Badanie oczekiwań wobec AI Anthropic ujawnia 52-punktową lukę między pracownikami a społeczeństwem
Anthropic opublikował badanie pokazujące uderzający podział: 91% jego pracowników oczekuje, że AI dokona odkrycia na poziomie Nagrody Nobla do 2030 roku, wobec 39% dorosłych Amerykanów. Badanie oczekiwań wobec AI Anthropic nie pokazuje jedynie, że pracownicy są bardziej optymistyczni. Ujawnia, jak odmiennie ludzie oceniają przyszłość po codziennej pracy z zaawansowaną AI.
Różnice zdań wykraczają daleko poza badania naukowe. Pracownicy Anthropic oczekują, że AI wykona znacznie większą część ich pracy, szybciej rozpowszechni się w firmach i przyniesie większe wzrosty produktywności. Obie grupy łączą jednak szerszą automatyzację pracy z wyższym bezrobociem.
To tworzy centralny konflikt. Osoby najbliższe modelom granicznym przewidują niezwykły postęp, lecz ich doświadczenie nie jest reprezentatywne dla szerszej gospodarki. Badanie rejestruje świadome oczekiwania osób z branży, a nie niezależnie zmierzone prognozy.
Co faktycznie wykazało badanie Anthropic
Największa różnica dotyczy tempa przyszłego postępu, a nie tego, co AI potrafi już dziś.
Anthropic opublikował swoje badanie oczekiwań wobec AI 16 października 2026 roku. Autorami raportu są badacze Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek i Peter McCrory.
Morning Consult przeprowadził online ankietę wśród 10 980 dorosłych mieszkańców USA między 11 a 23 sierpnia. Odpowiedzi ważono tak, aby reprezentowały krajową populację dorosłych.
Anthropic osobno przebadał 1 334 pracowników od 9 do 12 sierpnia. Ta wewnętrzna próba nie była ważona i obejmowała pracowników z całej firmy.
Respondenci oceniali osiem aktywności, od pisania rutynowych e-maili po dokonanie przełomowego odkrycia naukowego na poziomie Nagrody Nobla. Pytano ich, kiedy AI będzie wykonywać każdą z tych czynności równie dobrze jak wykwalifikowany specjalista.
Obie grupy w dużej mierze zgadzały się co do obecnych możliwości AI. Około jedna czwarta respondentów z obu prób uważała, że AI już teraz potrafi projektować, prowadzić i publikować badania naukowe.
Ich oczekiwania później wyraźnie się rozeszły. Dziewięciu na dziesięciu pracowników Anthropic oczekiwało takiej zdolności badawczej do 2027 roku, wobec 38% społeczeństwa.
Najbardziej nagłośniona różnica dotyczyła nauki na poziomie Nagrody Nobla. Do 2030 roku 91% pracowników oczekiwało, że AI dokona takiego odkrycia. Tę samą odpowiedź podało jedynie 39% dorosłych Amerykanów.
Kolejne badanie, przeprowadzone wśród 7 613 dorosłych Amerykanów między 17 a 24 września, przyniosło odsetek 44% oczekujących odkrycia na poziomie Nagrody Nobla do 2030 roku.
Ten wzrost nie zlikwidował luki. Pokazał jednak, że precyzyjny szacunek dotyczący społeczeństwa częściowo zależy od doboru próby i terminu badania.
Sformułowanie „odkrycie na poziomie Nagrody Nobla” również wymaga ostrożności. Pytanie mierzy, czy respondenci oczekują, że AI dokona odkrycia o takim znaczeniu. Nie określa, ile ludzkiego kierownictwa, pracy eksperymentalnej ani walidacji instytucjonalnej byłoby w to zaangażowane.
Wynik naukowy może pochodzić z systemu AI, a mimo to wymagać weryfikacji przez zespoły ludzi. Publikacja, replikacja i uznanie pozostawałyby odrębnymi etapami.
Historyczny punkt odniesienia nie jest już hipotetyczny. Nagroda Nobla w dziedzinie chemii za 2024 rok wyróżniła Demisa Hassabisa i Johna Jumpera za przewidywanie struktury białek z użyciem AlphaFold2.
Sukces AlphaFold nie rozstrzyga jednak pytania postawionego w badaniu. Nagroda uhonorowała badaczy, którzy stworzyli system AI, a nie autonomiczny system otrzymujący uznanie za własne odkrycie.
