Tutkimuskokeilusta miljardin dollarin tekoälykoodausagentiksi

Claude Code suunniteltiin alusta alkaen käytännönläheisiin kehittäjätyönkulkuihin. Se osasi etsiä ja lukea koodia, muokata tiedostoja, ajaa testejä ja puskuroida GitHubiin – kaikki komentoriviltä käsin . Ensimmäinen kokeilu oli rajattu, mutta kehittäjien vastaus oli välitön. Maaliskuuhun 2025 mennessä työkalu oli saanut tuen kuvien liittämiselle ja tiedostojen @-maininnoille; huhtikuuhun 2025 mennessä lisättiin istuntojen pysyvyys ja jatkamismahdollisuus, mikä mahdollisti keskustelukontekstin säilymisen uudelleenkäynnistysten yli .

Helmikuusta yleiseen saatavuuteen toukokuussa 2025 kestänyt 0.2.x-sarja vakautti asteittain komentorivikokemuksen. Kun Claude Code saavutti yleisen saatavuuden, se oli jo tuotantovalmis jatkuvaan ohjelmistokehitystyöhön .

Mallipäivitykset: Opus 4.x -sarja nostaa rimaa

Claude Coden kyvykkyyksien takana ovat Anthropicin peräkkäiset lippulaivamallit. Jokainen Opus-sukupolvi on suoraan parantanut työkalun koodaus-, päättely- ja luotettavuusominaisuuksia.

Claude Opus 4.5 (marraskuu 2025)

Marraskuussa 2025 julkaistu Claude Opus 4.5 positioitiin maailman parhaaksi malliksi koodaukseen, agenttitoimintaan ja tietokoneen käyttöön . Se loi Opus 4.x -arkkitehtuurin perustan, josta tulisi alustan selkäranka.

Claude Opus 4.6 (5. helmikuuta 2026)

Opus 4.6 toi merkittäviä parannuksia suunnitteluun, pitkäkestoisten agenttitehtävien luotettavuuteen ja toimintaan suurissa koodikannoissa. Huomattavinta oli, että se toi miljoonan tokenin konteksti-ikkunan beetaversiona – ensimmäinen Opus-luokan malli, joka pystyi käsittelemään tämän mittaluokan kontekstia .

Claude Opus 4.7 (huhtikuu 2026)

Harppaus Opus 4.6:sta Opus 4.7:ään oli mullistava koodausvertailuissa. Yhdellä mallijulkaisulla Anthropic nosti SWE-bench Verified -tulosta 80,8 prosentista 87,6 prosenttiin (adaptiivisessa tilassa) . Se nosti myös SWE-bench Pro -tuloksen 53,4 prosentista 64,3 prosenttiin – yli 10 prosenttiyksikön johto lähimpään kilpailijaan .

Opus 4.7 toi adaptiivisen ajattelun, joka jakaa laskentaresursseja dynaamisesti tehtävän mukaan, ja vakautti miljoonan tokenin konteksti-ikkunan tuotantolaatuiseksi Anthropicin APIssa, Amazon Bedrockissa ja Google Cloudin Vertex AI:ssa .

Claude Opus 4.8 (28. toukokuuta 2026)

Viimeisin mallipäivitys hioo enemmän kuin mullistaa. Opus 4.8 rakentuu suoraan Opus 4.7:n päälle, nostaen SWE-bench Pro -tulosta 64,3 prosentista 69,2 prosenttiin ja samalla vähentäen dramaattisesti huomaamattomien koodivirheiden määrää. Anthropic raportoi, että malli päästää neljä kertaa epätodennäköisemmin oman koodinsa puutteet huomaamatta, ja testaajat raportoivat mallin olevan aiempaa halukkaampi ilmaisemaan epävarmuutensa ja välttämään perusteettomia väitteitä .

Olennaista on, että Opus 4.8 säilyttää API-yhteensopivuuden Opus 4.7:n kanssa ja tulee samaan hintaan. Se tuo myös 2,5 kertaa nopeamman Fast Mode -tilan, joka on kolmanneksen edellisten mallien hinnasta, parantaen suoraan kehittäjäkokemusta Claude Codessa .

