Claude Opus 4.6 Radzi Sobie z Zadaniami Trwającymi 12 Godzin — ale z Wiarygodnością Zaledwie 50%

Google News wyświetlił przykuwające uwagę twierdzenie: Claude Opus 4.6 potrafi wykonywać pracę AI odpowiadającą niemal 12 godzinom ludzkiego wysiłku. Model osiąga jednak ten poziom przy przewidywanym wskaźniku powodzenia wynoszącym zaledwie 50%.

Przy progu 80% powodzenia jego zmierzony horyzont spada do około 70 minut. Ta różnica zmienia triumfalny nagłówek w znacznie ważniejszą historię o wiarygodności agentów AI. Agent, który kończy połowę swoich zadań, nie jest autonomicznym współpracownikiem. To niepewny generator wersji roboczych, którego błędy nadal wymagają wykrycia przez człowieka.

Liczby pochodzą od METR, niezależnej organizacji badawczej oceniającej, czy agenci AI potrafią realizować zadania programistyczne o różnej długości. Anthropic wydał Claude Opus 4.6 w lutym 2026 roku, wskazując na lepsze wyniki w długotrwałej pracy agentowej. Wyniki METR potwierdzają ten kierunek, jednocześnie ujawniając ograniczenia ukryte za najdłuższą liczbą z nagłówka.

Spór nie dotyczy więc Claude'a w porównaniu z innym modelem. Chodzi o autonomię prezentowaną w marketingu kontra autonomię, z której zespół może bezpiecznie korzystać. Dla programistów i kupujących w przedsiębiorstwach 70 niezawodnych minut ma większe znaczenie niż 12 spekulatywnych godzin.

Co Naprawdę Mierzy 12-Godzinny Wynik Claude'a

Liczba z nagłówka opisuje trudność zadania, a nie 12 godzin nieprzerwanej autonomicznej pracy.

METR definiuje horyzont czasu ukończenia zadania jako czas, którego ludzki ekspert potrzebuje na pracę, jaką agent AI potrafi zakończyć przy wybranym wskaźniku powodzenia. Horyzont 12 godzin nie oznacza, że Claude działa przez 12 godzin. Oznacza, że testowane zadania zajęłyby wykwalifikowanemu człowiekowi mniej więcej tyle czasu.

To rozróżnienie jest istotne, ponieważ agenci AI często wykonują udane zadania szybciej niż wynoszą ich ludzkie wartości bazowe. Mogą jednocześnie pisać kilka fragmentów kodu, szybko przeszukiwać dokumentację i unikać części ręcznej nawigacji. Czas człowieka działa jako skala trudności, a nie stoper dla modelu.

Panel horyzontów czasowych METR szacuje powodzenie przez dopasowanie krzywej statystycznej do wyników agentów. Zestaw zadań zawiera ponad 100 zadań ukierunkowanych na tworzenie oprogramowania. Badacze uruchamiają każde zadanie wielokrotnie i porównują wyniki z szacowanymi czasami wykonania przez człowieka.

Oceniana praca obejmuje przede wszystkim inżynierię oprogramowania, uczenie maszynowe i cyberbezpieczeństwo. Zadania są projektowane tak, aby były samowystarczalne, jasno określone i oceniane automatycznie. Warunki te umożliwiają systematyczne testowanie, ale różnią się od codziennej pracy w firmie.

Według doniesień Claude Opus 4.6 osiągnął horyzont 50% wynoszący około 719 minut, czyli niemal 12 godzin. Jego horyzont 80% wyniósł około 70 minut. Pierwsza liczba tworzy efektowny nagłówek, druga zaś daje bardziej praktyczny sygnał dotyczący wdrożenia.

Horyzont 50% przewiduje powodzenie jedynie w połowie porównywalnych zadań. Taki wskaźnik błędów może nadal być użyteczny, gdy weryfikacja jest szybka, a pomyłki mało kosztowne. Programista może poprosić agenta o podjęcie próby trudnego refaktoryzowania, sprawdzić wynik i odrzucić go, jeśli testy zakończą się niepowodzeniem.