To rozróżnienie ma znaczenie, ponieważ respondenci mogli różnie interpretować „AI dokonującą odkrycia”. Niektórzy mogli wyobrażać sobie model samodzielnie formułujący i testujący teorię. Inni mogliby zaliczyć do tego odkrycia dokonane przez naukowców wykorzystujących narzędzia AI.
Badanie oczekiwań wobec AI Anthropic wskazuje zatem na rzeczywistą lukę w oczekiwaniach, nie definiując wszystkich jej granic. Wynik najlepiej traktować jako dowód dotyczący przekonań, a nie potwierdzoną oś czasu osiągnięć naukowych.
Luka w oczekiwaniach wobec AI wynika z codziennego kontaktu
Pracownicy Anthropic wydają się ekstrapolować doświadczenia ze środowiska, w którym AI jest już osadzona w rutynowej pracy.
Korzystanie z AI dzieli społeczeństwo na grupy o zauważalnie odmiennych prognozach. Około jedna piąta ankietowanych dorosłych stwierdziła, że regularnie używa AI w pracy.
Wśród tych regularnych użytkowników 56% oczekiwało, że AI opanuje co najmniej siedem z ośmiu badanych aktywności do 2030 roku. Wśród wszystkich dorosłych Amerykanów odsetek ten wynosił 41%.
Jedynie 28% osób, które nigdy nie korzystały z narzędzia AI, oczekiwało takiego poziomu możliwości. Wśród pracowników Anthropic wskaźnik sięgnął 96%.
Ta sekwencja sugeruje, że bezpośredni kontakt zmienia oczekiwania. Osoby regularnie korzystające z AI przewidują większy postęp niż osoby jej nieużywające, choć nadal są mniej pewne niż pracownicy Anthropic.
Doświadczenie nie dowodzi trafności prognoz. Części użytkownicy mogą obserwować możliwości, których okazjonalni użytkownicy jeszcze nie napotkali. Mogą też nadmiernie uogólniać na podstawie wyjątkowo sprzyjających zadań i środowisk.
Anthropic to przypadek skrajny. Jego pracownicy tworzą modele graniczne, otrzymują wczesny dostęp do systemów wewnętrznych i pracują w procesach zaprojektowanych wokół tych systemów.
Powiązane badania nad zatrudnieniem firmy Anthropic wykazały, że do sierpnia godziny interaktywnej pracy agentów AI przewyższały liczbę godzin pracowników w stosunku sześć do jednego. Agent AI to system wykonujący wieloetapową pracę przy ograniczonym nadzorze.
Anthropic zgłosił również wyższą produkcję kodu na osobę, więcej transakcji sprzedażowych zamkniętych przez przedstawiciela oraz więcej przetworzonych umów prawnych wraz z rozszerzaniem użycia agentów. Ustalenia te pochodziły z własnych danych firmy dotyczących miejsca pracy.
To środowisko wyraźnie różni się od szpitala, firmy budowlanej, okręgu szkolnego czy regionalnego sprzedawcy detalicznego. Większość organizacji nie dysponuje porównywalnymi modelami, wsparciem technicznym, przepływami pracy ani zachętami.
Wdrożenie zależy też od czegoś więcej niż od tego, czy system potrafi technicznie wykonać zadanie. Firmy muszą zintegrować go z danymi, przypisać odpowiedzialność, monitorować błędy oraz spełniać oczekiwania klientów i regulatorów.
Ankietowani dorośli dostrzegali te bariery. Najczęściej wskazywaną przeszkodą było to, że klienci woleliby kontakt z drugą osobą.
Tuż za nią znalazły się prywatność i bezpieczeństwo, a następnie niewystarczająca niezawodność oraz ograniczenia prawne lub regulacyjne. Respondenci mogli wskazać do trzech przeszkód.
Regularni użytkownicy AI w miejscu pracy umieścili prywatność i bezpieczeństwo na pierwszym miejscu. Ta odpowiedź podważa tezę, że znajomość technologii po prostu rodzi bezwarunkowy optymizm.
Ludzie mogą być coraz bardziej pod wrażeniem możliwości AI, a jednocześnie coraz lepiej rozumieć ryzyko jej wdrażania. Bezpośrednie doświadczenie ujawnia zarówno szybkość, jak i tarcie.