Code with Claude 2026: "Dreaming", hallitut agentit ja alustamuutos

Anthropic järjesti ensimmäisen vuotuisen kehittäjäkonferenssinsa, Code with Clauden, 6. toukokuuta 2026 San Franciscossa, ja satelliittitapahtumia oli Lontoossa ja Tokiossa . Uuden mallin esittelyn sijaan tapahtuma keskittyi täysin alustan kyvykkyyksiin – erityisesti Claude Managed Agents -ominaisuuksiin.

Neljä uutta hallittujen agenttien ominaisuutta

Anthropic toimitti neljä ominaisuutta hallinnoituun, tilalliseen agenttien ajoympäristöönsä, joka oli lanseerattu julkisena beetaversiona vain noin kuukautta aiemmin, huhtikuun 2026 alussa .

Dreaming (tutkimuskokeilu) on joukon käsitteellisesti kunnianhimoisin. Agenttien ollessa toimettomina ajastettu taustaprosessi käy läpi jopa 100 mennyttä keskustelua, poimii toistuvat kaavat, työnkulut ja virheet, ja kirjoittaa sitten agentin muistivaraston uudelleen korkeamman signaalin saavuttamiseksi. Alkuperäiset istuntotiedot säilytetään muuttumattomina – agentti omaksuu nämä muistipäivitykset vain eksplisiittisesti, ja kehittäjät voivat halutessaan tarkastaa muutokset ennen kuin muisti muuttuu .

Mekanismi mahdollistaa käytännössä sen, että agentit paranevat ajan myötä ilman suoraa uudelleenkoulutusta. Se on tällä hetkellä saatavilla tutkimuskokeiluna ja vaatii käyttöoikeuden hakemista .

Outcomes (julkinen beta) tuo strukturoidut onnistumiskriteerit. Erillinen arvioija toimii eristetyssä konteksti-ikkunassa ja arvostelee agentin tuotoksen kehittäjän määrittelemiä arviointimittareita vasten. Jos pistemäärä jää alle raja-arvon, agentti yrittää automaattisesti uudelleen .

Multi-Agent Orchestration (julkinen beta) sallii pääagentin pilkkoa monimutkaiset tehtävät ja jakaa työn erikoistuneiden aliagenttien laivastolle – jokaisella oma malli, kehote ja työkalut – jotka toimivat rinnakkain jaetulla tiedostojärjestelmällä .

Webhooks (julkinen beta) mahdollistaa agenttien lähettää ilmoituksia ulkoisiin järjestelmiin tehtävien valmistuttua. Tämä siirtää agenttimaiset työnkulut keskustelupohjaisista tapahtumaohjautuviksi .

Muut julkistukset

Hallittujen agenttien ominaisuuksien lisäksi Code with Claude sisälsi useita muita lanseerauksia:

• Claude Finance: Kymmenen valmiiksi rakennettua taloushallinnon agenttia, ja lisäksi "Finance Agent v1.1" -agentin kerrottiin saavuttaneen 64,4 prosentin vertailutuloksen .
• Add-ins: Uusi laajennettavuusmekanismi ulkoisten työkalujen integroimiseksi Clauden käyttöliittymään .
• SpaceX-laskentakumppanuus: Sopimus, joka kaksinkertaisti Claude Coden käyttökiintiöt SpaceX:n Colossus-supertietokoneella, viestien Anthropicin kunnianhimosta korkean mittakaavan laskentatehon saatavuudessa .
• Dynamic Workflows: Claude Coden sisällä toimiva tutkimuskokeilu, joka käynnistää kymmenistä satoihin rinnakkaisia aliagentteja tarkastamaan tuotokset ennen raportointia .

Claude Coden vertailuarvot: 87,6 % SWE-bench-tulos ja sen yli

Claude Coden otsikkoluku vertailuissa on sen 87,6 prosentin tulos SWE-bench Verified -listalla, saavutettuna Claude Opus 4.7:llä adaptiivisessa tilassa . Tämä tulos on korkein julkaistu pistemäärä yleisesti saatavilla olevien tekoälykoodausagenttien joukossa kesäkuussa 2026.

