Pe 18 iunie 2026, Anthropic a publicat Project Fetch: Phase Two — un experiment în care un model Claude, fără asistență umană semnificativă, a programat și a operat singur un robot quadruped (un „robot-câine") prin Claude Code. Rezultatul, măsurat pe aceleași sarcini pe care echipe de oameni le rezolvaseră cu mai puțin de un an în urmă: Claude Opus 4.7 a fost de aproximativ 20 de ori mai rapid decât cea mai rapidă echipă umană. Pentru cine urmărește trecerea agenților AI din ecranul browser-ului în lumea fizică, acesta este unul dintre cele mai concrete repere de până acum din ceea ce Anthropic numește „epoca timpurie a AI-ului agentic fizic" (physical agentic AI).
În acest articol explic, fără exagerări de marketing, ce a fost de fapt Project Fetch, cum a fost construit experimentul, ce cifre a produs, ce a reușit și — la fel de important — ce încă nu a reușit modelul, și ce înseamnă toate astea pentru tine ca developer, inginer AI sau lider tehnic. Toate datele factuale de mai jos sunt preluate din materialul oficial Anthropic, citat la final.
Ce este Project Fetch (și de ce „Phase Two")
Project Fetch a pornit în august 2025 ca un experiment simplu de pus o întrebare incomodă: cât de mult ajută un model AI niște oameni care NU sunt specialiști în robotică să facă un robot fizic să funcționeze? În prima fază, Anthropic a luat un robot quadruped disponibil comercial (off-the-shelf) și a format echipe de oameni care nu erau experți în robotică. O echipă a lucrat fără asistență AI; alta a lucrat cu Claude (modelul de atunci, Claude Opus 4.1). Concluzia primei faze a fost că echipa asistată de AI a fost mai rapidă și mai puțin frustrată — un rezultat util, dar despre oameni ajutați de AI.
„Phase Two" pune o întrebare calitativ diferită și mult mai relevantă pentru 2026: dar dacă scoatem oamenii din buclă și lăsăm modelul să facă singur munca? În locul unei echipe umane asistate de Claude, cercetătorii — Michael Ilie, C. Daniel Freeman și Kevin K. Troy — au lăsat un model recent, Claude Opus 4.7, să orchestreze singur întreaga sarcină, cu un om redus la rolul de operator pasiv. Comparația devine astfel directă: același set de sarcini, oameni acum un an versus model autonom astăzi.
Această schimbare de cadru este exact saltul de la „copilot" la „agent". Un copilot îți accelerează munca; un agent face munca și îți cere doar aprobarea. Dacă vrei fundația conceptuală a acestei distincții — buclă de raționament, apel de unelte (tool use), autonomie — am tratat-o pe larg în ce sunt AI agents în 2026.
Cum a fost construit experimentul
Detaliul care contează cel mai mult, din perspectiva onestității experimentului, este cât de puțin a făcut omul. Rolul cercetătorului uman s-a redus, în esență, la patru gesturi: a conectat un laptop care rula Claude Code la robot, a introdus prompt-ul inițial, a aprobat comenzile pe care modelul voia să le execute și a aprobat trecerea modelului la sarcina următoare. Nicio scriere de cod, nicio depanare, nicio inginerie de control din partea omului.
Modelul folosit a fost Claude Opus 4.7 cu „adaptive thinking" (raționament extins, adaptat la dificultatea pasului), rulat în interiorul Claude Code — exact mediul agentic în care un model poate citi fișiere, scrie cod, rula comenzi în terminal și observa rezultatul. Cercetătorii au rulat trei încercări (trials) independente pentru a nu trage concluzii dintr-un singur noroc.
Sarcinile date modelului au reprodus un flux realist de „adu robotul la viață și pune-l să facă ceva util":
- să opereze robotul folosind controllerul livrat de producător;
- să se conecteze la senzorii de video și lidar ai robotului;
- să scrie și să ruleze un program de control manual al robotului;
- să dezvolte o modalitate de a monitoriza traiectoria robotului în spațiu;
- să scrie un program care să detecteze o minge de plajă;
- și, în final, partea grea — să recupereze autonom mingea (de aici și numele, fetch).
Merită notat un detaliu de rigoare științifică: cercetătorii spun că au testat preliminar și un model de generație mai nouă (referit ca „Claude Mythos Preview"), dar au constatat că nu ar fi oferit o comparație corectă, „măr la măr" cu rezultatele umane de acum un an, așa că au păstrat Opus 4.7 ca subiect principal. Este genul de precauție metodologică care îți spune că cifrele nu au fost alese ca să impresioneze.
