Anthropic กล่าวว่า Claude นำ 26% ของการวิจัยและพัฒนา AI ของบริษัท

Anthropic กล่าวว่าโมเดล Claude ของบริษัท “lead” 26% ของงานวิจัยและพัฒนา AI ของบริษัท ณ เดือนสิงหาคม 2026, ในผลลัพธ์แรกจากต้นแบบดัชนีการอัตโนมัติ R&D ที่เผยแพร่ใน โพสต์ของ Anthropic Institute เมื่อ 17 กันยายน 2026.

โพสต์ที่มีชื่อว่า “การวัดเพื่อทำความเข้าใจความเร็วของการพัฒนา AI ภายในห้องทดลองแนวหน้า” ผสานดัชนีกับเมตริกภายในเกี่ยวกับการกำกับดูแลเอเจนต์และการจัดสรรการประมวลผล และ Anthropic กล่าวว่า มีแผนจะเผยแพร่วัดเหล่านี้ต่อไป

ดัชนีการอัตโนมัติ R&D

ดัชนีการอัตโนมัติ R&D ของ Anthropic ทำแผนที่ช่วงทั้งหมดของงาน AI R&D ที่ดำเนินการในบริษัท, ประเมินระดับการอัตโนมัติของแต่ละงานในปัจจุบัน, และรวมคะแนนเหล่านั้นเป็นมาตรการรวม. คะแนนใช้มาตราส่วนระดับการอัตโนมัติที่พัฒนาโดย Epoch AI, เริ่มจาก AL0 ซึ่งหมายถึงไม่มีการมีส่วนร่วมของ AI, ถึง AL5 ซึ่ง AI ทำงานโดยอัตโนมัติเต็มรูปแบบโดยไม่มีมนุษย์อยู่ในวงจร. ที่ระดับ AL3, AI “collaborates,” ทำส่วนใหญ่ของงานภายใต้การกำกับของมนุษย์อย่างใกล้ชิด; ที่ระดับ AL4, AI “leads,” ดำเนินการส่วนใหญ่ของงานตั้งแต่คำสั่งระดับสูงจนเสร็จสมบูรณ์โดยมีมนุษย์ตรวจสอบ.

Anthropic รายงานว่า ณ เดือนสิงหาคม 2026, Claude “leads” 26% ของงาน AI R&D ของบริษัท, ส่วนแบ่งของงานที่อยู่ในระดับ “collaborates” หรือสูงกว่าอยู่เหนือ 90%, และ Claude ยังไม่ได้ทำงานโดยอัตโนมัติเต็มรูปแบบสำหรับชุดใดของงาน AI R&D ที่วัดได้. แผนภูมิในโพสต์อธิบายว่าส่วนแบ่ง “leads” 26% นี้เพิ่มขึ้นจากน้อยกว่า 1% ในเดือนกุมภาพันธ์ 2026.

แคตาล็อกงานพื้นฐานถูกจัดทำขึ้นจากล่างขึ้นบนโดยใช้บันทึกการทำงานเช่น Slack และเอกสารภายใน. สำหรับแต่ละสัปดาห์ของเดือนกรกฎาคม 2026, ตัวแทนวิจัย Claude ตรวจสอบสัปดาห์ของแต่ละบุคคลที่สุ่มเลือก — 20% ของพนักงานจากทุกแผนกที่เป็นส่วนหนึ่งของวงจรโมเดล R&D — และบันทึกรายการงานที่พวกเขาทำ, ส่งผลให้ได้รายการงานละเอียดประมาณ 15,000 รายการ. Claude จากนั้นจัดระเบียบงานเหล่านั้นเป็นโครงสร้างต้นไม้แบบลำดับชั้นที่มี 542 โหนด, โดยมี 378 โหนดเป็นใบเช่น “eval platform defect diagnosis and fixes,” และต้นไม้ดังกล่าวถูกตรึงไว้เพื่อให้การวัดทุกครั้งอ้างอิงกับชุดงานเดียวกัน.

สำหรับแต่ละโหนด, ตัวแทน Claude ทำการวิจัยว่าประเภทงานนั้นทำอย่างไรทั่วบริษัท, และผู้ตัดสิน Claude อิสระกำหนดระดับการอัตโนมัติหนึ่งในหกระดับ, โดยจำกัดเฉพาะหลักฐานจากเดือนที่กำลังประเมินหรือก่อนหน้า. งานจะถูกถ่วงน้ำหนักตามเวลาที่ใช้ของบุคคล, ดังนั้นหมวดหมู่ที่มีการใช้แรงงานของพนักงานมากจะมีน้ำหนักมากขึ้น.

