Anthropic sagt, Claude führt 26% seiner KI-Forschung und -Entwicklung an

Anthropic sagte, dass seine Claude-Modelle zum August 2026 26 % der KI-Forschungs- und Entwicklungsarbeit des Unternehmens “führen”, in den ersten Ergebnissen eines Prototyp‑R&D‑Automatisierungs‑Index, der in einem Anthropic Institute-Beitrag am 17. September 2026 veröffentlicht wurde.

Der Beitrag, betitelt “Messungen zum Verständnis des Tempos der KI-Entwicklung in Frontier-Labors”, verknüpft den Index mit internen Kennzahlen zur Aufsicht von Agenten und zur Compute‑Zuweisung, und Anthropic sagte, dass es beabsichtigt, solche Messungen weiterhin zu veröffentlichen.

Der R&D‑Automatisierungs‑Index

Der Anthropic R&D‑Automatisierungs‑Index erfasst das gesamte Spektrum der KI‑R&D‑Arbeit, die im Unternehmen geleistet wird, bewertet, wie automatisiert jede Aufgabe derzeit ist, und fasst diese Bewertungen zu einem aggregierten Maß zusammen. Die Bewertungen verwenden eine von Epoch AI entwickelte Automation‑Level‑Skala, die von AL0 (keine KI‑Beteiligung) bis AL5 reicht, wobei KI bei AL5 vollständig autonom ohne menschliche Beteiligung operiert. Bei AL3 “kooperiert” die KI und führt große Teile einer Aufgabe unter enger menschlicher Anleitung aus; bei AL4 “führt” die KI die meisten Schritte einer Aufgabe von einer hochrangigen Vorgabe bis zum Abschluss, während ein Mensch überwacht.

Anthropic berichtete, dass Claude zum August 2026 26 % seiner KI‑R&D‑Arbeit “führt”, der Anteil der Arbeit auf dem Niveau “kooperiert” oder höher liegt über 90 % und Claude für keinen gemessenen Teilbereich der KI‑R&D‑Arbeit vollständig autonom arbeitet. Ein Diagramm im Beitrag zeigt, dass der Anteil von 26 % “führt” von unter 1 % im Februar 2026 gestiegen ist.

Der zugrunde liegende Aufgabenkatalog wurde von unten nach oben anhand von Arbeitsaufzeichnungen wie Slack und interner Dokumentation zusammengestellt. Für jede Woche im Juli 2026 prüfte ein Claude‑Forschungsagent die Woche jeder zufällig ausgewählten Person – 20 % des Personals aus jeder Abteilung, die den Modell‑R&D‑Kreislauf bildet – und listete die Aufgaben auf, an denen sie gearbeitet hatten, was zu einer flachen Liste von etwa 15 000 einzelnen Aufgaben führte. Claude ordnete diese Aufgaben anschließend in einen hierarchischen Baum mit 542 Knoten, davon 378 Blätter wie „eval platform defect diagnosis and fixes“, und dieser Baum ist eingefroren, sodass jede Messung gegen denselben Aufgabenbestand durchgeführt wird.

Für jeden Knoten untersucht ein Claude‑Agent, wie diese Art von Arbeit im Unternehmen ausgeführt wird, und ein unabhängiger Claude‑Richter weist eine von sechs Automatisierungsstufen zu, die auf Belegen aus dem bewerteten Monat oder früher beschränkt sind. Aufgaben werden nach Personen‑Zeit gewichtet, sodass Kategorien mit höherem Personalaufwand stärker gewichtet werden.

Anthropic prüfte die Bewertungen des Richters gegen das Personal, das für die jeweiligen Arbeitsbereiche verantwortlich ist; diese bewerteten, ohne die Belege oder Urteile der Modelle zu sehen, und berichteten über eine exakte Übereinstimmung Modell‑gegen‑Mensch von 59 % gegenüber 35 % Mensch‑gegen‑Mensch, wobei die Bewertungen zu 97 % innerhalb einer Stufe übereinstimmten. Angegebene Einschränkungen umfassen den eingefrorenen Aufgabenbestand, der die Automatisierung bestehender Arbeit erfasst, ohne neue Arbeitsarten zu registrieren; ein Vergleich von Aufgaben, die von Februar bis Juli 2026 eingingen, mit einem Bestand vom Januar 2026 zeigte keinen Anstieg „neuer“ Aufgaben, und Anthropic plant, den Bestand periodisch neu aufzubauen und die veröffentlichten Zahlen neu zu versionieren.

Aufsicht über interne Agenten

Ein zweiter Satz von Messungen bezieht sich auf die Aufsicht von Anthropic über KI‑Agenten in seinen Systemen. Zum August 2026 waren etwa 30 000 Agenten gleichzeitig mit Forschungs‑ und Ingenieurarbeiten auf der am häufigsten genutzten internen Plattform des Unternehmens beschäftigt, und die berichteten Messungen beziehen sich ausschließlich auf diese Plattform.

