METR Ungkap Percepatan Riset AI Anthropic Disebabkan AI Sendiri

Evaluator independen METR menerbitkan penilaian pada 5 November 2026 tentang percepatan riset dan pengembangan AI di Anthropic. Hasil penilaian ini menarik perhatian besar di dunia AI. Skor benchmark internal AECI Anthropic tumbuh 1,9 kali lebih cepat sejak Oktober 2025. Interval kepercayaan 95 persen berada antara 1,5 sampai 2,8 kali.

Lebih menarik lagi, METR mengestimasi alat AI menyumbang sekitar 80 persen dari percepatan saat ini. Ini bukan karena penambahan komputasi pelatihan, tapi karena AI itu sendiri membantu membangun model yang lebih baru. Dengan kata lain, AI sedang membantu mempercepat pengembangan AI generasi berikutnya.

METR mengatakan tidak menemukan hambatan yang meyakinkan terhadap pertumbuhan cepat ini dalam 12 bulan ke depan. Namun, sebagian besar bukti pendukung disensor oleh Anthropic. Ini menimbulkan pertanyaan seberapa jauh kita bisa mempercayai data yang disajikan.

Angka di Balik "1,9 Kali Percepatan"

Angka 1,9 tidak bermakna sebelum kita tahu apa yang diukur. AECI adalah benchmark internal Anthropic untuk tugas-tugas yang spesifikasinya jelas, jadi kenaikan skornya berarti model makin mahir menyelesaikan pekerjaan yang sudah terdefinisi dengan rapi. Yang berubah bukan modelnya yang jadi lebih pintar dalam satu lompatan, melainkan laju peningkatannya.

Interval kepercayaan 95 persen antara 1,5 dan 2,8 kali memberi gambaran kejujurannya. Ujung bawahnya masih berarti percepatan satu setengah kali; ujung atasnya berarti hampir tiga kali. METR tidak menyembunyikan lebarnya rentang ini, dan itu justru membuat angkanya lebih bisa dipercaya daripada klaim satu angka bulat.

Yang perlu digarisbawahi: ini tidak mengukur manusia kalah cepat, melainkan alat AI menggeser kurva kemampuan ke atas. Percepatan 1,9 kali adalah laju perbaikan kemampuan, bukan jumlah pelonggaran tugas. Dua hal itu sering tercampur dalam pemberitaan, dan artikel ini tidak mencampurnya.

Cara AI Membantu AI: Mekanisme Percepatannya

Bagaimana AI mempercepat pengembangan AI? Jawabannya ada pada tiga pekerjaan yang dikerjakan model-model sebelumnya hampir sepenuhnya oleh manusia.

Pertama, penulisan kode. Asisten koding AI menulis dan memperbaiki sebagian besar kode infrastruktur laboratorium sebelum tim manusia menyentuhnya. Kalau kode eksperimen selesai dua kali lebih cepat, siklus mencoba dan mengukur kemampuan model juga menjadi dua kali lebih cepat. Ini bukan tentang model yang menulis dirinya sendiri secara harfiah, melainkan tentang mempercepat satu sendi dari siklusnya.

Kedua, analisis eksperimen. Model yang lebih baru membaca hasil eksperimen, menemukan pola yang terlewat manusia, dan mengusulkan percobaan berikutnya. Siklusnya jadi: satu generasi membantu mengarahkan generasi berikutnya, lalu generasi itu membantu lagi. Analogi warung kopinya begini: dulu pembantu yang menyuguhkan kopi tidak bisa bilang "kopi hari ini kurang bubuk", sekarang ia bisa, jadi racikannya membaik lebih cepat.

Ketiga, orkestrasi komputasi. Penjadwalan klaster GPU, pemilihan arsitektur, dan penyetelan parameter latihan adalah pekerjaan yang beratnya komputasi dan berpola: model AI bisa menguji ribuan kombinasi yang tidak sempat disentuh manusia satu per satu.

Inilah yang dimaksud METR ketika menyebut alat AI menyumbang sekitar 80 persen percepatan. Bukan komputernya yang bertambah 80 persen, melainkan pekerjaan yang dikerjakan AI di dalam siklus risetnya.

Apa Itu AECI dan Mengapa Penting

AECI adalah benchmark internal Anthropic yang mengukur kemampuan model dalam melakukan tugas yang spesifikasinya jelas. METR mengaudit Anthropic dari Agustus hingga Oktober 2026. Tujuan audit adalah untuk menentukan apakah AI mempercepat pengembangan dirinya sendiri.

Konsep ini dikenal sebagai Recursive Self-Improvement atau RSI. Artinya AI bisa memperbaiki diri sendiri, lalu versi yang lebih baik itu memperbaiki versi sebelumnya lagi, dan seterusnya. Jika RSI tercapai, perkembangan AI bisa menjadi sangat cepat dan sulit untuk dikendalikan.

Dario Amodei, CEO Anthropic, sebelumnya menulis bahwa AI mungkin segera mempercepat penelitiannya lebih dari yang bisa dievaluasi peneliti. METR memberikan data yang mendukung klaim tersebut, meskipun dengan jeblok sensor pada sebagian bukti.

Perlu dicatat bahwa klaim Amodei adalah klaim dari pihak yang paling berkepentingan: CEO laboratorium yang diukur. Justru di titik itulah METR berperan penting, karena ia adalah pihak ketiga yang tidak menerima bayaran dari Anthropic dan tidak bergantung pada naik turunnya laba industri ini.

