Саймон Уиллисон сидел в зале Anthropic Code w/ Claude 2026 и записывал тайм-коды. За два часа он увидел достаточно, чтобы понять: рынок AI-кодинга достиг переломной точки. Вместо анонса новой модели — бизнес-метрики, партнёрства и стратегия масштабирования. Вот ключевые моменты и что они значат для индустрии.

SpaceX Colossus: крупнейший GPU-кластер теперь обслуживает Anthropic

Самая неожиданная новость дня: Anthropic объявила о партнёрстве со SpaceX. Все мощности дата-центра Colossus — того самого, который Илон Маск называл крупнейшим в мире GPU-кластером — будут задействованы для обслуживания клиентов Anthropic. Конкретные цифры не раскрываются, но масштаб впечатляет: Colossus насчитывает более 100 000 H100 и H200 GPU, объединённых в единую вычислительную сеть.

Параллельно Anthropic показала метрику, которая объясняет, зачем ей столько вычислительных мощностей. API-трафик платформы вырос в 17 раз за год — год к году. Это не постепенный рост, а экспонента. Каждый новый релиз модели, каждая новая возможность Claude Code увеличивают нагрузку на инфраструктуру. Клиенты, которые год назад использовали Claude для отдельных задач, теперь перевели на агентное управление целые пайплайны.

Примечательно, что партнёрство со SpaceX — не про деньги напрямую. Речь о вычислительных ресурсах, которые Anthropic не смогла бы нарастить самостоятельно за такой срок. Строительство дата-центра на 100 000 GPU занимает годы. Партнёрство даёт доступ к уже существующей инфраструктуре. Это модель, которую мы увидим чаще: AI-компании арендуют compute у компаний с избыточными мощностями, вместо того чтобы строить собственные дата-центры.

Mercado Libre: 23 000 инженеров и цель 90% автономного кода к Q3

Cat Wu, глава продукта Claude Code, привела конкретный пример масштабирования. Mercado Libre — крупнейшая e-commerce платформа Латинской Америки с более чем 85 миллионами активных пользователей — поставила цель: к Q3 2026 года 90% кода пишется автономно. Это означает перераспределение ролей для 23 000 инженеров компании: от написания кода к его проверке, архитектурному планированию и интеграции.

Рядом — Shopify, который тоже наращивает долю AI-генерённого кода, но цифра Mercado Libre впечатляет больше. Это не стартап с десятком разработчиков, а публичная компания с десятками миллионов пользователей и соответствующим уровнем требований к качеству, безопасности и compliance. Когда такая компания ставит цель 90% автономного кода — это сигнал всей индустрии.

Что это значит на практике? Инженер Mercado Libre больше не пишет код строка за строкой. Он описывает задачу агенту, проверяет результат, утверждает архитектурные решения. Роль смещается от « writer» к «reviewer и architect». Это не деградация профессии — это переход на более высокий уровень абстракции, аналогичный тому, как переход от ассемблера к Python не сделал программистов хуже, а позволил решать более сложные задачи за то же время.

Multi-agent orchestration: три агента вместо одного

Новая возможность Claude Managed Agents называется Multi-agent orchestration. До сих пор агент работал в одиночку: поставил задачу — он её выполняет. Теперь можно запустить флот агентов, которые координируются между собой.

На демо показывали сценарий: посадка дронов на Луну. Commander-агент получает задачу и распределяет подзадачи. Detector-агент ищет препятствия и аномалии. Navigator-агент прокладывает маршрут. Каждый работает параллельно, результаты агрегируются в реальном времени. Если один агент находит проблему — вся система адаптируется, перераспределяет ресурсы и корректирует курс.

Публичный beta-доступ к мультиагентной оркестровке открыт сегодня. Это означает, что уже можно строить пайплайны из десятков специализированных агентов — каждый под свою задачу: один ищет баги, другой пишет тесты, третий оптимизирует производительность, четвёртый проверяет security. Изменение принципиальное: если раньше агент был усиленной версией одного разработчика, то теперь — это целая команда.