Anthropic ตรวจสอบการให้คะแนนของผู้ตัดสินกับพนักงานที่รับผิดชอบพื้นที่งานที่เกี่ยวข้อง, ผู้ที่ให้คะแนนโดยไม่เห็นหลักฐานหรือการตัดสินของโมเดล, และรายงานการตรงกันอย่างแม่นยำระหว่างโมเดลและมนุษย์ที่ 59% เทียบกับ 35% ระหว่างมนุษย์และมนุษย์, โดยการให้คะแนนที่อยู่ภายในระดับเดียวกันกัน 97% ของเวลา. ข้อจำกัดที่ระบุรวมถึงตะกร้าตรึงที่บันทึกการอัตโนมัติของงานที่มีอยู่โดยไม่บันทึกประเภทงานใหม่; การเปรียบเทียบงานตั้งแต่กุมภาพันธ์ถึงกรกฎาคม 2026 กับตะกร้าในเดือนมกราคม 2026 พบว่าไม่มีการเพิ่มขึ้นของงาน “novel” และ Anthropic มีแผนที่จะสร้างตะกร้าใหม่เป็นระยะและอัปเดตเวอร์ชันของตัวเลขที่เผยแพร่.

การตรวจสอบตัวแทนภายใน

ชุดการวัดที่สองครอบคลุมการตรวจสอบตัวแทน AI ของ Anthropic บนระบบของบริษัท. ณ เดือนสิงหาคม 2026, มีตัวแทนประมาณ 30,000 รายที่ทำงานวิจัยและวิศวกรรมในเวลาเดียวกันบนแพลตฟอร์มภายในที่ใช้บ่อยที่สุดของบริษัท, และการวัดที่รายงานครอบคลุมเฉพาะแพลตฟอร์มนั้นเท่านั้น.

Anthropic รายงานว่าตัวตรวจสอบออนไลน์ตรวจสอบ 100% ของการกระทำของตัวแทนเหล่านี้ก่อนดำเนินการ, ปกติภายในไม่กี่วินาที; จากการวิเคราะห์การตัดสินใจของตัวแทนมากกว่าหนึ่งพันล้านรายการในเดือนสิงหาคม 2026, 0.002% (ประมาณ 1 ใน 47,000) ถูกบล็อก, และมนุษย์ตรวจสอบการกระทำที่บล็อกภายในหนึ่งสัปดาห์. ตัวตรวจสอบออฟไลน์รับข้อมูล 100% ของการกระทำหลังเหตุการณ์และทำเครื่องหมายประมาณ 100,000 บันทึกต่อสัปดาห์, ซึ่งตัวจำแนกหลายตัวตรวจสอบเพื่อหาผลบวกเท็จ, แก้ไขเครื่องหมายส่วนใหญ่; ประมาณ 50 เครื่องหมายที่มีความสำคัญสูงสุดต่อสัปดาห์จะถูกส่งต่อให้มนุษย์ตรวจสอบ, และประมาณหนึ่งถึงสองบันทึกต่อพันรายการจะถูกทำเครื่องหมายเพื่อการตรวจสอบต่อไป.

ตามโพสต์, ตัวตรวจสอบออนไลน์ถูกสร้างขึ้นเพื่อจัดการกับอันตรายที่เกิดขึ้นอย่างรวดเร็วและไม่สามารถย้อนกลับได้, เช่น ตัวแทนคัดลอกน้ำหนักโมเดลออกจากระบบของ Anthropic, ในขณะที่ตัวตรวจสอบออฟไลน์มุ่งเป้าไปที่พฤติกรรมอันตรายที่พัฒนาช้าและสามารถย้อนกลับได้, เช่นสัญญาณของการไม่สอดคล้องของโมเดล. Anthropic กล่าวว่าได้มีการออกแบบสองอย่างในโครงสร้างภายในเพื่อสนับสนุนการตรวจสอบ: แต่ละตัวแทนมีอัตลักษณ์เฉพาะที่คงอยู่ข้ามการอัปเกรดโมเดล, และตัวแทนสื่อสารผ่านระบบข้อความเปิดที่ใช้ร่วมกันและอ้างอิงกับบันทึก, ทำให้การตรวจสอบพฤติกรรมสามารถข้ามการสื่อสารระหว่างตัวแทนได้. บริษัทกล่าวว่า METR เคยทำการทดสอบความปลอดภัยแบบอิสระต่อแพลตฟอร์มการตรวจสอบออฟไลน์ของตน, และการวัดการตรวจสอบเหล่านี้ก็ได้ถูกเผยแพร่อีกครั้งในรายงานความเสี่ยงของบริษัทในเดือนสิงหาคม 2026.