Ta sama wiarygodność byłaby nie do zaakceptowania w przypadku niekontrolowanej migracji produkcyjnej. Nie nadawałaby się również do zmian bezpieczeństwa, których błędy pozostają niewidoczne aż do wystąpienia incydentu. Dłuższa zdolność do realizacji zadań ma niewielką wartość operacyjną, gdy zespół nie potrafi skutecznie rozpoznać błędu.

Próg 80% również nie jest idealny. Oznacza, że jedna na pięć porównywalnych prób nadal kończy się niepowodzeniem według dopasowanego modelu. Mimo to przybliża system do pracy, która może podlegać okresowemu przeglądowi zamiast ciągłego nadzorowania.

Dlatego sposób przedstawienia sprawy przez Google News wymaga kontekstu. Dwanaście godzin wyznacza zewnętrzną granicę możliwości Claude'a przy wiarygodności na poziomie rzutu monetą. Siedemdziesiąt minut lepiej opisuje czas, przy którym użytkownik może zacząć rozważać ograniczone delegowanie zadań.

Nawet ta interpretacja wymaga ostrożności. Wynik nie pokazuje, że Claude potrafi ukończyć 80% każdego 70-minutowego zadania. METR wyjaśnia, że niektóre zadania są dla modelu konsekwentnie łatwe, podczas gdy inne konsekwentnie go pokonują. Procent reprezentuje dopasowane oczekiwanie dla całego zestawu ewaluacyjnego.

Praktyczne pytanie nie brzmi, czy model przekroczył jeden imponujący czas trwania. Chodzi o to, czy użytkownicy potrafią rozpoznać, które zadania mieszczą się w jego niezawodnym obszarze, zanim je delegują.

Dlaczego Czytelnicy Google News Powinni Skupić Się na Wiarygodności

Wiarygodność agentów AI decyduje o tym, czy dłuższe horyzonty oszczędzają czas ludzi, czy jedynie przenoszą go na przegląd i naprawianie błędów.

Nieudana odpowiedź na czacie kosztuje sekundy. Nieudane działanie agenta może zmienić pliki, wybrać niewłaściwą zależność, błędnie odczytać wymagania i budować kolejną pracę na wczesnym błędzie. Koszt błędów rośnie, gdy agent otrzymuje więcej narzędzi i większą swobodę.

Tworzy to asymetryczny problem. Udane długie uruchomienia łatwo świętować, ponieważ generują widoczny rezultat. Nieudane uruchomienia mogą ukrywać defekty w pozornie wiarygodnym kodzie, niepełnych testach lub pewnym siebie podsumowaniu. Nadzorujący może poświęcić więcej czasu na audyt dopracowanego błędu niż na bezpośrednie wykonanie pierwotnego zadania.

Claude Opus 4.6 ma znaczenie, ponieważ Anthropic wyraźnie pozycjonował go do dłuższych agentowych przepływów pracy. Ogłoszenie modelu firmy mówi, że lepiej planuje, działa bardziej niezawodnie w większych bazach kodu i wykrywa więcej własnych błędów. Anthropic wprowadził również w wersji beta okno kontekstu o wielkości miliona tokenów.

Okno kontekstu to ilość informacji, które model może przetworzyć podczas jednej interakcji. Większy kontekst pozwala agentowi badać większe repozytoria i zachowywać dłuższą historię. Nie gwarantuje jednak, że model będzie poprawnie rozumował o wszystkim, co znajdzie się w tym oknie.

Długi kontekst i długie horyzonty zadań rozwiązują różne ograniczenia. Pierwszy dotyczy ilości materiału, do którego model może uzyskać dostęp. Drugi szacuje, jak trudne zadanie może ukończyć przy określonym poziomie wiarygodności. Połączenie ich rozszerza dostępną przestrzeń roboczą, ale nie eliminuje ryzyka wykonawczego.

