“AI正在帮助制造下一代AI”很容易变成一句无法核验的口号。Anthropic在9月17日公开了三组内部测量：AI参与研发的程度、Agent行动如何被监督、计算资源怎样分配。我的核心判断是，这次最重要的并非“Claude主导26%研发工作”这个醒目数字，而是实验室终于给出了可以持续追问的分母、覆盖率和时间变化。

发生了什么

Anthropic把AI参与研发分为AL0到AL5六级：AL3代表AI在紧密人类指导下完成大块工作，AL4代表它能从高层目标出发主导大部分任务，人类负责监督；AL5才是无人介入的完全自主。官方称，截至2026年8月，Claude尚未在任何已测研发子集中达到AL5，但在26%的AI研发工作中达到“主导”级别，达到“协作或以上”的占比超过90%。

第二组数据来自其最常用的内部平台：约3万个Agent同时进行研究和工程任务，所有动作先经过在线监控，也全部进入事后监控。官方分析了8月超过10亿次决策，其中0.002%、约每4.7万次一次被在线系统阻止；离线系统每周标记约10万份轨迹，最终约50份升级为人工重点审查。

三个数字为什么必须一起看

自动化比例只告诉我们AI做了多少，不告诉我们做得对不对。监督覆盖率只告诉我们动作经过了检查，不等于检查器能识别危险。阻止率也不是越低越安全：它可能意味着行为更稳，也可能意味着规则太松。真正有意义的是把四个量连起来：任务自动化等级、监控覆盖率、已知坏行为的检出率、人工响应时延。

例如，一个代码Agent每天执行十万次动作，100%通过策略网关，看起来覆盖充分；但若红队植入的十种越权方式只抓到三种，监督有效性仍然很差。反过来，如果拦截率突然升高，也要区分是模型退化、任务变难，还是检测规则刚更新。单独发布“拦了多少次”，很容易制造虚假的安全感。

算力分配则补上另一块拼图。模型能力评测属于输出，训练和研究算力属于投入。只有长期记录训练、推理、自动化研发和安全评估各占多少资源，外部人才可能判断进展速度与安全投入是否同步。遗憾的是，本次页面对前两组指标给出了更具体的快照，跨实验室可比的算力口径仍有待形成。

对开发团队的实际意义

这套框架不只适用于前沿实验室。一个使用编码Agent的团队，也可以按周回答四个问题：多少任务由AI建议、协作或端到端完成；哪些工具动作必经策略检查；被拦截的动作多久有人复核；红队样本的召回率是多少。

具体场景是数据库迁移。AI可以生成脚本，但生产执行仍由人批准，这属于“协作”；如果Agent能根据目标完成备份、灰度、验证和回滚方案，人只检查关键闸门，更接近“主导”。团队不应把两者都记成“使用了AI”，否则使用率增长无法说明风险如何变化。

我的判断与边界

我支持公开过程指标，因为能力分数上涨之后，社会最关心的是研发是否进入更快的自我强化循环、监督是否跟得上。但这些数字目前主要由Anthropic自行定义和测量，且只覆盖其最常用平台，不代表全部研发活动。官方也承认用自家模型评判自家Agent可能共享盲点，并计划引入第三方评估者。

26%不能被解读为“26%的科学家已被替代”。任务粒度、抽样方式、主导的判定规则都会改变结果。约3万个并发Agent也不等于3万名全职员工：Agent可以短时、并行并承担细小任务。当前数据更适合看同一口径下的趋势，尚不适合直接比较公司生产力。

还要警惕“覆盖率崇拜”。100%的动作经过在线监控，只能证明管道没有绕过检查，不能证明检查器理解每个动作的上下文。未来最值得公开的是独立红队在固定攻击集上的检出率，以及规则更新前后是否用同一批样本回归测试。没有这一层，覆盖率只是系统接线图，不是安全成绩单。

立即可执行的审计清单

• 先定义任务单位，再统计AI建议、协作、主导和自主的占比。
• 把“动作经过检查”与“检查能抓住多少已知坏行为”分开报告。
• 记录在线阻止、离线标记、人工升级和最终确认的完整漏斗。
• 同时报告复核时延，避免高风险告警排队数天才处理。
• 保存模型、策略和工具版本，指标变化时才能找到原因。
• 每月用人工设计的攻击样本测一次监控召回率，而非只看自然流量。

如果实验室只能定期公开一个指标，你更希望看到自动化程度、监督有效性还是训练算力？

关注「蜗牛聊AI」，一起看懂技术变化背后的真正机会。