A rekurzív önjavítás került mérhető közelségbe az Anthropic hivatalos jelentése szerint: a cég termelési kódjának nagyjából 80 százalékát ma már a Claude írja, a mérnökei pedig negyedévente nyolcszor annyi kódot mergelnek, mint a 2021–2025-ös alapvonalon. A When AI Builds Itself című publikáció nem egy új modellt mutat be, hanem azt méri, milyen gyorsan tolódik el az AI-fejlesztés súlypontja az emberektől a modellek felé.
A téma azért kerül most az asztalra, mert az Anthropic a saját belső számait tette közzé róla. Nem külső elemzésről vagy jóslatról van szó, hanem arról, hogy egy frontier AI-labor kimérte, mennyit tesz hozzá a saját modellje a következő modell megépítéséhez — és a görbe meredekebb, mint amire a legtöbb cég felkészült.
Mi az a rekurzív önjavítás, és mit állít pontosan az Anthropic?
A rekurzív önjavítás az az állapot, amikor egy AI-rendszer teljesen autonóm módon tervezi meg és fejleszti a saját utódját, emberi beavatkozás nélkül. A jelentés kulcsállítása azonban nem az, hogy ez megtörtént, hanem az, hogy a trend efelé mutat.
„Taken far enough, and given enough compute, that trend points to an AI system capable of fully autonomously designing and developing its own successor. This is called recursive self-improvement. We are not there yet, and recursive self-improvement is not inevitable.” — Anthropic
Ez a megfogalmazás két irányban is pontos: elismeri a gyorsulást, de nem állítja, hogy a végkifejlet elkerülhetetlen. Az Anthropic külön kiemeli a saját kódminőségi értékelését is, ami jól mutatja, milyen gyorsan mozdult el a mérce egyetlen év alatt.
„Claude-written code was somewhat worse than human-written code at Anthropic in late 2025, is roughly at parity today, and we expect it to be strictly better within the year.” — Anthropic
A számok: mit mérnek valójában?
A jelentés legérdekesebb része nem a kódarány, hanem a feladat-időhorizont mutatója. Ez azt méri, milyen hosszú, összefüggő munkát képes egy modell önállóan végigvinni — és ez a mutató az Anthropic adatai szerint már négyhavonta duplázódik, szemben a korábbi héthavonta üteművel.
- Claude Opus 3 (2024. március): nagyjából 4 perces feladatok
- Claude Sonnet 3.7 (2025. március): nagyjából 90 perces feladatok
- Claude Opus 4.6 (2026. március): nagyjából 12 órás feladatok
A többi mért mutató ugyanebbe az irányba mutat. A Claude sikerességi rátája nyílt végű kódolási feladatokon 76% volt 2026 májusában — ez fél év alatt körülbelül 50 százalékpontos javulás. A klasszikus benchmarkok közben egyszerűen elfogytak: a SWE-Bench két év, a CORE-Bench 15 hónap alatt jutott el a telítődésig, vagyis odáig, ahol a teszt már nem tud különbséget tenni a modellek között.
A gyakorlati példák ennél is beszédesebbek. A Claude Mythos Preview 2026 áprilisában körülbelül 52-szeres kódoptimalizálási gyorsítást ért el egy feladaton, míg a Claude Opus 4 egy évvel korábban, 2025 májusában nagyjából háromszorosat. Ugyancsak 2026 áprilisában egy belső eset során a rendszer több mint 800 hibajavítást végzett el, ezerszeresére csökkentve egy API hibaarányát — az Anthropic becslése szerint ez nagyjából négy évnyi emberi munkát jelentett, napok alatt.
Ahol a modell már az embert veri: a kutatási ítéletalkotás
A jelentés talán legkényesebb adata nem a kódolásról szól. Az Anthropic mérése szerint kutatási irányítási döntéseknél a modellek 2026 áprilisában az esetek 64%-ában bizonyultak jobbnak az emberi ítéletnél — 2025 novemberében ez az arány még 51% volt, vagyis gyakorlatilag érme-feldobás.
Egy 2026 áprilisi kutatási projektben az AI-ügynökök a teljesítményrés 97%-át hozták vissza, míg két emberi kutató egy hét alatt csak 23%-ot. A cég 2026 márciusi belső felmérésében (n=130) az alkalmazottak medián négyszeres produktivitásnövekedést becsültek a Mythos Preview használatával.
Fontos azonban látni, mit mérnek ezek a számok: az Anthropic saját mérései a saját modelljéről, saját munkafolyamataikon. A produktivitás-becslés ráadásul önbevallás, nem független mérés. Ez nem teszi értéktelenné az adatokat, de óvatosságra int a túláltalánosítással szemben.
A kritika: miért nem lehet ezt készpénznek venni?
A független elemzők több ponton is fékeznének. A Forbes hasábjain Lance Eliot arra hívja fel a figyelmet, hogy maga az Anthropic is elismeri: az AI megtévesztő viselkedést tanúsíthat a fejlesztési folyamat során, és az iteratív önjavítás közben hibák halmozódhatnak fel észrevétlenül. A javasolt megoldás — az emberi felügyelet „checkpoint” jellegű beépítése a folyamatba — egyelőre inkább elméleti konstrukció, mint működő gyakorlat.
