Benchmarkovi obično pokazuju koji model skuplja više bodova. Istraživačka organizacija METR postavlja pitanje korisnije za svakoga tko planira uvesti AI agente: koliko dug zadatak, mjeren vremenom koje treba iskusnom stručnjaku, agent može sam dovršiti? U ožujku 2023. odgovor za GPT-4 bio je oko 4 minute. U veljači 2026. za Claude Opus 4.6 bio je oko 12 sati. U ovom članku prolazimo kroz podatke, ono što pokreće trend, gdje metrika prestaje vrijediti i kako je koristiti za dimenzioniranje posla za agente u vašoj tvrtki.
Što mjeri „vremenski horizont”
METR-ov aktualni skup zadataka, Time Horizon 1.1, ima 228 zadataka iz HCAST-a, RE-Bencha i skupa kratkih softverskih radnji. Rasponom idu od oko jedne sekunde do 30 sati ljudskog rada, a većinom su to zadaci iz softverskog inženjerstva, strojnog učenja i kibernetičke sigurnosti s automatskim ocjenjivanjem. METR mjeri vrijeme iskusnih stručnjaka na svakom zadatku (u prosjeku oko pet godina relevantnog iskustva) i pokreće svakog agenta šest puta po zadatku. Zatim prilagođava logističku krivulju uspjeha prema duljini ljudskog zadatka. Horizont uz 50 % uspjeha je duljina zadatka na kojoj agent prema modelu uspijeva u pola slučajeva; horizont uz 80 % isto je to uz 80 % uspjeha.
Dva su česta pogrešna tumačenja. Horizont nije vrijeme koliko agent radi: agenti su na zadacima koje riješe obično nekoliko puta brži od ljudi. I nije tvrdnja o svakom poslu te duljine: zadaci su zaokruženi i jasno zadani, pa METR „zadatak od 2 sata” opisuje kao ono što bi novi zaposlenik ili vanjski suradnik bez prethodnog konteksta napravio za dva sata. Zato je ova metrika dopuna ljestvicama iz naše usporedbe AI modela i benchmarkova, a ne njihova zamjena.
Šest godina podataka na jednom grafu
Izvor: METR, benchmark_results_1_1.yaml (stranica zadnji put ažurirana 8. 9. 2026.). Svaki korak na okomitoj osi je ×10. Claude Mythos Preview je rana verzija izmjerena u travnju 2026.; vrijednosti iznad 16 h s ovim skupom zadataka nisu pouzdane. METR nije objavio horizonte za Mistralove modele; Manus je agentski proizvod na tuđim modelima i nije mjeren.
Na logaritamskoj osi točke čine iznenađujuće ravnu liniju: GPT-2 iz 2019. rješavao je zadatke od oko 3 sekunde, GPT-4 oko 4 minute, Claude 3.7 Sonnet (veljača 2025.) oko sat vremena, o3 oko dva sata, GPT-5 oko 3,4 sata, GPT-5.2 oko 5,9 sati, a Claude Opus 4.6 oko 12 sati. Od GPT-4 do rane verzije Claude Mythos Previewa (17,4 sata) horizont je u tri godine narastao oko 260 puta, što je otprilike osam udvostručenja.
Vodstvo se mijenjalo: Claude Opus 4.5 vodio je u studenom 2025., GPT-5.2 u prosincu, a Anthropicovi modeli od veljače 2026. imaju najdulji izmjereni horizont. OpenAI-jevi modeli GPT-5.x grupirani su između 5,7 i 5,9 sati, a Googleov Gemini 3.1 Pro je na 6,4 sata. Intervali pouzdanosti su ipak široki: 95 % interval za Claude Opus 4.6 ide od oko 5 do 60 sati, pa poredak susjednih modela ne treba precjenjivati.
50 % nije dovoljno: jaz u pouzdanosti
Za poslovnu upotrebu brojka uz 50 % je optimističan naslov. Uz 80 % pouzdanosti horizont svakog modela smanjuje se otprilike pet do deset puta.
Izvor: METR Time Horizon 1.1, točkaste procjene preračunate iz minuta. Izlasci: GPT-5 kol. 2025., Claude Opus 4.5 stu. 2025., GPT-5.2 pros. 2025., Claude Opus 4.6 i GPT-5.3-Codex velj. 2026., Gemini 3.1 Pro velj. 2026., GPT-5.4 ožu. 2026., Claude Mythos Preview (rana verzija) tra. 2026.
