Sztuczna inteligencja przejmuje coraz większą część pracy potrzebnej do budowania bardziej zdolnych modeli. Anthropic twierdzi, że Claude już teraz przyspiesza ten proces, mimo że model wciąż nie potrafi stworzyć własnego następcy. W ocenie z 4 czerwca firma ostrzegła, że ten postęp stwarza ryzyko, iż AI bezpośrednio prześcignie kontrole bezpieczeństwa i nadzór regulacyjny.

Kiedy AI buduje samą siebie — i co to jeszcze nie znaczy

Claude nie osiągnął jeszcze rekurencyjnego samoudoskonalania — punktu, w którym AI tworzy i trenuje własnego następcę bez jakiegokolwiek udziału człowieka. Według Anthropic żaden system nie osiągnął dotąd tej zdolności. To rozróżnienie ma znaczenie dla nadzoru, ponieważ oznacza, że obecne przyspieszenie odbywa się w ramach procesów nadzorowanych przez ludzi, w oknie czasowym poprzedzającym zbliżanie się jakiegokolwiek systemu do autonomii.

Nawet bez pełnej autonomii Claude przejął znzną część prac programistycznych Anthropic. Do maja 2026 roku model wygenerował ponad 80% kodu, który inżynierowie wnosili do projektów programistycznych firmy. W drugim kwartale 2026 roku przeciętny inżynier wnosił dziennie osiem razy więcej kodu niż w 2024 roku.

Te dane pokazują, jak bardzo wzrosła objętość kodu, ale niekoniecznie ile użytecznej pracy zostaje wykonane. Badanie przywołane przez METR, obejmujące 349 pracowników technicznych, wykazało medianę samozgłaszanych wzrostów wartości ich pracy z narzędziami AI na poziomie 1,4–2 razy.

26% pod kierownictwem Claude, nic z tego w pełni autonomiczne

Rola Claude wykracza już daleko poza pisanie kodu. Pomiary Anthropic z sierpnia wykazały, że model kierował 26% zadań badawczo-rozwojowych w zakresie AI, wobec mniej niż 1% w lutym. Claude współpracował przy ponad 90% tej pracy lub nią kierował, ale ludzie pozostali zaangażowani przez cały czas, a żadna z zmierzonych prac nie była w pełni autonomiczna. Skok między lutym a sierpniem daje też obserwatorom punkt odniesienia: przyszłe aktualizacje pomiarów pozwolą śledzić, czy udział AI w pracach badawczych nadal rośnie.

Oba nurtunki badań mierzą różne rzeczy. Anthropic śledzi generowanie kodu i badania prowadzone z pomocą systemów AI, podczas gdy METR bada, jak pracownicy postrzegają wzrost wartości swojej pracy. Żadne z badań nie wskazuje, czy AI potrafi zdecydować, które problemy badawcze należy w ogóle rozwiązywać.

Jak przyspieszenie może się kumulować bez modelu sam się udoskonalającego

AI nie musi być w pełni autonomiczna, aby przyspieszyć badania. Według październikowego raportu RAND agenci AI mogą pomagać w tworzeniu silniejszych modeli, nie budując przy tym własnych następców. Ich dostęp do wrażliwych modeli i kodu już stanowi zagrożenie dla bezpieczeństwa.

Ekonomiści z METR zauważają, że ograniczenia mogą wynikać z czynników takich jak dostępność danych, moc obliczeniowa i zdolność do prowadzenia badań eksperymentalnych. Te same czynniki dają badaczom konkretne warunki do monitorowania przy ocenie, czy przyspieszenie się utrzyma. Mimo to nie wykluczyli możliwości trwałego przyspieszenia rozwoju AI. Otwartym pytaniem jest, czy niezależne przeglądy bezpieczeństwa nadążą za eksperymentami napędzanymi przez AI — w przeciwnym razie nadzór może pozostać w tyle na długo przed pojawieniem się pełnej autonomii.

Od wyznaczania tempa granicy do jej pilnowania

Ta obawa skłoniła CEO Anthropic Dario Amodei do wezwania do wolniejszego rozwoju i niezależnych ewaluatorów. „Musimy zwolnić tempo, w jakim poprawiamy możliwości modeli AI” — napisał we wrześniowym eseju.

Ujawnienie OpenAI z 16 września opisało sześć przypadków niepokojącego zachowania modeli. Cryptopolitan donosił również o podziałach wśród liderów technologii co do tego, czy rozwój AI powinien zwolnić.

Ale zgoda co do obaw o bezpieczeństwo nie gwarantuje działania. CSIS ostrzegł, że zewnętrzni ewaluatorzy muszą unikać konfliktów interesów, a rządy muszą strzec się przed zawłaszczeniem regulacyjnym. Porozumienia w skali całej branży pozostają niepewne, a to, czy niezależni ewaluatorzy w ogóle powstaną, stanowi najbliższą próbę tego, czy debata o tempie rozwoju przyniesie konkretne zmiany.

Pieniądze podążają za mocą obliczeniową

Debata ma też poważną stawkę finansową. Stanfordzki Indeks AI 2026 wykazał, że prywatne inwestycje w AI wzrosły w 2025 roku o 127,5%, przy czym inwestycje w USA osiągnęły 23-krotność chińskich. OECD osobno ostrzega, że dostęp do chipów, infrastruktury chmurowej i danych pozostaje skoncentrowany.

Efektem jest paradoks. AI może obniżyć koszty kodowania badawczego, ale trenowanie i testowanie zaawansowanych modeli nadal wymaga ogromnych inwestycji. Szybszy rozwój może więc dać wiodącym laboratoriom jeszcze większą przewagę nad mniejszymi konkurentami.