METR Memperkirakan Pertumbuhan Kapabilitas Model Anthropic Hampir Berlipat Ganda

Pada 5 November 2026, METR menerbitkan penilaian independen yang menyimpulkan bahwa Anthropic kemungkinan meningkatkan kapabilitas model pada tugas-tugas dengan spesifikasi jelas dengan laju sekitar dua kali lipat dari sebelumnya, dan bahwa penggunaan AI kemungkinan menjelaskan sebagian besar percepatan saat ini. Kesimpulan tersebut mengandung ketidakpastian yang besar, sementara penyensoran mengaburkan sebagian besar bukti pendukungnya.

Bukti Tolok Ukur Menunjukkan Tren yang Lebih Tajam

Dengan menggunakan AECI, indeks kapabilitas tolok ukur Anthropic, METR memperkirakan bahwa skor tolok ukur meningkat 1,9 kali lebih cepat sejak Oktober 2025, dengan interval kepercayaan 95% sebesar 1,5–2,8 kali. Laju tersebut berarti kemajuan selama kira-kira dua tahun pada kecepatan sebelumnya tercapai dalam satu tahun. Penilaian yang lebih luas ini membandingkan Oktober 2026 dengan laju yang teramati dari Maret 2024 hingga Oktober 2025.

Perhitungan ini mencakup model yang hanya tersedia secara internal dan menentukan tanggal setiap cuplikan berdasarkan kapan sebagian besar karyawan Anthropic dapat menggunakannya, sehingga sistem yang telah dirilis maupun yang belum dirilis dapat dibandingkan dengan dasar yang sama. Uji ketahanan METR menghasilkan perkiraan percepatan mulai dari 1,1 hingga 2,9 kali dengan pilihan pemodelan alternatif, yang menunjukkan bahwa hasilnya sensitif terhadap cara tingkat kesulitan tolok ukur dan asumsi analitis lainnya direpresentasikan.

Bukti Peran AI dalam Percepatan

Bukti yang ada meyakinkan METR bahwa peningkatan komputasi pelatihan tidak menyebabkan percepatan tersebut, meskipun rincian pendukungnya disensor. Faktor non-AI kemungkinan berperan besar pada akhir 2025, tetapi dugaan terbaik saat ini adalah bahwa faktor-faktor tersebut tidak menjelaskan percepatan yang berkelanjutan.

Bukti dari staf mengarah ke kesimpulan yang sama, tetapi tidak merata. Wawancara dengan peneliti menunjukkan variasi yang luas di sekitar percepatan kira-kira dua kali lipat. Jajak pendapat informal menunjukkan bahwa rata-rata peningkatan produktivitas yang dilaporkan sendiri dari model internal paling kapabel mencapai sekitar 12 kali pada Oktober 2026; METR mengingatkan bahwa responden hanya perlu mengerahkan sedikit upaya, jawaban mereka mungkin tidak mewakili staf secara luas, dan peningkatan produktivitas individu tidak serta-merta setara dengan pertumbuhan kapabilitas organisasi secara keseluruhan.

Dampak saat ini terutama berasal dari AI yang membantu para peneliti. AI belum mampu memberikan kontribusi yang sangat signifikan dan sepenuhnya otonom pada pekerjaan pelatihan yang paling penting, meskipun para peneliti menyebutkan adanya indikasi bahwa kontribusi semacam itu dapat segera muncul, dengan tingkat kematangan yang berbeda-beda di setiap bidang.

Hambatan dan Pengukuran Masih Belum Pasti

Tidak ditemukan bukti meyakinkan bahwa kemajuan algoritmik, komputasi pelatihan, komputasi eksperimen, atau data akan menimbulkan hambatan yang signifikan dalam kurun 12 bulan. Penafsiran para penelaah berubah beberapa kali seiring munculnya informasi baru, sehingga mereka tidak yakin dengan penilaian tersebut. Meski demikian, METR menilai bahwa tidak adanya kendala yang jelas atau hasil yang makin menurun secara tajam menimbulkan risiko signifikan: peningkatan kapabilitas selanjutnya dapat terakumulasi dan memicu percepatan yang lebih besar. Ini merupakan penilaian risiko yang berorientasi ke masa depan, bukan hasil yang telah teramati.

AECI berfokus pada tugas-tugas dengan spesifikasi jelas dan mudah dinilai, sehingga peningkatan skor tolok ukur yang lebih cepat mungkin tidak menghasilkan dampak nyata yang sebanding. METR menyatakan bahwa penyesuaian berlebihan terhadap tolok ukur, faktor non-AI, atau dasar historis yang luar biasa lemah dapat membuat perkiraannya terlalu tinggi. Sebaliknya, percepatan terkini yang luput terdeteksi, hilangnya hambatan manusia lebih cepat daripada perkiraan, atau skor tolok ukur yang meremehkan dampak di dunia nyata dapat membuat perkiraannya terlalu rendah. Skor Model 4 yang melampaui 50% pada seluruh 15 tolok ukur yang digunakan untuk model tersebut menambah kekhawatiran tersendiri bahwa kejenuhan dapat menghambat pengukuran di masa mendatang.

Akses Luas, tetapi Bukti untuk Publik Terbatas

METR menugaskan tenaga kerja setara 2,5 pekerja penuh waktu untuk penilaian selama sebelas minggu, yang berlangsung dari 12 Agustus 2026 hingga 29 Oktober 2026. Tim menelaah hasil tolok ukur internal, metrik prapelatihan dan pembelajaran penguatan, pengukuran komputasi pelatihan, analisis percepatan AI, serta dokumen internal, dan melakukan sekitar 15 wawancara dengan staf kunci. Tim tidak memperoleh akses langsung setara karyawan ataupun sampel model nonpublik.

Anthropic dapat menyetujui atau menolak permintaan informasi dan menyensor materi nonpublik secara sepihak. Penyensoran tersebut menghilangkan sebagian besar bukti yang dianggap paling informatif oleh METR dari laporan publik, termasuk perincian atribusi kepada AI, perkiraan kemajuan algoritmik, analisis spesifik mengenai hambatan, dan prakiraan untuk model mendatang. Anthropic menyatakan bahwa penyensoran itu bertujuan melindungi informasi rahasia yang dapat mempercepat pengembangan AI oleh pihak lain. METR tetap memiliki keleluasaan dalam menentukan metodologi dan kesimpulan serta tidak menerima pembayaran, meskipun timnya bekerja menggunakan perangkat Anthropic dan memakai token gratis.

Penilaian ini memberikan pemeriksaan eksternal yang mendalam terhadap percepatan penelitian yang didorong oleh AI, tetapi tidak sepenuhnya membuka bukti yang mendasarinya. Hasil tolok ukur publik dan keterangan staf mendukung kesimpulan bahwa kemajuan berlangsung lebih cepat, tetapi penyensoran menghalangi pembaca untuk menilai secara mandiri sebagian besar dasar atribusi METR dan kesimpulannya mengenai hambatan. Karena itu, temuan utama tersebut sangat bergantung pada sintesis bukti oleh evaluator yang tidak dapat ditelaah sepenuhnya oleh pembaca.