Claude уже помогает создавать следующую версию себя. Что это значит для тех, кто всё ещё использует AI как чат-бота

Игорь Телегин на связи! Коллеги, пока мы просим нейросети «переписать письмо покороче» и «придумать десять идей для поста», внутри Anthropic происходит куда более интересный эксперимент.

Claude уже не просто отвечает на вопросы разработчиков. Он пишет код Anthropic, запускает эксперименты, ищет ошибки и участвует в создании следующего поколения самого Claude.

И вот цифры, после которых выражение «AI-помощник» начинает звучать немного устаревшим.

По свежему отчёту Anthropic:

• более 80% кода, который попадает в основной репозиторий компании, уже написано Claude;
• типичный инженер Anthropic во втором квартале 2026 года добавлял в 8 раз больше кода в день, чем в 2024-м;
• Claude ведёт 26% задач по исследованию и разработке новых моделей — получает цель верхнего уровня и самостоятельно проходит большую часть пути до результата;
• более 90% R&D-задач выполняются хотя бы в режиме сотрудничества человека и Claude.

А на самой популярной внутренней платформе Anthropic одновременно работают около 30 тысяч AI-агентов.

Это уже не один чат, в котором разработчик просит дописать функцию. Скорее, цифровая команда: один агент изучает проблему, другой пишет код, третий проверяет результат, а человек задаёт направление и принимает финальное решение.

И да, и нет.

Anthropic использует шкалу из шести уровней автоматизации. На уровне «сотрудничает» AI делает большие куски работы, но человек постоянно направляет его. На уровне «ведёт» человек формулирует задачу, а модель сама разбирается с логами, пишет и тестирует исправление, обрабатывает сюрпризы и приносит готовый отчёт на проверку.

Но полностью автономного режима пока нет. Claude не решает сам, какую модель компании выпускать следующей, не выбирает стратегию исследований и не отправляет изменения в production без человека.

Проще говоря: руки у AI уже очень быстрые, но руль пока у человека.

Раньше ценился тот, кто быстрее пишет код, собирает таблицы, ищет источники или делает двадцать вариантов текста.

Теперь узким местом становятся другие навыки:

• правильно выбрать задачу;
• дать модели нужный контекст и инструменты;
• объяснить, по каким критериям результат считается готовым;
• проверить не только красивый ответ, но и фактический результат;
• понять, когда AI уверенно несёт ерунду.

Anthropic приводит показательный пример: в апреле Claude сделал больше 800 исправлений и сократил определённый класс API-ошибок примерно в тысячу раз. Инженер, который курировал работу, оценил ручное выполнение такой задачи в четыре года.

Не потому, что человек не способен найти каждую ошибку. Просто человеку плохо подходит монотонная работа с огромным количеством чужого контекста. А агенту — отлично.

Большинство людей всё ещё разговаривает с сильной моделью как с поисковой строкой:

«Расскажи, как улучшить мой проект».

Попробуйте вместо этого поставить задачу как сотруднику:

«Изучи материалы проекта. Найди три главные причины, которые мешают росту. Для каждой приведи доказательства из данных, предложи исправление и способ проверки. Не ограничивайся советами: подготовь готовые изменения. Перед любым необратимым действием остановись и запроси подтверждение».

В этой формулировке есть пять вещей, которые превращают чат-бота в агента:

1. Контекст — что именно изучить.
2. Цель — какой результат нужен.
3. Критерии — чем подтвердить вывод.
4. Действие — не только рассказать, но и сделать.
5. Граница полномочий — где обязательно нужен человек.

Этот шаблон работает не только в программировании. Его можно применить к анализу конкурентов, контент-плану, рекламной кампании, финансовой модели или разбору отзывов клиентов.

Есть три важных ограничения.

Во-первых, строки кода — не то же самое, что реальная продуктивность. Сама Anthropic признаёт, что рост в 8 раз почти наверняка завышает фактический выигрыш.

Во-вторых, часть оценки делали модели Claude. Компания сравнила их с людьми: точное совпадение составило 59%, а расхождение не больше чем на один уровень — 97%. То есть метод полезный, но не безошибочный.

В-третьих, 0% измеренных задач пока выполняются полностью автономно. За громким заголовком всё ещё стоят инженеры, ревью, мониторинг и право человека нажать «стоп».

Если темп сохранится, следующая большая гонка пойдёт не только за «самую умную модель». Компании будут соревноваться в том, кто лучше соберёт вокруг неё систему из агентов, инструментов, памяти, проверок и человеческого контроля.

И здесь для обычного пользователя хорошая новость: ждать момента, когда AI научится делать вообще всё сам, не нужно. Уже сейчас можно получить сильный прирост, если перестать просить нейросеть лишь советовать и начать делегировать ей законченные участки работы.

Главный навык ближайших лет — не писать идеальный промпт с магическими словами. Главный навык — правильно ставить задачу, давать контекст и проверять результат.

А вы уже отдаёте AI целые задачи или пока используете его в основном как умный чат? Напишите в комментариях — интересно сравнить реальные сценарии.

P.S. Больше практических разборов нейросетей и новых инструментов — в моём Telegram-канале.

Источники: отчёт Anthropic о роли AI в разработке AI, исследование

Anthropic о рекурсивном самоулучшении, разбор Associated Press.