระบุไว้ในหน้าเว็บ แทนที่จะเป็นสิ่งที่นักวิจารณ์ค้นพบ กรณีก้ำกึ่งระหว่าง “ร่วมมือ” กับ “เป็นผู้นำ” ยังคงเป็นที่ถกเถียง และนั่นคือจุดที่ 26% อยู่พอดี และชุดงานที่ถูกตรึงไว้อาจมองข้ามงานที่ยังไม่มีอยู่ตอนที่ตรึงชุดงานนั้นไว้ แม้ว่า Anthropic กล่าวว่าการเปรียบเทียบในเดือนมกราคม 2026 ไม่พบการเพิ่มขึ้นของงานใหม่

เมื่อพิจารณาจากการตรวจสอบจากภายนอก หน้านี้อธิบายถึงแผนมากกว่าการตรวจสอบที่เสร็จสมบูรณ์ หน้าเว็บระบุว่า {{1}}"เราวางแผนที่จะฝังผู้ประเมินอิสระจากบุคคลที่สามจากหลายองค์กรไว้ที่ Anthropic"{{/1}} ซึ่งเป็นข้อตกลงในอนาคตกาล ไม่ใช่การตรวจสอบในปัจจุบัน การตรวจสอบภายนอกที่เสร็จสมบูรณ์เพียงรายการเดียวที่อ้างถึงคือ METR ได้ทำ red team แพลตฟอร์มตรวจติดตามแบบออฟไลน์ของตนอย่างเป็นอิสระแล้ว ในรายงานของ heise ฉบับวันที่ 18 กันยายน ข้อจำกัดต่าง ๆ เป็นของ Anthropic เอง สื่อเยอรมันไม่ได้อ้างคำพูดผู้เชี่ยวชาญภายนอกคนใดที่โต้แย้งดัชนีนี้ สื่ออิสระต่าง ๆ ได้นำตัวเลขไปเผยแพร่ซ้ำ ไม่ได้ตรวจสอบยืนยัน และความแตกต่างนี้คือสิ่งที่สำคัญที่สุดที่ควรจดจำจากการรายงานข่าว

เอเจนต์สามหมื่นตัว และบัญชีแยกประเภทที่คอยติดตามพวกเขา

นอกจากดัชนีระบบอัตโนมัติแล้ว Anthropic ยังเปิดเผยขนาดของจำนวนเอเจนต์ที่อยู่เบื้องหลังว่า “มีเอเจนต์ราว 30,000 ตัวที่ทำงานวิจัยและงานวิศวกรรมที่ Anthropic ณ เวลาใดเวลาหนึ่ง” บนแพลตฟอร์มภายในที่ใช้มากที่สุดของบริษัท เมื่ออ่านตามตัวอักษรแล้ว นั่นคือจำนวนการทำงานพร้อมกัน (concurrency count) มากกว่าจะเป็นจำนวนตัวของเอเจนต์ที่แตกต่างกันในช่วงเวลาหนึ่ง และ heise นำเสนออย่างระมัดระวังกว่าโดยระบุว่าเอเจนต์ “ทำงานพร้อมกันในบางช่วงของเดือนสิงหาคม”

มาตรการควบคุมที่ Anthropic อธิบายไว้ได้รับการออกแบบมาเพื่อทำให้กลุ่มเอเจนต์นั้นสามารถตรวจสอบได้แทนที่จะเป็นนิรนาม เอเจนต์แต่ละตัวมี "อัตลักษณ์เฉพาะบุคคล" และข้อมูลทั้งหมดที่มันสร้างขึ้นผูกโยงกับอัตลักษณ์นั้น อัตลักษณ์ดังกล่าว "ไม่ผูกกับโมเดลใดโมเดลหนึ่ง และคงอยู่ต่อเนื่องแม้มีการอัปเกรดโมเดล" เพื่อให้ "ทุกการกระทำสามารถตรวจสอบได้รายเอเจนต์ตลอดช่วงเวลา" และ "บันทึกข้อมูลทุกรายการสามารถเชื่อมกลับไปยังเอเจนต์ที่เฉพาะเจาะจงได้" เอเจนต์ "สื่อสารผ่านระบบส่งข้อความที่เปิดและใช้ร่วมกัน แทนที่จะสื่อสารแบบส่วนตัว" ข้อความทุกข้อความผูกกับอัตลักษณ์ของเอเจนต์ที่โพสต์ไว้ สามารถลิงก์ไปยังเนื้อหาอื่นเพื่อให้การอ้างอิงต้นฉบับคงอยู่ และถูกอ้างอิงเชื่อมโยงกับบันทึกบทสนทนาของเอเจนต์ เพื่อให้การเฝ้าติดตามสามารถ "สืบค้นการสื่อสารระหว่างเอเจนต์" ได้