Analisis Mendalam: Implikasi RSI bagi Keamanan AI

Percepatan riset AI yang dijalankan AI sendiri memiliki implikasi besar. Jika kecepatan pengembangan terus bertambah, regulator akan kesulitan mengikuti. Kebijakan yang dibuat hari ini mungkin sudah ketinggalan zaman besok.

Berikut beberapa implikasi yang perlu diperhatikan:

Tabel di atas menunjukkan risiko yang perlu diantisipasi. METR menyarankan evaluator eksternal disisipkan di dalam laboratorium AI. Ide ini didukung oleh Amodei dan Sam Altman dari OpenAI.

Implikasi bagi industri AI juga terasa nyata. Jika AI bisa mempercepat pengembangan dirinya sendiri, perusahaan AI akan semakin sulit dibertahankan oleh pemain baru. Biaya untuk tetap kompetitif akan semakin tinggi. Hanya perusahaan dengan sumber daya besar yang dapat bertahan.

Ada satu pola yang mengikat keempat implikasi itu: semuanya menunggu pihak luar datang lebih dulu, padahal yang perlu dijawab adalah siapa yang menjaga ritmenya. Kalau ritmenya sudah ditentukan oleh sistem yang sedang berkembang, maka keamanan, transparansi, dan regulasi semuanya tertinggal satu langkah dari kendaraan yang sudah jalan.

METR adalah organisasi non-profit yang funded oleh donasi. Mereka tidak menerima kompensasi dari laboratorium AI yang dievaluasi mereka. Ini memberikan tingkat keobjektivan yang lebih tinggi dalam penilaian mereka.

Bukti yang Disensor: Apa yang Bisa dan Tidak Bisa Diverifikasi

Bagian paling lemah dari laporan METR sekaligus paling jujur adalah soal sensor. Sebagian besar bukti pendukung disensor oleh Anthropic, pihak yang sedang diaudit. Artinya, publik hanya melihat kesimpulan METR dan sedikit jejak angka yang lolos sensor.

Ada dua cara membaca kondisi ini, dan keduanya masuk akal. Cara pertama: laboratorium AI berhak melindungi rahasia dagang, dan evaluator yang memang berizin akses rakusnya punya kewajiban hukum untuk merahasiakan sebagian besar yang ia lihat. Cara kedua: audit yang bukti perinciannya tidak bisa diperiksa publik mengandalkan kepercayaan pada evaluatornya, bukan pada data yang bisa dicek siapa pun.

Perlu dicatat bahwa METR tidak berpura-pura mempunyai akses tak terbatas. Ia justru menuliskan keterbatasan itu di laporannya, lengkap dengan interval kepercayaan yang lebar. Kejujuran soal keterbatasan ini bukan kelemahan laporan; ia adalah alasan laporkan ini bisa dibaca dengan hati-hati.

Apa yang tidak boleh dilakukan pembaca adalah memperlakukan angka 1,9 kali ini seolah-olah ia adalah angka yang sudah terverifikasi pabrik. Angkanya adalah hasil audit pihak ketiga yang terbaik yang ada sekarang, dan bahkan itu meredaksi bukti perinciannya. Pembaca yang cerdas membaca angka ini dengan dua pikiran: angka ini paling baik yang tersedia, dan ketersediaannya soal kepastian masih terbatas.

Dampak Bagi Masyarakat

Perkembangan RSI juga memiliki dampak bagi masyarakat secara luas. Pertama, jika AI bisa memperbaiki diri sendiri dengan cepat, automation akan semakin luas di berbagai sektor. Ini dapat mengubah bentuk pekerjaan yang ada. Kedua, regulasi AI yang fleksibel diperlukan agar inovasi tidak terhambat, tapi tetap aman bagi masyarakat. Ketiga, edukasi tentang AI perlu diperluas agar masyarakat memahami bagaimana teknologi ini bekerja.

Namun, ada juga kekhawatiran. Jika perkembangan AI terlalu cepat tanpa pengawasan yang cukup, risiko keamanan akan meningkat. Pemerintah perlu memantau perkembangan ini dengan lebih baik dan membuat kebijakan yang seimbang antara inovasi dan keamanan.

Ada satu dampak yang lebih halus: selama ini asumsi publik adalah manusia yang memimpin ritme kemajuan AI. Asumsi itu membuat diskusi publik nyaman, karena selalu ada yang bisa disalahkan dan diajak berunding. Laporan METR memberi tahu kita bahwa asumsi itu mungkin sudah tidak akurat, dan kebanyakan pembaca belum menyesuaikan ekspektasinya.

Satu hal yang perlu dijaga pembaca: laporan ini diterbitkan pada 5 November 2026 oleh evaluator yang tidak dibayar laboratorium mana pun, jadi bobotnya berbeda dari pernyataan perusahaan. Ia tidak membuktikan bahwa RSI sudah tercapai, hanya bahwa percepatannya terukur dan buktinya rapuh. Dua hal itu bisa benar bersamaan, dan keduanya layak dibaca dengan hati yang sama.

Inilah sebabnya laporan ini penting di luar angka 1,9 nya. Ia memberi pembaca alasan untuk berhenti bertanya "kapan AI akan berubah" dan mulai bertanya "siapa yang sebenarnya mempercepat perubahan itu sekarang, dan siapa yang menyaksikannya".

Daftar Istilah Kunci

• METR: Evaluator independen non-profit untuk riset AI
• AECI: Benchmark internal Anthropic untuk mengukur kemampuan model
• RSI: Recursive Self-Improvement, AI memperbaiki dirinya sendiri secara berulang
• Dario Amodei: CEO Anthropic
• Sam Altman: CEO OpenAI
• Interval kepercayaan: Rentang angka di mana skor sebenarnya kemungkinan besar berada, bukan satu angka pasti