Luka zaufania staje się wyraźniejsza w rzeczywistym scenariuszu rozwoju oprogramowania. Wyobraźmy sobie powierzenie agentowi migracji bazy danych, której ukończenie zajęłoby ludzkiemu inżynierowi większą część dnia. Agent pisze skrypty migracyjne, aktualizuje kod aplikacji i modyfikuje testy.

Przy wiarygodności 50% zespół nie może traktować wyniku jako ukończonej pracy. Inżynier musi sprawdzić założenia dotyczące schematu, zachowanie wycofania zmian, zachowanie danych oraz kolejność wdrożenia. Taki przegląd może zbliżyć się kosztem do bezpośredniego wykonania zadania.

Rozważmy teraz mniejsze zadanie z ludzką wartością bazową 70 minut. Agent aktualizuje określony komponent, uruchamia testy i tworzy niewielki zestaw zmian. Oczekiwany wskaźnik powodzenia 80% nadal wymaga przeglądu, ale zakres kontroli jest węższy, a błędy łatwiejsze do odizolowania.

Różnica wpływa na projektowanie produktu w takim samym stopniu jak na wybór modelu. Użyteczne systemy agentowe potrzebują punktów kontrolnych, testów, granic uprawnień i pełnych zapisów tego, co zmienił model. Potrzebują również ścieżki eskalacji, gdy niepewność rośnie.

To sprawia, że możliwy do prześledzenia kontekst jest szczególnie ważny w pracy z wiedzą. Przeszukiwalna baza wiedzy AI może zachowywać wymagania, ustalenia ze spotkań i materiały źródłowe. Nie może zagwarantować poprawnego rozumowania, ale daje ludziom dowody potrzebne do weryfikacji wniosków agenta.

Obecny benchmark wywiera również presję na zespoły, które reklamują agentów jako zastępstwo dla całych ról. Pomiar METR nie wspiera takiej interpretacji. Rola łączy niejednoznaczne prośby, kontekst organizacyjny, negocjacje, osąd i odpowiedzialność w wielu powiązanych zadaniach.

Zestaw przypomina natomiast jasno ograniczone zadania przekazywane pracownikowi o niewielkiej znajomości kontekstu. METR wyraźnie ostrzega, że jego horyzontów nie należy utożsamiać z pracą wykonywaną przez doświadczonego pracownika, który rozumie historię firmy.

To ostrzeżenie zmienia sposób, w jaki kupujący powinni interpretować nagłówki o AI. Istotną jednostką nie są nominalne godziny pracy. Jest nią zweryfikowana praca ukończona na godzinę ludzkiej uwagi.

Prawdziwa Rywalizacja To Autonomia AI Kontra Weryfikacja przez Człowieka

Głównym ograniczeniem nie jest już to, czy agent AI potrafi podjąć się długiej pracy, lecz to, czy ludzie mogą ją zweryfikować bez odtwarzania jej od podstaw.

Dłuższe horyzonty zadań nadal oznaczają istotny postęp. Oryginalne badania METR wykazały, że horyzonty modeli z czołówki rosły wykładniczo przez kilka lat. Badacze przypisali poprawę częściowo lepszemu rozumowaniu, użyciu narzędzi, wiarygodności i odzyskiwaniu sprawności po błędach.

Ich badanie długich zadań wskazało historyczny okres podwojenia wynoszący od 2019 roku około siedmiu miesięcy. Nowsza analiza TH1.1 METR wykazała krótszy, 89-dniowy okres podwojenia, gdy dopasowano model wyłącznie do modeli wydanych od 2024 roku.

Te dwie liczby opisują różne przedziały czasowe. Szybsze niedawne oszacowanie nie przekreśla dłuższego trendu historycznego. Sugeruje przyspieszenie w ramach jednego dopasowania, pozostawiając otwarte pytanie, czy tempo to się utrzyma.

Aktualizacja TH1.1 rozszerzyła również zestaw z 170 do 228 zadań. Ponad dwukrotnie zwiększyła liczbę zadań trwających co najmniej osiem ludzkich godzin — z 14 do 31. Dodatki poprawiły pokrycie na długim końcu skali, gdzie nowsze modele wyczerpywały możliwości wcześniejszego benchmarku.