Pracownicy Anthropic mimo to przewidują szersze wdrożenie. Oczekiwali, że do 2030 roku AI będzie używana w 65% zadań, które będzie mogła wykonać.
Dorośli Amerykanie oczekiwali, że firmy będą używać AI w 42% technicznie odpowiednich zadań. Ta 23-punktowa luka dotyczy upowszechniania, a nie surowych możliwości modeli.
Różnica ta może okazać się ważniejsza gospodarczo niż pytanie o Nagrodę Nobla. Pojedyncze historyczne odkrycie przyciągnęłoby uwagę, ale szerokie wdrożenie przekształciłoby miliony zwykłych przepływów pracy.
Luka w oczekiwaniach wobec AI nie jest więc po prostu różnicą między osobami z branży a osobami spoza niej. To spór o to, jak szybko zdolność techniczna staje się akceptowana, niezawodna i rutynowa.
Badanie oczekiwań wobec AI Anthropic stawia miejsca pracy w centrum uwagi
Pracownicy najbliżsi zaawansowanym modelom oczekują znacznie większej automatyzacji własnej pracy, a nie tylko postępu w odległych dziedzinach nauki.
Średnio pracownicy Anthropic oczekiwali, że AI wykona 75% ich obecnych godzin pracy do 2030 roku. Zatrudnieni respondenci z USA podali średni szacunek na poziomie 28%.
Ponad połowa pracowników Anthropic oczekiwała, że AI obsłuży co najmniej 80% ich pracy. Takie oczekiwanie miało zaledwie 5% amerykańskich pracowników.
Nawet pracownicy technologiczni pozostawali daleko poniżej wewnętrznej prognozy. Respondenci zatrudnieni w zawodach informatycznych, inżynieryjnych i naukowych oczekiwali, że AI wykona 33% ich godzin pracy.
Regularni użytkownicy AI w tych zawodach szacowali ten udział na 40%. Było to więcej niż średnia dla społeczeństwa, ale wciąż o 35 punktów mniej niż wśród pracowników Anthropic.
Kontrast ten rodzi trudne pytanie dla pracodawców. Jeśli pracownicy Anthropic mają rację co do kierunku zmian, wiele organizacji nie docenia, jak szybko zmieni się praca oparta na wiedzy.
Jeśli rzeczywistość będzie bliższa oczekiwaniom społeczeństwa, przewidywania laboratoriów tworzących modele graniczne mogą odzwierciedlać nietypowe miejsce pracy, którego nie da się odtworzyć w całej gospodarce.
Automatyzacja pracy przez AI ma też dwa odrębne znaczenia. System może całkowicie zastąpić zadanie albo wykonać większość pracy, podczas gdy człowiek sprawdza rezultat.
Pracownicy Anthropic na ogół oczekiwali, że do 2030 roku AI będzie pracować samodzielnie lub tworzyć wyniki do sprawdzenia przez człowieka. Czterech na dziesięciu dorosłych Amerykanów oczekiwało natomiast, że ludzie zachowają większość pracy.
Różnica ta wpływa zarówno na produktywność, jak i zatrudnienie. Ludzka weryfikacja może zwiększać wydajność bez usuwania pracownika, ale może też zmniejszać liczbę potrzebnych osób.
Badanie wykazało jeden istotny obszar zgodności. Respondenci oczekujący, że AI przejmie większą część ich pracy, przewidywali również wyższe bezrobocie.
Pracownicy z USA oczekujący, że AI wykona mniej niż połowę ich pracy, prognozowali bezrobocie na poziomie od 7% do 8% w 2030 roku. Osoby oczekujące automatyzacji co najmniej 80% pracy prognozowały 12,2%.
Każde dodatkowe dziesięć punktów procentowych oczekiwanej ekspozycji pracy wiązało się ze wzrostem prognozowanego bezrobocia o 0,4 punktu. Pracownicy Anthropic wykazywali podobną zależność.
Grupy te nie wydają się więc stosować całkowicie odmiennych teorii rynku pracy. Różnią się przede wszystkim co do tego, jak dużą część pracy AI stanie się zdolna wykonywać.
Ten niuans odróżnia badanie od prostej opowieści o optymizmie i pesymizmie. Pracownicy Anthropic oczekują silniejszych możliwości, ale łączą je też z większą presją na rynku pracy.