SWE-bench Verified on kuratoitu 500 oikean maailman GitHub-ongelman joukko avoimen lähdekoodin Python-projekteista, jotka agenttien on ratkaistava alusta loppuun. Siitä on tullut alan standardiviite agenttimaiselle ohjelmistokehitykselle, ja Claude Coden nousu tällä tulostaulukolla – 80,9 prosentista Opus 4.5:llä 87,6 prosenttiin Opus 4.7:llä – on ollut tuotteen keskeinen narratiivi .

Adaptiivinen ajoympäristö

Lukema 87,6 % ei ole staattinen. Se riippuu mallista, kehotteesta ja "ajoympäristöstä" – ajonaikaisesta ympäristöstä, joka organisoi työkalujen käytön. Claude Opus 4.7:n adaptiivinen tila jakaa laskentaresursseja dynaamisesti tehtävän mukaan, lähettäen enemmän resursseja monimutkaisiin refaktorointeihin. Pelkkä Claude Code ilman tätä adaptiivista ajoympäristöä saavuttaa 80,8 % samassa vertailussa .

Vaikeammalla SWE-bench Pro -vertailussa – joka testaa vaikeampien oikean maailman ongelmien ratkaisua – Opus 4.7 sai 64,3 %, edellä malleja GPT-5.4 (57,7 %), GPT-5.5 (58,6 %) ja Gemini 3.1 Pro (54,2 %) . Opus 4.8 nosti myöhemmin SWE-bench Pro -tuloksen 69,2 prosenttiin .

Muut vertailuarvot ja kilpailuasetelma

Claude Coden suorituskyky ulottuu useisiin vertailuihin:

• Terminal-Bench 2.0: 69,4 % Opus 4.7:llä .
• CursorBench: 70 % Opus 4.7:llä, nousten 58 prosentista Opus 4.6:lla .
• MCP-Atlas: 77,3 % työkalujen käytön suorituskyvyssä .

Sokkoutetuissa koodinlaatuarvioissa Claude Code voittaa 67 % vertailuista kilpailijoihin nähden .

On syytä huomata, että kilpailuasetelma pysyy liikkeessä. OpenAI:n GPT-5.5 käväisi hetkellisesti SWE-bench Verified -listan kärjessä 88,7 prosentilla vuoden 2026 puolivälissä, luoden asetelman, jossa Claude Code johti SWE-bench Prossa ja GPT-5.5 johti Verified-listalla . Tulostaulukot kehittyvät edelleen jokaisen mallijulkaisun myötä.

Projektitason autonomia: Anthropicin erilaistumisstrategia

Anthropicin positiointi Claude Codelle on kiteytynyt pitkän aikavälin autonomian käsitteen ympärille. Claude Opus 4.8 kuvataan mallina, jolla on "johdonmukaisuus ja autonomia jatkaa pitkäkestoisten tehtävien parissa", ja se on erityisesti leimattu "Anthropicin kyvykkäimmäksi malliksi monimutkaiseen päättelyyn, pitkän aikavälin agenttikoodaukseen ja korkean autonomian työhön" .

Tämä painotus jatkuvaan, itsenäiseen toimintaan kertaluontoisten toimeksiantojen sijaan on se, missä Claude Code erottuu selkeimmin. Ominaisuudet kuten dreaming, adaptiivinen laskennan allokointi ja monen agentin orkestrointi viittaavat kaikki filosofiaan, jossa agentin odotetaan toimivan yli istuntojen, oppivan omasta tuotoksestaan ja hallitsevan monimutkaisia, useita tiedostoja käsittäviä projekteja minimaalisella kehittäjän väliintulolla.

Anthropic on myös alkanut korostaa mallin rehellisyyttä kilpailuetuna. Opus 4.8:n julkistus painottaa mallin halukkuutta ilmaista epävarmuutensa ja välttää perusteettomia väitteitä – käytännönläheinen, turvallisuuteen suuntautuva kehystys, joka on tarkoitettu kehittäjille, joiden on voitava luottaa agenttinsa tuotokseen tuotantoympäristöissä .