Rezultatele: cifrele exacte
Aici experimentul devine spectaculos. Pe cele patru sarcini pe care toate echipele le-au finalizat (baza comună de comparație), timpii au fost:
- Echipa fără Claude: 361 de minute (peste șase ore).
- Echipa asistată de Claude: 181 de minute (aproximativ trei ore).
- Claude Opus 4.7, autonom: 9 minute și 35 de secunde.
Tradus în multiplicatori: modelul autonom a fost de circa 37,7× mai rapid decât echipa fără Claude și de circa 18,9× mai rapid decât echipa asistată de Claude — adică „aproximativ de 20 de ori mai rapid decât cea mai rapidă echipă umană", cum rezumă Anthropic în titlu.
La fel de relevant este cât de puțin cod a fost nevoie. Pentru a obține un rezultat comparabil, echipa asistată de Claude a scris 10.309 linii de cod, în timp ce Opus 4.7, autonom, a rezolvat sarcinile cu doar 1.045 de linii — de aproape zece ori mai puțin. (Pentru context, echipa fără Claude scrisese 1.136 de linii, dar în peste șase ore.) Mai puțin cod, mai repede, cu același rezultat: este definiția unei abordări mai eficiente, nu doar mai rapide.
Dacă extindem la toate cele cinci sarcini pe care echipa cu Claude le-a dus la capăt, decalajul se păstrează: oamenii au avut nevoie de 264 de minute, în timp ce Opus 4.7 a avut nevoie, în medie pe cele trei încercări, de 12 minute și 7 secunde.
De ce nu e doar „mai repede"
Tentația e să citești aceste cifre ca pe un simplu câștig de viteză. Dar saltul real e altul: oamenii din echipe nu erau experți în robotică, iar totuși, cu un model care scrie codul de integrare a senzorilor și logica de control, au reușit să facă robotul să funcționeze. Phase Two duce ideea mai departe — modelul nu mai ajută un om să scrie acel cod, ci îl scrie și îl operează singur. Bariera de competență dintre „am un robot în cutie" și „robotul face ceva util" se subțiază dramatic.
Ce NU a reușit modelul (partea care contează)
Un articol onest despre Project Fetch trebuie să insiste pe limite, pentru că ele desenează harta a ceea ce urmează. Modelul a excelat la partea de software: integrare de senzori, scriere de programe de control, detecție de obiecte. S-a împotmolit însă exact la sarcina care dă numele proiectului — recuperarea autonomă, precisă, a mingii.
Motivul este instructiv. A aduce o minge nu este o sarcină de cod, ci una de control în buclă închisă (closed-loop feedback control): robotul trebuie să perceapă poziția mingii, să se miște, să re-perceapă cât de mult s-a apropiat, să corecteze, și tot așa, în timp real, zeci de ori pe secundă. Anthropic descrie eforturile modelului ca fiind „slab controlate și... nereușite" la această parte fină. Modelul gândește excelent în pași discreți și verificabili (scrie cod → rulează → citește eroarea → corectează), dar lumea fizică continuă cere o coordonare senzor-acțiune fluidă pe care raționamentul în pași nu o surprinde încă.
Concluzia echipei este măsurată, și exact de aceea credibilă: „ne apropiem mult de o lume în care modelele vor putea folosi unelte fizice disponibile comercial cu relativă ușurință — cel puțin pentru scopuri limitate". Cuvintele „scopuri limitate" sunt esențiale. AI-ul agentic fizic în 2026 este real pentru sarcini structurate și verificabile, dar nu este încă robotul universal din science-fiction.
Ce înseamnă „AI agentic fizic"
Termenul pe care merită să-l reții din acest experiment este AI agentic fizic (physical agentic AI). Până acum, „agenții AI" trăiau în software: navigau pe web, completau formulare, scriau și rulau cod, apelau API-uri. Project Fetch arată un model care folosește aceleași abilități agentice — planificare, apel de unelte, observare a rezultatului, corecție — dar cu unelte care acționează în lumea fizică: senzori, motoare, un robot real.
Vestea importantă este că saltul nu a venit dintr-un model special antrenat pentru robotică. A venit din același tip de model generalist, agentic, pe care îl folosești deja pentru a scrie cod — pus să interacționeze cu un robot prin cod. Cu alte cuvinte, competențele care contează sunt aceleași: să știi să dai unui agent un obiectiv clar, unelte bine definite, garduri de siguranță și un mecanism de aprobare a acțiunilor. Robotul este doar încă o „unealtă" în buclă.