Eliot óva int a túlzó hírcímektől is: az AGI vagy ASI nem érkezett meg, és a számítási kapacitás korlátai önmagukban is fékezhetik a trendet. A jelentésben szereplő görbék extrapolációk, nem menetrendek. Erről a szélesebb kockázati képről korábban részletesen is írtunk.
Kapcsolódó elemzésünk: Az AI veszélyei és etikája: 4 kockázat, amit komolyan kell venni
Nem csak az Anthropic: iparági minta rajzolódik ki
A Cloud Security Alliance 2026. június 13-i elemzése szerint a jelenség nem egyetlen laborra korlátozódik. Az OpenAI GPT-5.3-Codex a jelentés szerint segített a saját tréningfolyamata hibakeresésében és a saját telepítése egyes részeinek kezelésében, a Google DeepMind AlphaEvolve pedig neurális hálózat-architektúrákat és hardverdizájnt optimalizál.
A CSA ugyanakkor egy új támadási felületre is figyelmeztet: a tréningpipeline integritásának védelmére és az RSI-közeli hurkok monitorozására a jelenlegi vállalati biztonsági keretrendszerek nincsenek felkészülve. A 2026-os International AI Safety Report — több mint 100 szakértő munkája — az RSI-n keresztüli kontrollvesztést a legsúlyosabb, nemzetbiztonsági szintű kockázatok közé sorolja.
Mi marad az embernél?
Az Anthropic olvasata szerint az emberi szerep nem eltűnik, hanem feljebb csúszik az absztrakciós létrán. Ha a kódírás önmagában olcsóvá válik, az emberi komparatív előny két helyre koncentrálódik: a kódellenőrzésre és arra a döntésre, hogy egyáltalán mely problémákat érdemes megoldani.
Ez a gyakorlatban azt jelenti, hogy a mérnöki kapacitás szűk keresztmetszete átkerül a generálásról a felülvizsgálatra. Ha egy modell 12 órányi összefüggő munkát ad ki a kezéből, azt valakinek át kell néznie — és ez a valaki egyelőre ember. Arról, hogy a mért produktivitásnövekedés és a szubjektív érzet mennyire tud eltérni egymástól, korábban külön is írtunk.
Kapcsolódó elemzésünk: AI tényleg gyorsabb? A kutatás szerint a fejlesztők 19%-kal lassabbak lettek
5 döntéshozói következtetés
- A fejlesztői szerep átalakul, nem eltűnik. Ha a modell írja a kód nagy részét, az emberi komparatív előny a kódellenőrzésre és arra a döntésre tolódik, hogy mely problémák számítanak. Erre a szerepre kell fejleszteni a csapatot.
- A benchmark önmagában már nem elég a modellválasztáshoz. Ha a SWE-Bench és a CORE-Bench telítődött, a saját munkafolyamatodon mért, valós feladatokra épülő értékelés ér többet, mint a nyilvános pontszám-táblázat.
- A feladat-időhorizont a valódi tervezési mutató. Egy 12 órás, összefüggő feladatot végigvivő modell más munkaszervezést kíván, mint egy 90 perces — a code review kapacitás, nem a generálás lesz a szűk keresztmetszet.
- A tréningpipeline és az ügynöki hurkok új biztonsági felületet jelentenek. Ha AI-ügynökök módosítanak kódot vagy infrastruktúrát, a naplózás, a jogosultságkezelés és a visszagörgethetőség nem opcionális.
- Az önbevallott produktivitás-adatokat kezeld óvatosan. A négyszeres becslés belső felmérésből származik. A saját szervezetedben mérd meg — átfutási idővel, hibaaránnyal, újranyitott hibajegyekkel —, ne feltételezésből tervezz.
A szabályozási javaslat, amit maga az Anthropic is nehéznek tart
A jelentés felvet egy globális, ellenőrizhető lassítási vagy szüneteltetési mechanizmust is arra az esetre, ha a trend veszélyes irányt venne. Az Anthropic maga is elismeri ennek gyakorlati nehézségét:
„Training runs are far easier to conceal than missile silos” — Anthropic, hozzátéve, hogy „the incentive to defect quietly is enormous.”
Magyarul: egy tréningfutást sokkal könnyebb elrejteni, mint egy rakétasilót, és a csendben kilépés ösztönzője óriási. Ez egyelőre nyitott probléma, működő nemzetközi keret nélkül.
Összefoglaló
Az Anthropic jelentése nem azt állítja, hogy megérkezett a rekurzív önjavítás — épp ellenkezőleg, kifejezetten cáfolja ezt. Amit dokumentál, az egy mérhető, gyorsuló trend: 80%-os AI-kódarány, négyhavonta duplázódó feladat-időhorizont, telítődött benchmarkok, és kutatási döntésekben 64%-os modell-fölény. Ezek a számok egyetlen cég belső méréseiből származnak, és a független kritika joggal figyelmeztet a hibafelhalmozódás és a megtévesztő modellviselkedés kezeletlen kockázatára.
Vállalati szemmel a tanulság ennél prózaibb. Nem az a kérdés, mikor jön el az AGI, hanem az, hogy a szervezeted felkészült-e arra, hogy a kódírás olcsóvá, a kódellenőrzés viszont szűk keresztmetszetté válik. Ez a kérdés a következő modellgenerációktól függetlenül is az asztalon marad.
További forrásalapú AI-elemzésekért iratkozz fel az AI Hírek hírlevelére.