Prognozy dotyczące ich własnej firmy dodają kolejny zwrot. Dziewięćdziesiąt pięć procent respondentów oczekiwało, że zatrudnienie w Anthropic wzrośnie w ciągu kolejnych 12 miesięcy.
Mediana oczekiwanego wzrostu zatrudnienia wyniosła 66%, a 27% respondentów oczekiwało co najmniej podwojenia liczby pracowników. Anthropic podkreślił, że były to osobiste oczekiwania, a nie oficjalne plany rekrutacyjne.
Automatyzacja i zatrudnienie mogą rosnąć jednocześnie w rozwijającej się firmie. Wyższa produktywność może obniżać koszty, tworzyć popyt i przesuwać pracowników ku nowym obowiązkom.
Taki wynik jest mniej pewny w dojrzałych branżach. Szybko rosnący twórca AI może zwiększać zatrudnienie przy jednoczesnej automatyzacji zadań, ponieważ jego rynek szybko się rozwija.
Kancelaria prawna, ubezpieczyciel lub dostawca usług zaplecza administracyjnego może mierzyć się z innym równaniem. Jeśli popyt pozostanie stabilny, większa produkcja na pracownika wywiera silniejszą presję na ograniczanie rekrutacji.
Wcześniejsze badania miejsc pracy oferują bardziej wyważone porównanie. Badanie terenowe NBER analizowało asystenta generatywnej AI używanego przez 5 179 agentów obsługi klienta.
Badacze stwierdzili średni wzrost produktywności, z większymi korzyściami dla mniej doświadczonych pracowników. Wynik pokazał, że AI może rozpowszechniać skuteczne praktyki bez zastępowania całego zawodu.
Ten wzorzec różni się od wewnętrznych zmian zatrudnienia w Anthropic. Firma podała, że wraz z rozszerzaniem użycia agentów młodsze stanowiska techniczne stanowiły mniejszą część rekrutacji.
Jeden kontekst sugeruje, że AI może pomóc nowym pracownikom szybciej nadrabiać braki doświadczenia. Drugi wskazuje, że pracodawcy mogą potrzebować mniej młodszych pracowników do zadań wymagających intensywnego wdrażania.
Oba zjawiska mogą być prawdziwe. AI może zwiększać produktywność osób już zatrudnionych, jednocześnie zmniejszając zapotrzebowanie na nowych pracowników na stanowiskach juniorskich.
Ta możliwość sprawia, że ścieżki rozwoju zawodowego na początku kariery stają się kluczową kwestią. Firmy nie mogą bez końca tworzyć doświadczonych pracowników, jeśli likwidują stanowiska, na których zdobywa się doświadczenie.
Wiedza od insiderów jest cenna, ale nie neutralna
Pracownicy Anthropic mają wyjątkowo istotne informacje, jednak ich ankieta pozostaje wewnętrznym badaniem, na które wpływają selekcja, bodźce i wspólne doświadczenia.
Pracownicy laboratorium z pogranicza technologii obserwują zachowanie modeli, którego opinia publiczna nie może łatwo dostrzec. Korzystają z wewnętrznych narzędzi i rozumieją tempo badań.
Z tego powodu ich prognozy zasługują na uwagę. Odrzucenie ich jako zwykłego korporacyjnego entuzjazmu oznaczałoby zlekceważenie potencjalnie użytecznych informacji.
Bliskość rodzi jednak własne uprzedzenia. Ludzie wybierają pracę w Anthropic częściowo dlatego, że wierzą w znaczenie zaawansowanej AI.
Pracownicy dzielą też sieci zawodowe, wewnętrzne narracje i codzienne przykłady skutecznego wykorzystania AI. Te wpływy mogą sprawiać, że ich przekonania są bardziej skorelowane, niż sugeruje liczba respondentów.
Ankieta wśród pracowników nie została ważona. Objęła 1 334 pracowników z całej firmy, lecz raport nie przedstawia ich jako reprezentatywnych dla badaczy AI ogółem.
Próba publiczna ma osobne ograniczenie. Morning Consult rekrutował uczestników internetowych paneli opt-in, wykluczając dorosłych bez dostępu do internetu.
Ważenie demograficzne może poprawić reprezentatywność krajową. Nie może jednak w pełni skorygować różnic między osobami dołączającymi do paneli internetowych a tymi, które tego nie robią.
Pytania o przyszłość podzielono również między lata 2027 i 2030 w przypadku próby publicznej. Wszystkich pracowników Anthropic pytano o rok 2030.