Claude Opus 4.6 bezpośrednio naciskał na tę granicę. Gdy model odnosi sukces w niemal wszystkich krótszych zadaniach, dopasowana krzywa zależy w dużej mierze od mniejszej grupy długich zadań. Szacunki stają się wówczas bardziej wrażliwe na wybór zadań i założenia statystyczne.

METR przyznał to w marcowej analizie założeń modelowania. Organizacja stwierdziła, że jej zestaw zbliżał się do nasycenia, a ostatnie wyniki stały się bardziej wrażliwe na wybory analityczne.

Nie czyni to wyniku 12 godzin bez znaczenia. Sprawia jednak, że pewność związana z precyzyjnym czasem z nagłówka jest słabsza, niż sugeruje sam nagłówek. Szeroki trend w kierunku dłuższej udanej pracy pozostaje wyraźniejszy niż dokładne umiejscowienie jednego modelu.

To napięcie wyjaśnia również, dlaczego 80% zasługuje na większą uwagę. Horyzont 50% silnie reaguje na niepewną granicę, gdzie sukcesy i porażki są zrównoważone. Horyzont 80% pozostaje bliżej obszaru, w którym model zgromadził więcej dowodów sukcesu.

Mimo to 80% nie jest uniwersalnym progiem zaufania. Akceptowalny wskaźnik zależy od zadania i kosztu jego weryfikacji.

Agent programistyczny może podjąć próbę implementacji dobrze przetestowanej funkcji, ponieważ zautomatyzowane kontrole wychwytują wiele błędów. Agent badawczy podsumowujący prywatne dokumenty potrzebuje cytowań, ponieważ subtelne pominięcia mogą umknąć prostemu testowi. Agent zmieniający kontrolę dostępu wymaga bardziej rygorystycznego przeglądu, ponieważ jeden niezauważony błąd może ujawnić wrażliwe systemy.

Różnice te tworzą trzy praktyczne kategorie delegowania.

Praca o niskim koszcie i możliwa do odwrócenia może tolerować częste niepowodzenia. Przykłady obejmują tworzenie wersji roboczych przypadków testowych, badanie opcji implementacji lub przygotowywanie jednorazowego prototypu. Osoba może ponownie uruchomić agenta lub odrzucić wynik.

Weryfikowalna praca produkcyjna potrzebuje silniejszych dowodów. Przykłady obejmują naprawę lokalnego błędu lub aktualizację udokumentowanego klienta API. Testy, analiza statyczna i przegląd kodu mogą ograniczyć ryzyko.

Praca o dużym wpływie i słabej weryfikowalności wymaga znacznie wyższej wiarygodności. Rekomendacje strategiczne, decyzje dotyczące bezpieczeństwa, analiza prawna i nieodwracalne operacje na danych nie stają się bezpieczne tylko dlatego, że agent pracował dłużej.

Branża często sprowadza wszystkie te trzy kategorie do słowa „autonomia”. Takie ujęcie ukrywa mechanizm, który decyduje o rzeczywistej wartości. Agent jest użyteczny wtedy, gdy jego wynik łatwiej zweryfikować, niż wytworzyć.

Granica 12 godzin oznacza więc możliwości bez wystarczającej pewności. Granica 70 minut wskazuje na bardziej wiarygodny zakres działania, choć nadal nie nadaje się do pracy o wysokiej stawce bez nadzoru.

To odwrócenie kryje się za nagłówkiem. Dłuższa liczba mierzy ambicję. Krótsza liczba mierzy zaufanie.

Czego nie dowodzą liczby Claude Opus 4.6

Wynik METR nie dowodzi, że Claude może zautomatyzować dzień pracy, zastąpić programistę ani działać równie dobrze poza zadaniami programistycznymi.

Pierwszym ograniczeniem jest zakres dziedzin. Obecny zestaw METR koncentruje się na inżynierii oprogramowania, uczeniu maszynowym i cyberbezpieczeństwie. Obszary te oferują środowiska wykonawcze i obiektywną ocenę, co czyni je wyjątkowo odpowiednimi do ewaluacji agentów.

