Anthropic自评：R&D自动化率26%，但完全自主为0

Anthropic 发布了其首个内部 R&D Automation Index，指出 Claude 在其人工智能研发工作中承担了 26% 的任务，涉及超过 90% 的整体 R&D 工作流。

这一披露立即引发了一轮报道，声称模型正在构建自己的后继者。但当你审视该实验室如何定义其自动化层级时，实际操作情况要狭窄得多：Anthropic 内部的完全无人值守自动化率目前为零。

自动化层级的结构

该指数将内部工程与研究任务划分为三个操作级别：

Leads（26%）：模型从高层提示完成端到端任务的大部分，但由工程师监督运行，并在结果进入生产环境前进行验证。

Collaborates 或更高（90%+）：模型在直接人工迭代下处理大量代码、数据解析或测试生成。

Fully autonomous（0%）：系统在无人工干预的情况下规划、执行、验证和部署。

相关披露中提到，2026 年 8 月 Anthropic 内部集群中约有 30,000 个活跃 AI agent 会话。这一数字反映的是自动化批量工作力，而非一个自己做产品决策的人工智能研究员。

30,000 个 agent 会话实际在做什么

在任何现代模型开发流水线中，绝大部分工程时间都花在操作性苦工上：

• 在集群上启动分布式测试运行。
• 为合成数据集编写样板数据清理流水线。
• 在环境变更后对失败的单元测试进行分类和解析堆栈跟踪。
• 在内部基准套件上运行回归评估并对比分数。

这些都是高摩擦、有边界的 workflow。开发者给 agent 一个目标 schema、一个 eval 脚本和一个 git branch，然后在 agent 完成后审查 PR diff。

当 Anthropic 说 Claude 承担了 26% 的内部工作时，意味着工程师可以将有边界的任务委托给后台 worker 进程，而不必手动编写每个测试工具。模型生成草稿产物，但人类工程师仍然决定资助哪些假设、信任哪些 eval 套件，以及发布哪个 checkpoint。

辅助执行与失控循环之间的鸿沟

递归自我改进的概念假设了一个自主循环：AI 编写一个更好的自己版本，部署到生产环境，并在无人工审批的情况下加速下一个周期。

Anthropic 的指标揭示了为什么这种心智模型在生产软件中失效。编写代码在模型开发中很少是主要瓶颈。真正的瓶颈是计算预算、数据集质量、硬件可靠性和评估设计。模型无法自主分配它不控制的集群，也无法根据未编写的标准评估安全阈值。

在 30,000 个活跃 agent 会话中实现零无人值守执行，这展示了 2026 年 agent 系统的现状。它们是重复性工程步骤的有效力量倍增器，但它们仍然是绑定在人工验证上的工具。