ตัวเลขการกำกับดูแลเป็นส่วนที่อ่านแล้วเหมือนบันทึกเหตุการณ์ แม้ว่าบันทึกจะจัดประเภทการเปิดเผยนี้ว่าเป็นข้อมูลข่าวสารก็ตาม ทุกการดำเนินการจะผ่านระบบตรวจสอบออนไลน์ก่อน被执行 โดยปกติภายในไม่กี่วินาที ทุกการดำเนินการจะถูกนำเข้าสู่ระบบแบบออฟไลน์หลังจากเกิดขึ้น และการดำเนินการที่ถูกบล็อกจะได้รับการตรวจทานโดยมนุษย์ภายในหนึ่งสัปดาห์ จากจำนวนการตัดสินใจมากกว่าหนึ่งพันล้านครั้งในเดือนสิงหาคม 0.002% — "ประมาณ 1 ใน 47,000" — ถูกบล็อก การติดธงแบบออฟไลน์เกิดขึ้นในอัตราประมาณหนึ่งถึงสองทรานสคริปต์ต่อพัน หรือประมาณ 100,000 ทรานสคริปต์ต่อสัปดาห์ โดยมีเคสที่มีความสำคัญสูงประมาณ 50 เคสที่ถูกส่งต่อให้มนุษย์

อัตราการบล็อกไม่ใช่อัตราความปลอดภัย มันวัดว่ามอนิเตอร์หยุดการกระทำบ่อยเพียงใด ไม่ใช่ว่ามีการกระทำที่ผิดกี่ครั้ง และ Anthropic รายงานค่านี้ควบคู่กับตัวเลขความครอบคลุม — การตรวจสอบการกระทำออนไลน์ 100% ก่อนดำเนินการ — ซึ่งอธิบายถึงขอบเขตการเข้าถึงของมอนิเตอร์ ความไม่สมมาตรแบบเดียวกันนี้ใช้กับการจัดสรรพลังประมวลผล: สำหรับสัปดาห์วันที่ 13–20 กรกฎาคม “พลังประมวลผลประมาณ 6% ที่ไปยัง AI R&D ถูกจัดสรรให้กับความปลอดภัย” เพิ่มขึ้นเป็น “พลังประมวลผลประมาณ 12% ที่ไปยัง AI R&D ที่ขับเคลื่อนด้วย AI” Anthropic เรียกตัวเลขเหล่านี้ว่า “การประมาณการแบบอนุรักษ์นิยมโดยเจตนา” ซึ่งได้มาจากตัวอย่างประมาณ 14% ของการรันฝึกอบรมและประเมินผลด้านการวิจัยเกือบ 10,000 ครั้ง โดยถ่วงน้ำหนักไปทางการรันที่ใช้พลังประมวลผลสูง และระบุว่าสัดส่วนพลังประมวลผลวัดการใช้จ่ายมากกว่าความพยายาม

คำว่า “recursive self-improvement” ในที่นี้หมายถึงอะไร

Anthropic เชื่อมโยงดัชนีนี้เข้ากับการพัฒนาตนเองแบบเรียกซ้ำ (recursive self-improvement) ซึ่งบทความที่มาคู่กันนิยามว่าเป็น "โมเดลที่สร้างผู้สืบทอดของตนเองได้อย่างอิสระเต็มรูปแบบ" จุดยืนของบทความชัดเจนว่า "เรายังไปไม่ถึงจุดนั้น และการพัฒนาตนเองแบบเรียกซ้ำไม่ใช่สิ่งที่หลีกเลี่ยงไม่ได้" บทความวางวงจรปิดสมบูรณ์ไว้ในขั้นสมมุติที่ติดป้ายว่า "Closing the loop" และระบุว่า "20XX?" โดยในขั้นนี้ เอเจนต์จะสร้างและฝึกโมเดล และระบบ Claude ในอนาคตจะพัฒนา Claude เอง วันนี้ บทความระบุว่ามนุษย์ยังเป็นผู้กำหนดเป้าหมาย สิ่งที่เปลี่ยนไปคือ "พวกเขาไม่จำเป็นต้องกำหนดวิธีการอีกต่อไป"

บทความยังอธิบายด้วยว่าเหตุใดดัชนีนี้จึงควรอ่านในฐานะมาตรวัดระยะทาง มากกว่าจะเป็นหมุดหมายสำคัญ งานระดับ AL4 — ที่ Claude ทำงานส่วนใหญ่ของภารกิจให้เสร็จจากพรอมต์ระดับสูงโดยมีมนุษย์คอยกำกับดูแล — คือระดับที่ตัวเลข 26% หมายถึง ส่วน AL5 ซึ่งเป็นความเป็นอิสระเต็มรูปแบบโดยไม่มีมนุษย์อยู่ในวงจร คือระดับที่ Anthropic กล่าวว่าตนยังไปไม่ถึง ช่องว่างระหว่างทั้งสองระดับคือประเด็นที่บทความมุ่งสำรวจ

