Anthropic 實測智慧體自主性：老手放權翻倍，自主工作最長超 45 分鐘

大家都在聊 AI 智慧體能幫你幹多少活，但現實裡，我們到底敢放手讓它自己跑多久？

Anthropic 釋出了一項針對真實場景下智慧體自主性的研究。他們分析了自家程式設計工具 Claude Code 以及公開 API 上數百萬次人機互動資料，給出了一個挺有意思的結論：目前的模型其實具備更強的自主能力，只是人類還沒敢完全放權。

老手放權自動批准，但隨時準備踩剎車

從資料來看，普通互動並沒有我們想像中那麼激進。Claude Code 的單次互動時長中位數大概在 45 秒左右，過去幾個月基本保持穩定。大部分時候，大家還是把智慧體當成快速問答和執行單步任務的幫手。

但長任務的資料變化非常劇烈。在排名前 0.1% 的高難度任務中，Claude Code 無需人類干預的連續執行時間從 2025 年 10 月的不到 25 分鐘，暴漲到了 2026 年 1 月的超過 45 分鐘，直接翻了一倍左右。

更有意思的是人類對工具的態度變化。使用不到 50 次的新手，只有大約 20% 的會話會開啟完全自動批准；而到了使用超過 750 次的老使用者手裡，全自動批准的比例躥升到了 40% 以上。老手不再死盯著每一步操作，而是把主控權交給 Claude，自己退到旁邊看監控，發現跑偏了再打斷。

而在面對最複雜的任務時，Claude Code 主動停下來向人請示或確認細節的次數，比人類手動打斷它的次數多出了兩倍以上。智慧體並非只顧一路狂奔，它也在學著主動設防。

在 Anthropic 內部的使用資料中，從 8 月到 12 月，Claude Code 在高難度任務中的成功率翻倍，單次會話的人工干預次數卻從 5.4 次下降到 3.3 次。

程式設計師在衝鋒，醫療和金融還在觀望

除了自家產品，Anthropic 還透視了公開 API 上的數千家客戶行為。目前來看，軟體工程佔據了近 50% 的智慧體活動，程式碼依然是智慧體最施展得開的試驗田。

雖然醫療、金融和網路安全等領域也開始出現智慧體的身影，但絕大多數動作仍然屬於低風險、可逆的操作。Anthropic 明確指出，高風險領域的自主落地還遠遠沒有形成規模。

這種落差形成了一種被稱為部署懸空（deployment overhang）的現象。像第三方機構 METR 此前的基準測試顯示，Claude Opus 4.5 已經能在理想環境下完成人類需要 5 小時才能搞定的任務，但在現實中，即便是最極限的會話，模型自主奔跑的時間也只有 40 多分鐘。

為什麼重要

這份研究第一次用真實資料戳破了關於智慧體的兩個極端幻想：它既不是毫無用處的單步玩具，也不是沒人管就能接管一切的黑盒。

對於開發者和工程師來說，這意味著你完全可以在繁瑣的工作流裡多給智慧體一點空間。老使用者的資料證明，信任是靠互動次數堆出來的，先從輔助寫指令碼過渡到半自動執行，再到有監控的自動批准，是一條被驗證過的工作習慣路徑。

我們認為，Anthropic 指出的大模型能力高於實際放權水平，揭示了行業接下來的核心卡點不再只是算力和推理基準，而是控制介面。過去的軟體介面是在人完全掌控下設計的，現在的互動範式必須轉向人與 AI 共同協商的邊界管理。

聰明的做法不是一味追求讓 AI 跑幾小時不報錯，而是像 Claude 這樣在遇到模糊邊界時主動暫停提問。對上下游來說，誰能先把這種可隨時介入、帶安全防線的監控產品做好，誰才能把企業客戶從低風險的程式碼場景，一步步推向高價值的業務腹地。