ภาพรวมการจัดสรรการคำนวณ

สำหรับการวัดครั้งที่สาม, Anthropic ตรวจสอบการใช้การคำนวณทั้งหมดตั้งแต่ 13 ถึง 20 กรกฎาคม 2026, แยกงานทุกประเภทเป็นหมวดหมู่และวัดว่าการคำนวณที่ใช้ใน AI R&D มีสัดส่วนเป็นงานด้านความปลอดภัยเท่าใด. ในสัปดาห์นั้น, Anthropic รายงานว่าประมาณ 6% ของการคำนวณที่ใช้ใน AI R&D ถูกจัดสรรให้กับความปลอดภัย, และประมาณ 12% ของการคำนวณที่ใช้ใน AI‑driven AI R&D ถูกจัดสรรให้กับความปลอดภัย.

บริษัทอธิบายว่าการประมาณทั้งสองนี้ตั้งใจให้เป็นการคาดการณ์อย่างระมัดระวัง: โทเคนที่มีความสามารถขั้นสูงเท่ากับความปลอดภัยถูกนับเป็นการวิจัยและพัฒนา AI (AI R&D) และตัวจำแนกการป้องกันซึ่งใช้ปริมาณการคำนวณที่แยกออกและเทียบเคียงกันจะไม่รวมอยู่ การจำแนก Claude ที่ได้รับการกระตุ้นได้จัดเรียงการฝึกและการประเมินผลการวิจัยเกือบ 10,000 ครั้งในสัปดาห์นั้นโดยใช้ตัวอย่างประมาณ 14 % ที่ให้ความสำคัญกับผู้ใช้การคำนวณที่มากที่สุด และ Anthropic รายงานว่าตัวจำแนกนี้สอดคล้องกับผู้ตรวจสอบมนุษย์ภายในหนึ่งหรือสองเปอร์เซ็นต์

ข้อจำกัดที่ระบุคือ การวัดผลในสัปดาห์เดียวแสดงให้เห็นว่าการวัดเป็นไปได้แต่ไม่ได้บ่งบอกแนวโน้ม ป้ายกำกับภาระงานพื้นฐานเป็นการประเมินอย่างเต็มที่และยังไม่ได้รับการตรวจสอบ และการวัดส่วนแบ่งการคำนวณบ่งบอกถึงจำนวนที่ใช้จ่ายเท่านั้น ไม่ได้บ่งบอกปริมาณงานด้านความปลอดภัยที่ทำจริง

วัตถุประสงค์และขั้นตอนต่อไป

Anthropic กล่าวว่า บริษัทกำลังรายงานการวัดผลเหล่านี้เพราะช่วยให้สาธารณะ ภาคส่วนภายนอก และรัฐบาลมองเห็นความเร็วของการพัฒนา AI ภายในห้องทดลองแนวหน้าได้ชัดเจนขึ้น ซึ่งเป็นการเสริมรายงานความเสี่ยงตามนโยบาย Responsible Scaling Policy และข้อเสนอแนวทาง Advanced AI Framework ของบริษัท บริษัทยังชี้ว่าตัวเลขเหล่านี้อาจเปลี่ยนแปลงได้หากมีการประสานงานในการกำหนดจังหวะการพัฒนาแนวหน้า ตามที่ CEO Dario Amodei เรียกร้อง

โพสต์ระบุว่าผู้พัฒนาแนวหน้าใด ๆ ก็สามารถเผยแพร่การวัดเดียวกันเป็นประจำโดยใช้ระเบียบวิธีสาธารณะได้ และระบุอุปสรรคสองประการต่อการเปรียบเทียบระหว่างห้องทดลอง: การขาดระเบียบวิธีร่วมกันและการที่ผู้พัฒนาใช้โมเดลของตนเองในการประเมินระบบของตนเอง บริษัทกล่าวว่าการวัดเหล่านี้อาจได้รับการตรวจสอบโดยบุคคลที่สามหรือโดยโมเดลของผู้พัฒนาอื่น ๆ และอาจกลายเป็นตัวกระตุ้นให้มีข้อกำหนดที่เข้มงวดขึ้น เช่น การกำหนดช่วงเวลาทดสอบคงที่ก่อนที่โมเดลใหม่จะถูกนำไปใช้ในการวิจัยและพัฒนา AI ต่อไป

Anthropic กล่าวว่า บริษัทมีแผนจะรวมผู้ประเมินอิสระจากหลายองค์กรให้เข้าถึงกระบวนการภายใน ระบบ และข้อมูลที่เทียบเท่ากับที่ทีมประเมินความเสี่ยงภายในใช้ เพื่อยืนยันการปฏิบัติด้านความปลอดภัย รายงานเหตุการณ์ และติดตามเมตริกสำคัญเช่นที่ระบุในโพสต์ บทความนี้เขียนร่วมโดย Marina Favaro และ Phillie Wright โดยมีการกำกับการวิจัยจาก Jack Clark