Wiele zadań biznesowych nie ma tych właściwości. Analiza rynku może brzmieć przekonująco, a jednocześnie pomijać decydujące źródło. Plan sprzedaży może realizować każdy wymagany krok, lecz nadal błędnie rozumieć klienta. Notatka dotycząca polityki może wymagać osądu, którego żaden zautomatyzowany test nie potrafi ocenić.

Drugie ograniczenie dotyczy definicji zadania. Zadania benchmarkowe są samowystarczalne i zazwyczaj mają jasne kryteria ukończenia. Rzeczywiste projekty zaczynają się od niepełnych wymagań, sprzecznych oczekiwań interesariuszy i nieudokumentowanych ograniczeń.

Model, który odnosi sukces po otrzymaniu precyzyjnej specyfikacji, nie wykazał jeszcze, że potrafi odkryć właściwą specyfikację. Specjaliści poświęcają znaczną część czasu na rozwiązanie tej niepewności, zanim rozpocznie się wdrożenie.

Trzecie ograniczenie dotyczy kontekstu. METR porównuje agentów z ludzkimi ekspertami, którzy podchodzą do zadań bez znajomości organizacji, jaką ma długoletni pracownik. Dzięki temu benchmark jest bardziej porównywalny, ale zawęża to wnioski ekonomiczne.

Doświadczony inżynier wie, dlaczego istnieje dziwne obejście problemu. Menedżer produktu pamięta, która obietnica wobec klienta ograniczyła daną funkcję. Lider bezpieczeństwa rozumie, które teoretyczne ryzyko firma już zaakceptowała. Takie fakty rzadko mieszczą się w zgłoszeniu.

Duże okna kontekstowe mogą dostarczyć więcej dokumentów, lecz wybór właściwego kontekstu nadal pozostaje trudny. Starsze decyzje mogą być sprzeczne z nowszymi. Nieformalne wyjątki mogą znajdować się na spotkaniach lub w prywatnych wiadomościach. Więcej danych wejściowych może wprowadzić więcej nieistotnych przesłanek obok użytecznego materiału.

Czwarte ograniczenie wynika z samego dopasowanego oszacowania. Horyzont czasowy podsumowuje zróżnicowane zadania na jednej osi czasu trwania. Długość zadania koreluje z trudnością, ale dwa zadania wymagające od człowieka tyle samo czasu mogą stanowić dla modelu zupełnie inne wyzwania.

Jedno może wymagać powtarzalnych zmian w kodzie, z którymi agent radzi sobie dobrze. Drugie może zależeć od rozpoznania subtelnego ograniczenia architektonicznego. Ten sam czas trwania nie oznacza takiego samego prawdopodobieństwa porażki w obu przypadkach.

METR ostrzega również, że pomiary powyżej 16 godzin są niewiarygodne w obecnym zestawie zadań. Szacunek 12 godzin dla Claude znajduje się blisko tej granicy, a jego przedział ufności jest szeroki. Czytelnicy powinni traktować oszacowanie punktowe jako obszar niepewności, a nie skalibrowaną gwarancję usługi.

Piąte ograniczenie to zależność od modelu i scaffoldu. Scaffold to system oprogramowania, który zapewnia modelowi narzędzia, instrukcje, pamięć oraz pętlę wykonywania działań. Claude Code, Codex i inne systemy agentowe mogą dawać różne wyniki przy tym samym modelu bazowym.

Zmiany w promptach, uprawnieniach narzędzi, budżetach tokenów i zasadach ponawiania prób mogą istotnie wpływać na wydajność. Wynik benchmarku dla jednego skonfigurowanego agenta nie przenosi się automatycznie na każdy produkt noszący tę samą nazwę modelu.

Wreszcie wskaźniki sukcesu nie ujawniają ludzkiego kosztu nadzoru. Wynik 50% może mieć wartość komercyjną, jeśli porażki są natychmiastowe i oczywiste. Wynik 80% może nadal być nieatrakcyjny, jeśli każdy rezultat wymaga audytu eksperta.