Autorzy przedstawili odpowiedzi dotyczące 2030 roku, o ile nie zaznaczono inaczej. Czytelnicy powinni jednak pamiętać, że niektóre publiczne szacunki pochodzą tylko z części pełnej próby.
Najbardziej ambitne liczby ekonomiczne z ankiety wymagają dodatkowej ostrożności. Badacze przełożyli odpowiedzi dotyczące zdolności, wdrażania, autonomii, produktywności i zmian wśród pracowników na model ekonomiczny.
Mediana odpowiedzi publicznych dała scenariusz wzrostu PKB o 5,4% w 2030 roku. Mediana odpowiedzi pracowników wskazała na wzrost o 17,1%.
Są to scenariusze wynikające z modelu, a nie bezpośrednie prognozy gospodarcze. Ćwiczenie przekłada zestaw przekonań poprzez założenia opracowane przez ekonomistów Anthropic.
Kolejna próba publiczna wskazała wzrost o 5,6%, co sugeruje pewną stabilność wyniku publicznego. Znacznie większy scenariusz pracowników pozostaje wrażliwy na sposób, w jaki oddziałują ze sobą dane wejściowe modelu.
Pracownicy Anthropic oszacowali również, że AI już wykonuje medianę 51% pracy potrzebnej do stworzenia modelu z pogranicza technologii z początku 2026 roku. Oczekiwali 80% do końca 2027 roku i 95% do 2030 roku.
Liczby te były szacunkami pracowników, a nie zweryfikowanymi pomiarami. Anthropic wyraźnie zaznaczył, że nie stanowią one prognozy firmy.
Zdefiniowanie mianownika jest trudne. „Praca potrzebna do stworzenia modelu” może obejmować programowanie, eksperymenty, pracę z danymi, ewaluacje, infrastrukturę, zarządzanie i ocenę badawczą.
Jeden pracownik może uznać wynik wspomagany przez AI za pracę wykonaną przez AI. Inny może uznać go za pracę człowieka wykonaną przy użyciu lepszego narzędzia.
Ankieta nie usuwa tej niejednoznaczności. Pokazuje natomiast, że pracownicy Anthropic postrzegają AI jako już wnoszącą znaczący wkład w rozwój modeli.
To przekonanie ma konsekwencje strategiczne, nawet jeśli szacunki okażą się zbyt wysokie. Zespoły będą projektować procesy pracy, plany rekrutacyjne i programy badawcze wokół tego, czego oczekują od systemów w następnej kolejności.
Przekonania mogą częściowo wzmacniać się same. Organizacja oczekująca szybkiej automatyzacji intensywniej inwestuje w agentów, zdobywając doświadczenie, które czyni szybszą automatyzację bardziej prawdopodobną.
Nie oznacza to, że to przekonanie jest błędne. Oznacza to, że prognoza AI pracowników Anthropic odzwierciedla zarówno obserwację, jak i instytucjonalne zaangażowanie.
Czytelnicy powinni zatem oprzeć się dwóm prostym wnioskom. Pierwszy głosi, że pracownicy posiadają tajną, precyzyjną mapę przyszłości.
Drugi, że ich poglądy są jedynie marketingiem. Dowody wspierają bardziej użyteczną interpretację: pracownicy dostarczają dobrze poinformowanego, lecz silnie wyselekcjonowanego sygnału.
Nauka na poziomie Nagrody Nobla jest punktem odniesienia, a nie skrótem do prognozowania
Porównanie z Nagrodą Nobla oddaje skalę ambicji, ale odkrycia naukowe zależą od systemów walidacji, których ankieta nie mierzy.
AI już wpływa na badania naukowe poprzez przewidywanie struktury białek, projektowanie cząsteczek, przegląd literatury, programowanie, symulacje i planowanie eksperymentów. Zastosowania te sprawiają, że naukowe pytanie ankiety jest wiarygodne.
Jednak wynik na poziomie Nagrody Nobla wymaga czegoś więcej niż przedstawienia nowatorskiej odpowiedzi. Badacze muszą wykazać, że rezultat jest poprawny, istotny, powtarzalny i powiązany z istniejącym dorobkiem naukowym.
Eksperymenty fizyczne często pozostają niezbędne. Model może zaproponować cząsteczkę, mechanizm lub twierdzenie, lecz propozycja może nie przetrwać kontroli laboratoryjnej lub naukowej oceny środowiskowej.