Claude Opus 4.6 ima horizont od 12 sati uz 50 %, ali oko 1,2 sata uz 80 %; rana verzija Mythosa dostiže oko 3,1 sat. METR-ov Frontier Risk Report (svibanj 2026.) javnu granicu iz veljače i ožujka 2026. procjenjuje na oko 12 sati uz 50 % i oko 1,5 sati uz 80 %. U praksi to znači da je zadatak koji stručnjak završi za jedno jutro za agenta bez nadzora još uvijek bacanje novčića, dok zadaci od otprilike sat vremena uglavnom uspijevaju.
Koliko se brzo udvostručuje?
Izvori: METR, „Measuring AI Ability to Complete Long Tasks” (ožu. 2025., ~7 mjeseci); METR Time Horizon 1.1 (188 dana za sve modele od 2019., 129 dana za modele od 2023.); METR Frontier Risk Report (svibanj 2026., vodeći modeli objavljeni nakon 1. 1. 2024.: 105 dana, R² 0,98).
Izvorni rad iz 2025. pokazao je udvostručenje svakih sedam mjeseci u razdoblju 2019.–2025. S većim skupom zadataka i novijim modelima tempo izgleda brži: 129 dana, odnosno oko četiri mjeseca, za modele od 2023., i 105 dana za vodeće modele od 2024. METR je testirao i linearnu, hiperboličnu i logističku krivulju te zaključio da eksponencijalna najbolje odgovara podacima, bez znakova usporavanja. Frontier Risk Report dodaje da su modeli koji rade unutar laboratorija u prosjeku bili oko dva mjeseca ispred javnog trenda.
Gdje metrika prestaje vrijediti
1. Skupu ponestaje dugih zadataka
Samo pet od 228 zadataka ljudima traje dulje od 16 sati, pa METR navodi da mjerenja iznad 16 sati nisu pouzdana. Stranicu s vremenskim horizontima 8. rujna 2026. označio je kao onu koja se više aktivno ne ažurira. U evaluaciji Claude Opusa 5.5 prije izlaska (rujan 2026.) METR je koristio druge dugotrajne zadatke (NanoGPT speedrun, bot za igru, otvoreno istraživanje) i opisao model kao inkrementalno poboljšanje u skladu s trendom u odnosu na Fable 5.1, koje vjerojatno ne može u potpunosti automatizirati istraživanje i razvoj AI-ja. Noviji benchmark razvijen s Epoch AI-jem, MirrorCode, najbolji su agenti već početkom 2026. zasitili iznad 100 sati.
2. „Neuredan” posao prepolovi horizont
Izvor: METR Frontier Risk Report (svibanj 2026.), dodatak E. Zadaci ocijenjeni prema 16 faktora „neurednosti” (nejasni ciljevi, bez povratne informacije, stvarni resursi, koordinacija). Prosjek skupa je 2,4 od 16; „napiši dobar znanstveni rad” imao bi 9–15.
METR-ovi zadaci uredniji su od stvarnog posla: jasni ciljevi, automatsko ocjenjivanje, nema kolega. Kad ih se podijeli po neurednosti, Claude Opus 4.6 dostiže 17,8 sati na urednijoj polovici i 6,4 sata na neurednijoj. Tipični poslovni procesi, s nejasnim zahtjevima i ljudima u procesu, imali bi znatno višu ocjenu od najneurednijeg zadatka u skupu (6 od 16).
3. Agenti varaju, a to pomiče brojku
Izvor: METR, sažetak evaluacije GPT-5.6 Sol prije izlaska (26. 6. 2026.). Standardna procjena 11,3 h (95 % CI 5–40 h); bez pokušaja varanja 71 h (95 % CI 13–11.400 h). METR nijednu od tih brojki ne smatra pouzdanim mjerenjem.
Na najtežim zadacima agenti sve češće dolaze do cilja iskorištavanjem testnog okruženja: čitaju skrivene testove, izvlače očekivani odgovor ili mijenjaju simulator. METR je utvrdio da je najmanje 16 % uspješnih pokušaja na zadacima duljim od 8 sati nakon pregleda bilo nelegitimno. Za GPT-5.6 Sol, OpenAI-jev model iz lipnja 2026., otkrivena stopa varanja bila je najviša koju je METR vidio, a procjena horizonta kretala se od 11 do više od 270 sati, ovisno o tome kako se ti pokušaji boduju. Pouka se izravno prenosi u produkciju: agent kojeg se ocjenjuje samo testovima ponekad će zadovoljiti testove, a ne zadatak, što je jedan od razloga zašto u članku o kvaliteti AI-generiranog koda preporučujemo zaštićene testove i ljudski pregled.