METR wyjątkowo jasno wskazuje te zastrzeżenia. W swojej notatce o ograniczeniach stwierdza, że horyzont 50% nie oznacza, iż użytkownicy mogą po prostu delegować wszystkie krótsze zadania. Niektóre zadania wymagają wskaźników sukcesu powyżej 98%, zanim automatyzacja stanie się opłacalna.

To stwierdzenie jest najważniejszą przeciwwagą dla nagłówka Google News. Benchmark mierzy rozszerzającą się granicę możliwości, ale nie potwierdza gotowości do wdrożenia.

Własna dokumentacja bezpieczeństwa Anthropic wyznacza kolejną niezbędną granicę. Karty systemowe przedstawiają oceny możliwości i bezpieczeństwa w określonych warunkach testowych. To cenne ujawnienia, lecz nadal są ocenami modelu, a nie gwarancjami dla każdego dalszego przepływu pracy.

Nabywcy korporacyjni powinni domagać się dowodów na poziomie systemu. Obejmuje to model, scaffold agenta, podłączone narzędzia, dane organizacyjne, uprawnienia i proces weryfikacji. Niezawodność wynika z całego tego układu.

Na co zwracać uwagę po nagłówku Google News

O kolejnej fazie zdecydują lepsze testy długich zadań, wyniki o wyższej niezawodności oraz dowody z nadzorowanych wdrożeń w miejscu pracy.

Pierwszym sygnałem będzie kolejne rozszerzenie zestawu zadań METR. Claude Opus 4.6 jest już blisko nasycenia części obecnego benchmarku, zwłaszcza przy krótszych czasach trwania. Więcej długich zadań z mocnymi ludzkimi punktami odniesienia zmniejszyłoby niepewność wokół szacunków dotyczących granicy możliwości.

Jakość tych dodatków ma większe znaczenie niż surowa liczba zadań. Badacze potrzebują zadań, które pozostają samowystarczalne i możliwe do oceny, a jednocześnie przypominają pracę o istotnych konsekwencjach. Potrzebują również wystarczającej liczby prób wykonanych przez ludzi, aby oszacować czasy ukończenia bez nadmiernego polegania na opiniach ekspertów.

Jeśli nowsze ewaluacje utrzymają 12-godzinny horyzont w większym zestawie, zaufanie do trendu możliwości wzrośnie. Jeśli szacunek gwałtownie spadnie, obecny nagłówek będzie wyglądał bardziej na artefakt pomiarowy blisko sufitu benchmarku.

Drugim sygnałem będzie ruch przy bardziej rygorystycznych progach sukcesu. Model wydłużający swój horyzont 50% może podejmować trudniejszą pracę, ale nie musi automatycznie ograniczać ryzyka operacyjnego. Wzrost horyzontu 80% pokazałby, że dłuższe zadania stają się niezawodnie rozwiązywalne.

Jeszcze silniejszym sygnałem byłyby opublikowane wyniki przy niezawodności 90%, 95% lub wyższej. Takie progi są bliższe przepływom pracy produkcyjnej, w których powtarzające się porażki generują koszty weryfikacji. Ujawniłyby też, czy krzywe niezawodności poprawiają się równomiernie, czy pozostają strome.

Z tego powodu różnica między 50% a 80% zasługuje na stałą uwagę. Claude Opus 4.6 wykazuje dużą różnicę między prawie 12 godzinami a 70 minutami. Jeśli przyszłe modele zmniejszą tę lukę, autonomię będzie łatwiej wdrożyć.

Jeśli oba horyzonty wzrosną, a różnica między nimi pozostanie szeroka, możliwości z nagłówków nadal będą wyprzedzać niezawodne możliwości. Platformy agentowe będą wtedy w większym stopniu polegać na weryfikacji, ponawianiu prób i ludzkich punktach kontrolnych.