Dreaming: ночной режим для самоулучшения агента

Вторая ключевая фича — Dreaming. Это не просто автономная работа агента ночью. Anthropic описывает Dreaming как способность Claude «осмысливать» предыдущие сессии и находить то, что он пропустил — системно, а не хаотично.

В демо агент запустили на сложную задачу, он не справился полностью. Запустили Dreaming на ночь — агент просмотрел свои предыдущие сессии, нашёл паттерн ошибок и создал файл descent-playbook.md с инструкцией, как действовать в подобных случаях в будущем. Утром пользователь получил не просто результат, а научившегося агента.

Dreaming пока в статусе research preview — доступ по заявке. Но сама идея значимая: агенты смогут накапливать опыт между сессиями и самостоятельно закрывать свои слабые места. Это приближает их к модели human learning: не просто «научился делать X», а «понял, почему я делал X неправильно и как делать лучше».

Практическое применение Dreaming обширно. Представьте агента, который каждую ночь анализирует свои失败ы (failed attempts) за день и обновляет внутренние инструкции. Если в понедельник он неправильно обработал edge case в API-авторизации, во вторник он уже знает, как это исправить, без участия человека. Это closest к тому, что мы называем «накопление опыта» в software engineering.

Advisor strategy: Opus как учитель для Sonnet

Третья интересная стратегия — Advisor. Opus 4.5 может выступать советчиком для более слабых моделей в реальном времени. На бенчмарках вызов Opus as Advisor для Sonnet дал результаты уровня frontier-модели при 5x меньшей стоимости.

Один из клиентов, eve, получил «frontier quality at 5x lower cost» просто добавив в свой пайплайн вызов Opus для критических участков кода. Sonnet быстрее и дешевле, но для сложных участков переключается на Opus и получает совет, как действовать. Это называют «the advisor strategy» — модель-учитель встроена в рабочий процесс модели-ученика.

Механика работает так: Sonnet в процессе работы посылает «аварийный» запрос к Opus, когда чувствует неуверенность. Opus анализирует контекст и возвращает рекомендацию. Sonnet применяет рекомендацию и продолжает работу. Пользователь получает результат уровня Opus по цене Sonnet. Это approach, который стоит взять на заметку: не всегда нужна frontier-модель для всех задач, иногда достаточно «консультации» от неё.

Claude Code Desktop: код пишется асинхронно

Boris Cherny, создатель Claude Code, показал Desktop-приложение в действии. Демо: добавление функционала возвратов в дашборд ACME. Claude работает с idempotency (нельзя сделать двойной возврат), multi-currency, audit logging для compliance. Параллельно показывает in-development веб-UI в правой панели, где можно видеть, как Claude находит edge-case баг в реальном времени.

Но важнее — показан побочный эффект: несколько сессий Claude работают параллельно, и пользователь переключается между ними как между вкладками браузера. Одна сессия ждёт ответа от API, другая уже пишет тесты, третья проверяет безопасность. «Мы думаем, что много кода будет писаться асинхронно», — говорит Борис.

Также представлены Routines — «higher-order prompts», которые настраивают асинхронные автоматизации. Поставил задачу вечером — утром PR готов к мержу. Claude пишет код для Claude Code без участия человека. Причём не просто генерирует код, а создаёт осмысленные коммиты, пишет документацию и добавляет тесты — всё, что ожидает увидеть ревьюер.

Claude Design: вкус к визуальному дизайну у Opus 4.7

Отдельный анонс — Claude Design. Dianne Na Penn, Head of Product for Research, сказала прямо: «Opus 4.7 has a real taste for visual design». Модель не просто генерирует работающий код — она понимает эстетику и создаёт интерфейсы, которые выглядят профессионально.