อะไรคือสิ่งที่ยืนยันแล้ว และอะไรคือสิ่งที่อนุมานขึ้นมา

ยืนยันแล้ว Anthropic เผยแพร่การวัดเหล่านี้เมื่อวันที่ 17 กันยายน 2026 ซึ่งเป็นวันที่บันทึกระบุไว้ในระดับความละเอียดถึงระดับวัน หน้า index แบบเรียลไทม์ไม่มีวันที่เผยแพร่ที่มองเห็นได้ของตัวเอง และบทความประกอบมีตราประทับ “Update 9/18/2026” ตัวเลขเหล่านี้ — 26%, ต่ำกว่า 1% ในเดือนกุมภาพันธ์, สูงกว่า 90% ที่ AL3 หรือสูงกว่า, เอเจนต์ประมาณ 30,000 ตัว, 0.002% ของการตัดสินใจที่ถูกบล็อก, 6% และ 12% ของทรัพยากรการประมวลผล — เป็นของ Anthropic เอง ระบุไว้บนหน้าของบริษัท และถูกนำไปเผยแพร่ซ้ำโดย heise และ InfoQ ภายในหนึ่งวัน

ยืนยันแล้ว ไม่มีส่วนย่อยที่วัดได้ของงานวิจัยและพัฒนา AI ส่วนใดที่ไปถึง AL5 ไม่มีรายงานความเสียหายต่อบุคคลที่สาม และฟิลด์ความเสียหายจริงของบันทึกนั้นว่างเปล่า บันทึกนี้ได้รับการจัดเกรดความเชื่อมั่น A สำหรับเอกสารประกอบ ไม่ได้ถูกตั้งค่าสถานะว่ามีข้อโต้แย้ง และมีระดับความรุนแรงเป็น "info" ซึ่งสะท้อนว่าไม่มีการบันทึกความเสียหายใด ๆ มากกว่าจะสะท้อนถึงคุณภาพของแหล่งที่มาของเอกสาร

ยังไม่ได้รับการยืนยัน ว่า Claude “นำ” 26% ของงาน R&D ของ Anthropic ในความหมายใด ๆ ที่เป็นอิสระจากการให้คะแนนของ Anthropic เอง การวัดนี้ดำเนินการโดยบริษัท ผู้ตัดสินเป็นโมเดล Claude และผู้ประเมินภายนอกที่หน้าเว็บอธิบายไว้นั้นเป็นเพียงแผนที่วางไว้ ยังไม่ได้มีอยู่จริง ตัวเลขความสอดคล้องตรงกันทุกประการ 59% ระหว่างผู้ตัดสินกับมนุษย์คือตัวเลขที่ควรนำมาวางเทียบกับพาดหัวข่าว

ยังไม่อาจสรุปได้ ว่ากระแสนี้จะดำเนินต่อไป หรือว่ามันชี้ไปที่การพัฒนาตนเองแบบเรียกซ้ำ Anthropic ไม่ขออ้างข้อใดข้อหนึ่ง และการเปรียบเทียบสองจุดระหว่างเดือนกุมภาพันธ์กับเดือนสิงหาคมไม่ใช่การพยากรณ์ อัตราการบล็อกก็ไม่ได้ยืนยันว่าประชากรเอเจนต์อยู่ภายใต้การควบคุม; มันยืนยันว่าผู้เฝ้าติดตามเห็นทุกการดำเนินการออนไลน์และหยุดไปประมาณหนึ่งใน 47,000

เป็นการใช้ดุลยพินิจ ไม่ใช่การวัด ที่ว่าการเพิ่มขึ้นจากต่ำกว่า 1% ไปเป็น 26% ภายในหกเดือนถือเป็นอัตราที่เร็ว ไม่มีสิ่งใดในการเปิดเผยข้อมูลที่กำหนดเกณฑ์ตายตัวว่าอัตราเท่าใดจึงจะกลายเป็นปัญหา และกรอบการนำเสนอของ Anthropic ปล่อยให้การตัดสินใจนั้นเป็นหน้าที่ของบุคคลที่สามซึ่งระบุว่าจะฝังไว้

Anthropic ยืนยันให้มีการเผยแพร่ตัวเลขที่เปรียบเทียบกันได้อย่างสม่ำเสมอ และให้มีการตรวจสอบโดยอิสระ heise รายงาน — ซึ่งนี่ก็เป็นข้อความที่ชัดเจนที่สุดเช่นกันว่า ดัชนีนี้ยังไม่ใช่อะไร จนกว่าผู้ประเมินภายนอกจะเข้ามาอยู่ในวงจรการทำงาน ตัวเลข 26% นั้นก็คือห้องแล็บที่วัดตัวเองด้วยเครื่องมือของตัวเอง: เจาะจงมากกว่าข่าวประชาสัมพันธ์ และก็ยังไม่ใช่การตรวจสอบบัญชีอยู่ดี