Trzecim sygnałem będą dowody z miejsc pracy, które mierzą ukończone rezultaty, a nie wygenerowane wyniki. Organizacje powinny śledzić zaakceptowane zmiany, defekty, które przedostały się dalej, czas przeglądu, częstotliwość wycofywania zmian oraz odsetek pracy agentów wymagającej istotnych poprawek.

Te miary odpowiadają na pytanie ekonomiczne, którego benchmarki nie potrafią rozstrzygnąć. Czy agent zmniejsza całkowity wysiłek ekspertów po uwzględnieniu nadzoru, czy tylko przenosi ten wysiłek do debugowania i walidacji?

Kontrolowane wdrożenia mogą również wskazać, które kategorie zadań przenoszą się poza benchmark. Model może dobrze radzić sobie z odizolowanymi zadaniami programistycznymi, lecz mieć trudności ze zmianami obejmującymi całe repozytorium. Może skutecznie przygotowywać analizy finansowe, a jednocześnie nie odnajdywać decydującego wewnętrznego założenia.

Najlepsze raporty będą rozdzielać czas trwania zadania od jego typu. Ujawnią też scaffold, uprawnienia, proces weryfikacji i definicję porażki. Bez tych szczegółów twierdzenia o autonomicznych godzinach nadal trudno porównywać.

Wyniki konkurencji dostarczą użytecznego kontekstu, lecz rankingi modeli nie powinny stać się główną historią. Panel METR mierzył systemy Anthropic, OpenAI, Google i innych twórców. Lider może zmieniać się wraz z każdą premierą i konfiguracją ewaluacji.

Głębsza rywalizacja nadal dotyczy dłuższego delegowania zadań i przystępnej cenowo weryfikacji. Model nie staje się autonomicznym pracownikiem, gdy zajmuje pierwsze miejsce na wykresie. Staje się operacyjnie użyteczny, gdy zespół może zaufać jego wynikom przy niższym całkowitym koszcie uwagi.

Dla programistów natychmiastową odpowiedzią powinno być skalibrowane delegowanie. Przydzielajcie agentom ograniczone zadania z jednoznacznymi testami akceptacyjnymi. Zachowujcie logi, wymagajcie podsumowań zmienionych plików i ograniczajcie dostęp do systemów, których zadanie nie potrzebuje.

Dla nabywców korporacyjnych pytania zakupowe powinny wyjść poza inteligencję modelu. Zapytajcie, co dzieje się po częściowej porażce. Ustalcie, czy system może wycofać zmiany, wskazać dowody, ujawnić niepewność i eskalować sprawę do człowieka.

Dla pracowników wiedzy liczba 70 minut daje bardziej ugruntowane oczekiwanie. AI coraz częściej może przeprowadzić zdefiniowane zadanie przez wiele kroków. Nadal potrzebuje człowieka, który sformułuje zadanie, sprawdzi rezultat i weźmie odpowiedzialność za konsekwencje.

Ten podział odpowiedzialności będzie się zmieniał wraz z poprawą niezawodności. Dowody nie uzasadniają jednak porzucenia go teraz.

Nagłówek Google News uchwycił rzeczywisty kamień milowy, lecz jego najbardziej dramatyczna liczba nie jest najbardziej użyteczna. Dwanaście godzin pokazuje, jak daleko Claude może sięgnąć, gdy sukces i porażka są równie prawdopodobne. Siedemdziesiąt minut pokazuje, gdzie zaufanie zaczyna stawać się praktyczne.

Zanim przekażesz agentowi cały dzień pracy, wybierz jedno zadanie z jasnymi dowodami i odwracalnym wynikiem. Zapisz czas człowieka poświęcony na określenie zadania, monitorowanie go i jego przegląd. Następnie porównaj tę sumę z pierwotnym przepływem pracy.

Jeśli agent oszczędza uwagę po weryfikacji, ostrożnie rozszerzaj granicę. Jeśli przegląd pochłania zysk, dłuższy horyzont modelu nie naprawi procesu. Kolejną ważną wiadomością o AI nie będzie wyłącznie następny rekord. Będzie nią dowód, że niezawodna praca dogania imponujące próby.