Anthropic berichtete, dass Online‑Monitore 100 % der Aktionen dieser Agenten vor der Ausführung prüfen, in der Regel innerhalb von Sekunden; von mehr als einer Milliarde analysierter Agentenentscheidungen im August 2026 wurden 0,002 % (etwa 1 von 47 000) blockiert, und Menschen prüfen blockierte Aktionen innerhalb einer Woche. Offline‑Monitore erfassen 100 % der Aktionen nachträglich und markieren etwa 100 000 Transkripte pro Woche, die von mehreren Klassifikatoren auf Fehlalarme überprüft werden, wobei die meisten Markierungen gelöst werden; etwa 50 höchstprioritäre Markierungen pro Woche werden an die menschliche Prüfung weitergeleitet, und ungefähr ein bis zwei Transkripte pro tausend werden für eine weitergehende Prüfung gekennzeichnet.

Laut dem Beitrag werden Online‑Monitore für Schäden entwickelt, die schnell auftreten und nicht rückgängig gemacht werden können, etwa wenn ein Agent Modellgewichte aus Anthropic‑Systemen kopiert, während Offline‑Monitore gefährliches Verhalten anvisieren, das sich langsam entwickelt und rückgängig gemacht werden kann, wie Anzeichen von Modell‑Missalignment. Anthropic sagte, dass zwei Designentscheidungen im internen Gerüst die Aufsicht unterstützen: Jeder Agent trägt eine individuelle Identität, die über Modell‑Updates hinweg erhalten bleibt, und Agenten kommunizieren über ein gemeinsames, offenes Nachrichtensystem, das mit Transkripten verknüpft ist, sodass das Verhaltensmonitoring die Kommunikation zwischen Agenten überblicken kann. Das Unternehmen erklärte, dass METR seine Offline‑Monitoring‑Plattform bereits unabhängig red‑team‑getestet hat und dass diese Aufsichts‑Messungen ebenfalls im Risikobericht vom August 2026 veröffentlicht wurden.

Snapshot der Compute‑Zuweisung

Für die dritte Messung untersuchte Anthropic, wie es seine gesamte Compute‑Leistung vom 13. bis 20. Juli 2026 einsetzte, indem es jede Arbeitslast in Kategorien einteilte und maß, welcher Anteil der Compute‑Ressourcen, die für KI‑R&D verwendet wurden, für Sicherheitsarbeit bestimmt war. In dieser Woche berichtete Anthropic, dass etwa 6 % der für KI‑R&D eingesetzten Compute‑Ressourcen für Sicherheit vorgesehen waren und etwa 12 % der für KI‑gesteuerte KI‑R&D eingesetzten Compute‑Ressourcen für Sicherheit bestimmt waren.

Das Unternehmen beschreibt beide Schätzungen als bewusst konservativ: Tokens, die die Fähigkeiten ebenso stark wie die Sicherheit vorantrieben, wurden als KI‑F&E gezählt, und Sicherungs‑Klassifikatoren, ein separater und vergleichbarer Rechenanteil, werden ausgeschlossen. Ein von Claude ausgelöster Klassifikator sortierte die fast 10.000 Forschungs‑Trainings‑ und Evaluierungs‑Durchläufe der Woche anhand einer etwa 14 %‑Stichprobe, die zu den größten Rechenverbrauchern gewichtet war, und Anthropic berichtete, dass der Klassifikator mit den menschlichen Gutachtern innerhalb von ein bis zwei Prozentpunkten übereinstimmte.

Die angegebenen Einschränkungen sind, dass eine einzelne Woche zeigt, dass die Messung machbar ist, ohne jedoch einen Trend zu etablieren, dass die zugrunde liegenden Arbeitslast‑Kennzeichnungen nach bestem Bemühen und ungeprüft sind und dass der Rechenanteil misst, was ausgegeben wird, und nicht das Ausmaß der geleisteten Sicherheitsarbeit.

Zweck und nächste Schritte

Anthropic erklärte, dass es die Messungen veröffentlicht, weil sie der Öffentlichkeit, externen Akteuren und Regierungen einen klareren Überblick über das Tempo der KI‑Entwicklung in Frontier‑Laboren geben, und damit seine Responsible Scaling Policy‑Risikoberichte sowie den Advanced AI Framework‑Policy‑Vorschlag ergänzen. Es wies darauf hin, dass die Zahlen voraussichtlich schwanken würden, wenn es eine Koordination zur Steuerung des Tempos an der Grenze gäbe, wie es von CEO Dario Amodei gefordert wird.

Der Beitrag besagt, dass jeder Frontier‑Entwickler dieselben Messungen regelmäßig mit einer öffentlichen Methodik veröffentlichen könnte, und nennt zwei Hindernisse für den Vergleich zwischen Laboren: das Fehlen einer gemeinsamen Methodik und die Nutzung eigener Modelle durch den Entwickler zur Bewertung seiner Systeme. Es wird erklärt, dass solche Messungen von Dritten oder von Modellen anderer Entwickler verifiziert werden könnten und als Auslöser für strengere Anforderungen dienen könnten, etwa ein festes Testfenster, bevor ein neues Modell für weitere KI‑R&E eingesetzt wird.

Anthropic erklärte, dass es unabhängige Dritt‑Bewertungsstellen aus mehreren Organisationen einbinden will, die Zugriff auf interne Prozesse, Systeme und Daten erhalten, die mit denen der internen Risikobewertungsteams vergleichbar sind, um Sicherheitspraktiken zu überprüfen, Vorfälle zu melden und wichtige Kennzahlen wie im Beitrag zu verfolgen. Der Artikel wurde gemeinsam von Marina Favaro und Phillie Wright verfasst, mit Forschungsleitung von Jack Clark.