Instytucje naukowe także powoli i nierównomiernie przypisują zasługi. Odkrycie dokonane przez zespół człowiek-AI może prowadzić do wieloletniej debaty o autorstwie.
Ankieta pyta o możliwości niezależnie od tego, czy firmy je wdrożą. Pozwala to wyodrębnić oczekiwania dotyczące tego, co AI potrafi zrobić, ale usuwa wiele ograniczeń świata rzeczywistego.
Dostęp do zastrzeżonych danych, sprzętu laboratoryjnego, mocy obliczeniowej i ekspertów oceniających może decydować o tym, czy użyteczna hipoteza stanie się zweryfikowanym odkryciem.
Model może rozwiązać trudny problem rozumowania, nie zmieniając nauki. Z kolei wąski system może przekształcić dziedzinę, nie przypominając ogólnego autonomicznego naukowca.
AlphaFold pokazuje to rozróżnienie. Rozwiązał wieloletni problem przewidywania struktur białek i stał się szeroko używanym narzędziem badawczym.
Jego znaczenie wynikało z połączenia algorytmów, danych treningowych, pracy inżynierskiej ludzi, ewaluacji i wdrożenia przez naukowców. System AI nie działał poza tą strukturą instytucjonalną.
Odpowiedź na poziomie 91% może zatem reprezentować kilka różnych oczekiwań. Niektórzy pracownicy mogą przewidywać autonomicznych agentów badawczych, podczas gdy inni oczekują, że zespoły wspierane przez AI będą osiągać wyniki na poziomie nagród.
Scenariusze te niosą różne konsekwencje dla miejsc pracy i polityki. Autonomiczny system odkrywczy rodziłby pytania o nadzór, przypisywanie zasług i kontrolę.
Wysoce skuteczny asystent badawczy kładłby większy nacisk na dostęp, szkolenie oraz sposób organizacji pracy naukowców. Mógłby zwiększyć popyt na kompetencje eksperymentalne i interpretacyjne.
Ankieta łączy te możliwości pod jednym zapadającym w pamięć punktem odniesienia. Ułatwia to komunikację wyniku, lecz zmniejsza jego precyzję jako narzędzia planowania.
Organizacje powinny koncentrować się na obserwowalnych zdolnościach pośrednich. Obejmują one to, czy systemy formułują testowalne hipotezy, projektują poprawne eksperymenty, wykrywają własne błędy i odtwarzają wyniki.
Powinny też śledzić, czy niezależne laboratoria potrafią zweryfikować ustalenia wspomagane przez AI. Rezultat ogłoszony przez twórcę modelu ma mniejszą wagę niż wynik odtworzony gdzie indziej.
Postępu naukowego i automatyzacji pracy nie należy traktować jako identycznych trendów. Modele mogą stać się doskonałe w ograniczonych zadaniach badawczych, pozostając jednocześnie zawodne w codziennym środowisku biznesowym.
Możliwa jest również sytuacja odwrotna. AI mogłaby zautomatyzować ogromne ilości pracy biurowej bez osiągnięcia pojedynczego sukcesu naukowego zasługującego na globalne uznanie.
Ankieta Anthropic dotycząca oczekiwań wobec AI łączy te wyniki poprzez szerszą wizję szybkiego wzrostu możliwości. Dowody będą musiały osobno potwierdzić każdą z tych ścieżek.
Trzy sygnały pokażą, która prognoza jest bliższa rzeczywistości
Niezależne testy możliwości, wdrażanie w miejscach pracy poza laboratoriami AI oraz rekrutacja na stanowiska juniorskie zdecydują, czy perspektywa insiderów daje się uogólnić.
Pierwszym sygnałem będzie niezależnie zweryfikowany dorobek naukowy. Wiarygodny test obejmowałby system AI tworzący nowy rezultat, który odtworzą eksperci spoza firmy.
Ogłoszenia twórców modeli pozostaną użytecznymi wskazówkami. Nie rozstrzygną jednak, czy systemy potrafią niezawodnie wykonywać pracę na poziomie odkryć naukowych.
Replikacja wyjaśni także rolę ludzkich badaczy. Najmocniejsze dowody opisywałyby, kto sformułował pytanie, zaprojektował testy, zinterpretował wyniki i poprawił błędy.
