Kiedy AI buduje samą siebie – wewnętrzne dane Anthropic i apel o spowolnienie, zanim będzie za późno

Nie chodzi tu tylko o wzrost efektywności. To fundamentalna zmiana strukturalna w procesie tworzenia oprogramowania. Konsekwencją jest to, że inżynierowie Anthropic dostarczają średnio osiem razy więcej kodu na kwartał w porównaniu do okresu bazowego z lat 2021–2025 . Wąskie gardło nie leży już w pisaniu i testowaniu, ale w planowaniu, architekturze i osądzie na wyższym poziomie.

Wydajność w benchmarkach wysyca się w oszałamiającym tempie

Raport pokazuje harmonogram zawrotnego przyspieszenia w kilku standardowych miarach kompetencji inżynierskich i badawczych :

• SWE-bench (rzeczywista inżynieria oprogramowania): Pod koniec 2023 roku modele osiągały wynik około 2%. W momencie publikacji raportu Claude uzyskał 93,9%, praktycznie wysycając test zaprojektowany do oceny zdolności naprawiania błędów na poziomie człowieka w realnych projektach na GitHubie .
• CORE-Bench (reprodukowanie opublikowanych badań): Wskaźnik sukcesu AI skoczył z około 20% w 2024 roku do całkowitego wysycenia benchmarku zaledwie piętnaście miesięcy później .
• Optymalizacja kodu treningowego AI: Ten wewnętrzny benchmark, który polega na optymalizacji kodu uczącego mały model językowy, zaliczył oszałamiający skok. W maju 2025 roku średnie przyspieszenie wynosiło 2,9 raza. Do kwietnia 2026 roku, z nieopublikowanym jeszcze modelem Claude Mythos Preview, było to 52 razy . Doświadczony programista, pracując samodzielnie, potrzebowałby czterech do ośmiu godzin, by osiągnąć 4-krotną poprawę; obecna generacja Claude’a przekracza 50-krotność .

Czas autonomii podwaja się co cztery miesiące

Być może najważniejszą metryką do prognozowania rekurancyjnego samodoskonalenia jest długość zadań autonomicznych. Badania METR śledzą, jak długo AI może pracować samodzielnie przy 50-procentowym wskaźniku sukcesu. Ten horyzont zadań wydłużył się z około 30 sekund w 2022 roku do 12 godzin przy użyciu Claude Opus 4.6 w kwietniu 2026 roku – to 1440-krotny wzrost . Claude Mythos Preview może pracować autonomicznie przez co najmniej 16 godzin, co jest wartością bliską górnej granicy możliwości pomiarowych METR . Tempo podwajania się tego horyzontu przyspieszyło z siedmiu do czterech miesięcy .

Jedna trzecia pracy z asystą AI była wcześniej niepraktyczna

Dane ilościowe dotyczące kodu i benchmarków idą w parze z wewnętrznymi badaniami nad produktywnością. Analiza 200 000 wewnętrznych transkryptów Claude’a i 53 pogłębionych wywiadów wykazała, że 27% zadań wykonanych z pomocą AI to prace, których pracownicy po prostu by się nie podjęli bez wsparcia sztucznej inteligencji – koszt czasowy czynił je wcześniej całkowicie niepraktycznymi . Tu nie chodzi o automatyzację istniejącej pracy, ale o poszerzenie horyzontu tego, co w ogóle można próbować zrobić. W oddzielnym, wewnętrznym badaniu z listopada 2025 roku pracownicy zadeklarowali, że używają Claude’a przy 60% swojej pracy i szacują wzrost produktywności na 50%, w porównaniu do 20% rok wcześniej .

Wyhamować czy tylko zabezpieczyć? Rosnący rozłam w branży

Stanowisko Anthropic jest jednoznaczne. Firma pisze: „Jeszcze tam nie jesteśmy, a rekurancyjne samodoskonalenie nie jest nieuniknione. Ale może nadejść szybciej, niż większość instytucji jest na to przygotowana” . Przekonuje, że globalna zdolność do wstrzymania lub spowolnienia prac nad AI byłaby „prawdopodobnie czymś dobrym” i wprost apeluje do innych laboratoriów o rozważenie takiego kroku .

Tymczasem w tym samym tygodniu działania OpenAI malują zupełnie inny obraz. 3 czerwca OpenAI opublikowało agendę polityczną, w której wzywa do stworzenia federalnych ram bezpieczeństwa dla AI nowej generacji, z obowiązkową oceną modeli i ochroną sygnalistów, ale z jednym kluczowym zastrzeżeniem: federalne regulacje mają wypierać (preempt) przepisy bezpieczeństwa na poziomie poszczególnych stanów . OpenAI wprost prosi federalny instytut bezpieczeństwa CAISI o priorytetowe monitorowanie postępów w kierunku rekurancyjnego samodoskonalenia . Jednocześnie firma aktywnie rekrutuje na wypadek tego właśnie ryzyka, tworząc stanowisko „Badacza ds. gotowości na rekurancyjne samodoskonalenie” w swoim zespole bezpieczeństwa z wynagrodzeniem od 295 000 do 445 000 dolarów rocznie . Praca ramowana jest jako problem „utraty kontroli”, który wymaga „smakowicie strategicznego” (ang. tasteful and strategic) podejścia do ryzyk, które „mogą istnieć w przyszłości, ale mogą nie istnieć teraz” .

Oba laboratoria widzą tę samą nadciągającą falę. Anthropic apeluje do całej floty, by zwolniła, podczas gdy OpenAI zatrudnia ratowników i argumentuje, że żaden pojedynczy stan nie powinien zakazywać pływania.

Trzy kroki do samobudującej się AI

Wpis na blogu kreśli trzystopniową trajektorię prowadzącą do ostatecznego ryzyka :

1. Przyspieszenie kierowane przez człowieka (dzieje się teraz): AI asystuje inżynierom, pisząc większość kodu, ale to ludzie wyznaczają cele i sprawują osąd.
2. Autonomiczne badania i inżynieria: AI może od początku do końca przeprowadzać dobrze sprecyzowane eksperymenty bez ludzkiego kierowania metodami; nadal jednak brakuje jej zdolności do wyznaczania celów i osądu na wysokim poziomie.
3. Pełne rekurancyjne samodoskonalenie („zamknięcie pętli”): AI w pełni autonomicznie projektuje, buduje i trenuje swoją następczynię, przy minimalnym lub zerowym nadzorze człowieka.

Współzałożyciel Anthropic, Jack Clark, w osobnej wypowiedzi oszacował prawdopodobieństwo zamknięcia tej „pętli” do końca 2028 roku na 60% . Wewnętrzne dane z posta z 4 czerwca dostarczają twardych dowodów na to, że ta prognoza nie jest odległą hipotezą, a projekcją opartą na krzywej, która już teraz wyraźnie wygina się w górę.