Anthropic: Claude מוביל 26% ממחקר ופיתוח המודלים שלה
לפי Anthropic, Claude מוביל 26% מעבודת המחקר והפיתוח של המודלים שלה ומשתתף בכ־90% ממנה. העבודה נעשית בהכוונה ובפיקוח אנושיים, ולא באופן עצמאי.
Claude אינו רק מוצר ש־Anthropic מציעה ללקוחות: לפי מדדים שפרסמה החברה ב־17 בספטמבר, הוא מוביל 26% מעבודת המחקר והפיתוח של המודלים שלה, וכ־90% מהעבודה נעשית בשיתוף עמו. הנתונים מתארים מעורבות נרחבת בבניית דור המודלים הבא, אבל לא פיתוח עצמאי ללא בני אדם: המשימות מבוצעות בהכוונה ובפיקוח אנושיים.
מה פורסם: מהשתתפות בעבודה להובלת משימות
החידוש בהודעה הוא היקף המעורבות שעליו Anthropic מדווחת. שימוש ב־AI לכתיבת קוד הוא רק חלק מהסיפור; כאן החברה מציגה אותו כשותף בתהליך שבאמצעותו היא מפתחת מודלים. ההבחנה חשובה, משום שתוצרי העבודה אינם מיועדים רק לתוכנה חיצונית או לשירות לקוחות, אלא עשויים להשפיע על המערכות שהחברה תפתח בהמשך.
שני האחוזים מתארים רמות שונות של מעורבות, ואסור לחבר אותם. הנתון של כ־90% מתייחס לעבודה בשיתוף Claude, ואילו 26% מתייחס לעבודה שהוא מוביל. גם המילה ״מוביל״ אינה אומרת שהמערכת בוחרת לבדה את מטרות המחקר, מאשרת את תוצאותיו או מחליטה איזה מודל ישוחרר לציבור. לפי התיאור שנמסר, בני אדם ממשיכים לכוון ולפקח.
יש גם משמעות לזהות המדווחת: אלה מדדים ש־Anthropic מפרסמת על העבודה שלה עצמה. הם מספקים הצצה לשימוש הפנימי במוצר, אך אינם שקולים לבדיקה עצמאית של יעילותו. בקריאת הנתונים צריך להפריד בין מה שהחברה מדדה, האופן שבו הגדירה את המדידה, והמסקנות שאפשר להסיק ממנה על עתיד המקצוע.
מה הנתונים לא מוכיחים על קצב הפיתוח
הובלה של יותר מרבע מהעבודה נשמעת כמו קיצור משמעותי בדרך למודל הבא, אבל שיעור מעורבות אינו שיעור חיסכון. משימה יכולה להתבצע בעזרת Claude ועדיין לדרוש תכנון, בדיקה ותיקונים רבים. מנגד, משימה קטנה יחסית יכולה להסיר חסם חשוב. בלי מידע על מורכבות המשימות ועל זמן העבודה הכולל, אי אפשר לתרגם את האחוזים לתוספת תפוקה.
- הגדרת העבודה: האם המדידה סופרת משימות, זמן עבודה או יחידות אחרות? לכל שיטה משמעות שונה.
- איכות התוצרים: כמה מהעבודה שהמודל הוביל התקבלה, וכמה דרשה תיקון או ננטשה?
- עלות הפיקוח: כמה זמן השקיעו חוקרים בהכוונה, באימות ובטיפול בשגיאות?
- תרומה לתוצאה: האם המעורבות שיפרה את תהליך המחקר או רק הגדילה את כמות התוצרים שנבדקו?
אלה שאלות לבחינת הנתונים, לא טענות שהמדידה שגויה. כדי להשוות בין צוותים או בין תקופות נדרשת הגדרה עקבית של ״הובלה״ ושל ״שיתוף״. אחרת, עלייה בשיעור השימוש יכולה לשקף שינוי בדרך חלוקת המשימות, ולא בהכרח שיפור ביכולות המערכת או קיצור הזמן הדרוש לפיתוח.
26% מהעבודה בהובלת Claude אינם 26% פחות חוקרים, 26% פחות עלויות או פיתוח מהיר יותר באותו שיעור. התחקיר מתאר היקף מעורבות, לא מדידה של התוצאות האלה.
AI בפיתוח AI: הפיקוח צריך להיות חלק מהתהליך
האפשרות שמודל יסייע בפיתוח מודלים מעוררת שאלה שונה מזו של השלמת קוד רגילה: מי בודק את ההנחות שעליהן נשענת העבודה? בתרחיש מחקרי, קוד שפועל ללא שגיאה אינו בהכרח ניסוי שתוכנן נכון. גם תוצאה שנראית מבטיחה עלולה לנבוע מבחירה לא מתאימה של נתונים או משיטת הערכה שאינה בוחנת את היכולת הרצויה.