Ma to znaczenie, ponieważ nagłówek o poziomie Nagrody Nobla kondensuje długi łańcuch badawczy do jednego rezultatu. Lepsze relacjonowanie powinno oddzielać wkład AI od walidacji instytucjonalnej.
Drugim sygnałem będzie zmierzone wdrażanie w zwykłych organizacjach. Firmy muszą wykazać, że agenci mogą przynosić trwałe korzyści w rzeczywistych warunkach bezpieczeństwa, niezawodności i zgodności z przepisami.
Krótkie demonstracje nie wystarczą. Dowody powinny śledzić jakość wyników, wskaźniki błędów, czas nadzoru i całkowite koszty operacyjne w skali miesięcy.
Najbardziej pouczające przypadki będą pochodzić z branż pozbawionych koncentracji technicznej Anthropic. Na szczególną uwagę zasługują administracja ochrony zdrowia, operacje finansowe, edukacja, logistyka i usługi profesjonalne.
Badania między firmami pokażą również, czy AI zmienia pracę zespołową. Jeden duży eksperyment w miejscu pracy wykazał skrócenie czasu poświęcanego na e-maile bez porównywalnych zmian w spotkaniach.
Ten wzorzec sugeruje, że indywidualne zadania mogą zmieniać się, zanim organizacje przeprojektują koordynację. Szerokie skutki gospodarcze wymagają obu etapów.
Trzecim sygnałem będzie rekrutacja na stanowiska juniorskie. Powiązane badania Anthropic dotyczące miejsc pracy wskazują, że juniorskie stanowiska techniczne stanowią coraz mniejszą część jego rekrutacji.
Jeśli ta sama zmiana pojawi się u innych pracodawców, automatyzacja pracy przez AI wpłynie na struktury kariery, zanim doprowadzi do masowego bezrobocia. Mniejsza liczba stanowisk startowych zawęzi drogę do zaawansowanej pracy.
Śledź ogłoszenia o pracę, udziały w rekrutacji, wskaźniki awansów i zapotrzebowanie pracodawców na umiejętności wymagające osądu. Miary te mogą ujawnić zmianę strukturalną, zanim zareagują krajowe dane o zatrudnieniu.
Spadek rekrutacji juniorów wzmocniłby prognozę insiderów Anthropic, zwłaszcza jeśli całkowita produkcja nadal będzie rosła. Stabilna rekrutacja osłabiłaby twierdzenia, że doświadczenie laboratoriów z pogranicza technologii przewiduje sytuację w szerszej gospodarce.
Dla pracowników umysłowych praktyczną odpowiedzią nie jest przyjmowanie dokładnej osi czasu żadnej z grup ankietowych. Jest nią monitorowanie, które części pracy stają się możliwymi do zweryfikowania zadaniami AI.
Dokumentowanie decyzji, źródeł i kontekstu projektów stanie się ważniejsze, gdy agenci będą obsługiwać dłuższe zadania. Przeszukiwalna baza wiedzy AI może pomóc pracownikom zachować informacje potrzebne do przeglądu tych wyników.
Różnica oczekiwań będzie zmniejszać się dzięki dowodom, a nie argumentom. Pracownicy Anthropic zyskają wiarygodność, jeśli niezależne wyniki odtworzą ich doświadczenia z miejsca pracy i nauki.
Prognoza publiczna będzie wyglądać mocniej, jeśli wdrażanie zatrzyma się na zaufaniu, integracji lub niezawodności. Zyska też poparcie, jeśli zaawansowane systemy nadal będą wymagać intensywnego nadzoru ekspertów.
Na razie najjaśniejsza lekcja z ankiety jest taka, że ekspozycja zmienia przekonania szybciej niż konsensus. Pracownicy Anthropic dostrzegają szybki wzrost możliwości, ponieważ pracują wewnątrz organizacji o wyjątkowo dużej intensywności wykorzystania AI.
Dorośli w USA dostrzegają więcej barier, ponieważ żyją w instytucjach, w których nadal znaczenie mają klienci, prawo, bezpieczeństwo i utrwalone procesy. Obie perspektywy uchwytują część prawdopodobnej transformacji.
Pytanie na następny rok jest konkretne: czy dowody z niezależnej nauki i zwykłych miejsc pracy zaczną przypominać wewnętrzne środowisko Anthropic, czy pozostaną daleko za nim?