Для индустрии это сигнал: AI-кодинг прошёл этап «генерирует линтер-качество». Теперь речь о полном цикле — от архитектуры до визуальной упаковки продукта. Junior-разработчик с хорошим промптом может конкурировать по качеству UI с более опытным коллегой. Это не замена дизайнерам — это снижение порога входа для создания качественных интерфейсов.

CI auto-fix: красный X исчезает до того, как его увидит человек

Представлена функция CI auto-fix. Идея простая: Claude Code автоматически исправляет ошибки в PR до того, как человек увидит красный X. Агент мониторит CI/CD пайплайн, при обнаружении failure — сам разбирается в проблеме и отправляет фикс.

Как это работает: CI показал, что тест упал на строке 142 в файле auth.py. Claude Code автоматически открывает файл, анализирует контекст, находит причину (неправильная обработка edge case в функции validate_token), пишет патч и отправляет новый коммит. Человек-ревьюер видит уже исправленную версию. Экономия времени — в часах на человека в день, которые раньше тратились на чтение failure output, поиск причины и написание патча.

Почему это важно: контекст рынка

Все эти анонсы происходят на фоне обостряющейся конкуренции. OpenAI с Codex, Google с Gemini Code Assist, Microsoft с GitHub Copilot — каждый год все крупные игроки усиливают AI-кодинг. Но Anthropic делает ставку не на одну фичу, а на целую экосистему: от infrastructure (SpaceX) до workflow (multi-agent, Dreaming, Advisor).

17x рост API — это не просто популярность. Это клиенты, которые платят реальные деньги и не уходят. Компании, которые год назад «попробовали» Claude Code, сейчас используют его для production-систем. Это означает, что AI-кодинг прошёл точку «proof of concept» и стал частью реального software development lifecycle.

Часто задаваемые вопросы

Чем Dreaming отличается от обычной автономной работы агента?

Обычный агент работает над задачей и останавливается. Dreaming анализирует паттерны ошибок и создаёт новые знания — файл descent-playbook.md, который можно использовать в будущих сессиях. Агент не просто выполняет задачу лучше, а становится умнее между сессиями. Это приближает его к модели человеческого обучения на опыте, а не просто к оптимизации на промпте.

Что такое мультиагентная оркестровка на практике?

Вместо одного агента, который делает всё, вы запускаете несколько специализированных агентов. Commander получает задачу и распределяет между специалистами. Detector ищет проблемы. Navigator оптимизирует путь. Results агрегатор собирает выводы. Это ближе к микросервисной архитектуре, чем к монолитному агенту. Каждый агент специализируется на своей области и работает параллельно с остальными.

Mercado Libre с 90% автономного кода — это реалистично?

Цель амбициозная, но тренд подтверждён метриками других компаний. Stripe, Binti, Shopify уже значительно увеличили долю AI-генерённого кода. Для e-commerce платформы с 23 000 инженеров переход на 90% автономного кода означает перераспределение ролей: инженеры становятся архитекторами и ревьюерами, а не писателями кода. Качество при этом не страдает — наоборот, ревьюеры получают больше времени на сложные решения и архитектурный надзор.

Почему SpaceX открывает Colossus для Anthropic?

Colossus — это HPC-инфраструктура SpaceX, построенная для собственных нужд (Starlink, Falcon). Но часть мощностей простаивает в периоды низкой нагрузки. Anthropic предлагает деньги за доступ к простаивающим GPU. Для SpaceX — это диверсификация дохода от compute. Для Anthropic — быстрый доступ к масштабу, который невозможно построить за месяцы. Обе стороны выигрывают.

Итог

Code w/ Claude 2026 — это не презентация новой модели. Это показ того, что инфраструктура AI-кодинга созрела: SpaceX тратит GPU на клиентов Anthropic, 17x рост API, Shopify и Mercado Libre ставят цели на Q3. Multi-agent orchestration, Dreaming и Advisor strategy — три разных подхода к масштабированию возможностей агентов. Подробности — в live blog Саймона Уиллисона.