Această continuitate este și motivul pentru care experimentul e relevant pentru oameni care nu vor atinge niciodată un robot. Dacă înțelegi cum se construiește o buclă agentică sigură — obiectiv, unelte, observație, corecție, human-in-the-loop — ai deja modelul mental atât pentru un agent care îți reconciliază facturi, cât și pentru unul care comandă un robot.
De ce contează pentru cariera ta și pentru business
Pentru un developer sau inginer AI, lecția practică este că diferența nu a făcut-o „un model mai mare", ci disciplina agentică: sarcini descompuse în pași verificabili, unelte clare, aprobări la momentele cu impact ridicat și o buclă de observare-corecție bine pusă. Exact aceste deprinderi sunt cele transferabile între un agent software și unul care atinge hardware.
Pentru un lider tehnic sau de business, mesajul este dublu. Pe de o parte, sarcinile structurate de integrare și automatizare — chiar și unele care presupun hardware — devin dramatic mai ieftine și mai rapide. Pe de altă parte, exact pentru că un agent autonom execută acțiuni reale, governanța nu mai e opțională: izolare, permisiuni minime, audit și un om care aprobă pașii critici. Nu întâmplător, în Project Fetch fiecare comandă a fost aprobată de un operator uman înainte de execuție. Acel „aprobă comanda" este, în mic, întreaga doctrină de siguranță a agenților.
Notă de echilibru: Project Fetch este un experiment, nu un produs, și a fost rulat de echipa Anthropic în condiții controlate, cu sarcini alese. Nu îl citi ca pe o promisiune că orice robot poate fi automatizat mâine — citește-l ca pe un reper despre direcția și viteza progresului.
Cum te ajută cursurile de pe Cursuri AI
Vestea bună pentru cine vrea să fie pregătit este că abilitățile din spatele Project Fetch sunt exact cele predabile — și nu necesită un robot ca să le exersezi. Ele sunt fundamentul oricărui agent serios.
- Experimentul a rulat integral prin Claude Code. Dacă vrei să stăpânești exact mediul în care un model citește, scrie, rulează și corectează cod în buclă, Claude Code Mastery — coding agentic te duce de la primele comenzi la fluxuri agentice reale, cu aprobări și garduri.
- Logica de „obiectiv → unelte → observație → corecție" pe care a folosit-o modelul este chiar materia cursului AI Agents și automatizare: cum proiectezi un agent cu unelte multiple, cum gestionezi bucla de raționament și cum pui human-in-the-loop pentru acțiunile cu risc.
- Iar dacă vrei să vezi cum aceleași principii agentice se aplică atunci când agentul operează un mediu (un browser, un sistem de operare, o interfață), Computer Use & Browser Agents este pasul natural către agenți care nu doar scriu text, ci acționează — analogul software al „uneltei fizice" din Project Fetch.
Toate cele trei sunt parcursuri practice, cu cod rulat pas cu pas și profesorul AI integrat în fiecare lecție, gândite să te ducă de la „înțeleg conceptul" la „pot construi și pot opera în siguranță un agent".
Concluzie
Project Fetch: Phase Two nu este o demonstrație de robot care dansează. Este o măsurătoare sobră a unui prag: un model generalist, agentic, pus să programeze și să opereze singur un robot fizic, a fost de circa 20 de ori mai rapid decât cea mai bună echipă umană și a folosit de aproape zece ori mai puțin cod — dar s-a împiedicat exact la controlul fin, în buclă închisă, al lumii reale. Ambele jumătăți contează la fel de mult: progresul este real și rapid pentru sarcini structurate, iar limitele sunt reale și instructive pentru tot ce înseamnă coordonare fizică continuă.
Pentru tine, concluzia practică este simplă: viitorul nu aparține celor care au cel mai mare model, ci celor care știu să proiecteze, să opereze și să guverneze agenți. Acea competență se învață, se exersează și — spre deosebire de un robot-câine — o poți începe astăzi, de la laptopul tău.
Surse
- Anthropic — Project Fetch: Phase Two (articol de cercetare oficial, 18 iunie 2026)
- Anthropic — Research (pagina centrală a publicațiilor de cercetare)
- Anthropic — Claude Code (documentație oficială)
Acest articol este conținut educațional. Cifrele și citatele sunt preluate din materialul oficial Anthropic; capabilitățile modelelor AI evoluează rapid, așa că validează întotdeauna afirmațiile pe sursa primară și pe documentația curentă.