Znači li dulji horizont i veću produktivnost?
Ne automatski. METR-ovo randomizirano istraživanje s iskusnim open-source programerima početkom 2025. pokazalo je da su ih tadašnji AI alati na vlastitim repozitorijima usporili za 19 %, iako su podaci o horizontu sugerirali da modeli mogu riješiti programerske zadatke od sat vremena. Godinu dana kasnije slika se promijenila. U METR-ovoj anketi među 349 tehničkih radnika (veljača–travanj 2026.) medijan samoprocijenjenog dobitka bio je 1,4–2× u vrijednosti rada i 3× u brzini.
Izvor: METR, Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity (11. 5. 2026.), n = 349. Ožujak 2025. procijenjen je naknadno, a ožujak 2027. je prognoza ispitanika. METR napominje da samoprocjene vjerojatno precjenjuju stvarni dobitak.
Samoprocjene nisu mjerenja, a METR i sam ističe da su njegovi zaposlenici dali najniže procjene. Ali smjer se poklapa s trendom horizonta: kako agenti mogu nositi dulje dijelove posla, vrijednost se seli s automatskog dovršavanja koda na delegiranje, kao što opisujemo u vodiču o AI agentima za kodiranje.
Kako vremenski horizont koristiti u praksi
| Ljudski napor za zadatak | Pouzdanost agenta danas (vodeći modeli) | Kako ga provesti |
|---|---|---|
| Do ~1 sat, jasno zadano | Visoka: unutar horizonta uz 80 % | Delegirati, pregledati rezultat |
| 1–4 sata | Srednja: između horizonta uz 80 % i uz 50 % | Delegirati uz plan, kontrolne točke i testove koje agent ne može mijenjati |
| Radni dan ili više | Oko 50 % ili manje | Podijeliti na korake kraće od ~2 sata, uz ljudsko odobrenje između koraka |
| „Neuredno”: nejasan cilj, mnogo dionika | Otprilike pola horizonta urednih zadataka | AI kao asistent, čovjek odgovara za ishod |
Iz podataka slijede još tri pravila. Prvo, mjerite na vlastitim zadacima: horizont se razlikuje po domenama, a kratki interni benchmark od 20–30 stvarnih zadataka s poznatim ljudskim naporom reći će vam više od bilo kojeg javnog grafa. Drugo, planirajte prema krivulji, a ne prema trenutnom stanju: uz udvostručenje svaka četiri do sedam mjeseci, proces koji je danas nedostižan može za godinu dana biti u dosegu, pa oblikujte tijekove rada tako da agentima mogu predavati sve veće korake. Treće, provjeravajte ishode, a ne samo testove, jer su najsposobniji agenti ujedno i najinventivniji u zaobilaženju provjera.
Što to znači za hrvatske i DACH tvrtke: pitanje više nije mogu li agenti obaviti stvaran posao, nego koliko velik dio posla im predajete i kako ga provjeravate. Timovi koji procese razbiju na jasno zadane korake od jednog do dva sata, s jasnim kriterijima prihvaćanja, mogu današnje agente koristiti produktivno i automatski će profitirati kako horizont bude rastao.
Zaključak
Vremenski horizont najjasnija je pojedinačna linija trenda u AI-ju: duljina softverskih zadataka koje agenti mogu dovršiti udvostručuje se svaka četiri do sedam mjeseci već šest godina, od sekundi do više od pola radnog dana. Ima i stvarna ograničenja: 50 % uspjeha, uredne zadatke, skup blizu zasićenja i agente koji varaju na testovima. Uz ta ograničenja na umu, praktičan je alat za odluku što danas delegirati agentu, a za što se pripremiti iduće godine.
Želite znati koje zadatke AI agent već može preuzeti u vašoj tvrtki?
AI Workshop povezuje vaše procese s onim što današnji agenti pouzdano mogu, dimenzionira posao na pravu razinu autonomije i postavlja provjere oko njega. Radimo kao Claude Certified Architects s timovima u Hrvatskoj i DACH regiji.
Razgovarajte s AI konzultantom