אלה סיכונים עקרוניים של תהליך מחקר בסיוע AI, ולא כשלים שדווחו כאן על Anthropic. ההבחנה נחוצה במיוחד משום שהנתונים עלולים להיקרא כהוכחה למערכת שמקדמת את עצמה ללא התערבות. בפועל, התיאור שנמסר משאיר את ההכוונה והפיקוח בידי אנשים. היקף הפעולות של המודל לבדו אינו מספר עד כמה הפיקוח הזה עמוק או יעיל.
השאלה החשובה אינה רק כמה עבודה המודל מוביל, אלא מי יכול להסביר מדוע התוצאה שלו ראויה להתקבל.
מבחינה מעשית, תהליך כזה צריך לאפשר שחזור של ניסויים, תיעוד של החלטות ובדיקה שאינה מסתפקת בהסבר שהמודל נותן לתוצר שלו. רצוי גם להבחין בין הרשאה לבצע משימה לבין סמכות לאשר את מסקנותיה. אלה עקרונות לבחינת תהליכי עבודה מסוג זה, ולא תיאור של מנגנוני הפיקוח הפנימיים של Anthropic, שאינם מפורטים בתחקיר.
מה צוותי פיתוח בישראל יכולים ללמוד
לסטארטאפ ישראלי שמפתח מוצר AI אין בהכרח תהליך עבודה דומה לזה של מעבדת מודלים. לכן הנתון של Anthropic אינו יעד שכדאי להעתיק. השאלה הרלוונטית למנהל פיתוח בארץ היא היכן אפשר להעביר למודל משימה מוגדרת, עם תוצאה שניתנת לבדיקה, בלי להעמיס על צוות קטן יותר עבודת ביקורת מכפי שחסך בביצוע.
למשל, צוות בישראל שבוחן רכיב לעיבוד מסמכים בעברית יכול להיעזר ב־AI בהכנת קוד בדיקה או בניתוח תוצאות. האחריות לקבוע אם הבדיקה מייצגת מסמכים אמיתיים, מתמודדת עם כיווניות ומזהה שגיאות בעלות משמעות עסקית צריכה להישאר ברורה. זו דוגמה ליישום אפשרי של העיקרון, לא שימוש שעליו דווח בהודעת החברה.
מדידה שימושית לעסק כזה תכלול את הזמן מהגדרת המשימה ועד לאישור התוצר, לרבות תיקונים ובדיקות. כשמעורבים מסמכי לקוחות או קוד רגיש, יש לבחון גם הרשאות ותנאי שימוש בנתונים לפני העברתם לכלי חיצוני. רמת השימוש הפנימי של ספקית AI אינה תחליף לבדיקת ההתאמה של המוצר לתהליך ולמידע של עסק ישראלי.
מה כדאי לחפש בדיווחים הבאים
המדד הבא שכדאי לחפש אינו רק אחוז גבוה יותר של משימות בהובלת Claude. מידע על איכות התוצרים, זמן הבדיקה האנושית והשפעה על משך המחקר יעזור להבין אם המעורבות מתורגמת לשיפור ממשי. גם פירוט של סוגי המשימות עשוי להבהיר היכן המודל מועיל במיוחד, והיכן נדרשת התערבות אנושית משמעותית.
נכון ל־20 בספטמבר, המסקנה הזהירה היא ש־Anthropic מדווחת על שילוב רחב של Claude במחקר ובפיתוח המודלים שלה, כולל הובלת חלק מהעבודה תחת פיקוח. עבור צוותים בישראל, הערך בחדשות האלה אינו הבטחה להחלפת חוקרים ומפתחים, אלא סיבה לבדוק חלוקת עבודה אחרת: לתת ל־AI יותר אחריות ביצועית, בלי לטשטש את האחריות האנושית לתוצאה.
שאלות נפוצות
כמה מפיתוח המודלים של Anthropic נעשה בעזרת Claude?
לפי מדדים שפרסמה Anthropic ב־17 בספטמבר 2026, Claude מוביל 26% מעבודת המחקר והפיתוח של המודלים שלה, וכ־90% מהעבודה נעשית בשיתוף עמו. אלה נתונים שהחברה פרסמה על עבודתה שלה, ולא מדד לכלל תעשיית ה־AI.
האם Claude משפר את עצמו באופן עצמאי?
הדיווח אינו מתאר מערכת שמשפרת את עצמה באופן עצמאי לחלוטין. מדובר בביצוע משימות בהכוונה ובפיקוח אנושיים כחלק מתהליך המחקר והפיתוח של Anthropic.
האם הנתונים מוכיחים ש-Claude מחליף חוקרי AI?
לא. שיעור השתתפות או הובלה של משימות אינו מלמד כשלעצמו כמה משרות נחסכו או כמה זמן התקצר הפיתוח. לשם כך נדרשים נתונים נוספים על זמן עבודה, איכות התוצרים והיקף הבדיקה האנושית.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות