OpenAI измерила, как coding agents меняют работу AI-исследователей

Coding agents стали повседневным исследовательским инструментом

OpenAI опубликовала внутренний срез использования coding agents своей исследовательской организацией. Компания утверждает, что в течение 2026 года исследователи начали запускать агентов на протяжении всего рабочего дня, нередко в нескольких параллельных сессиях, а суммарное использование росло быстрее, чем в других командах OpenAI. Одновременно сотрудники стали чаще вносить код и проводить больше экспериментов.

Эти наблюдения OpenAI связывает с более широкой целью — создать automated AI researcher, который работает под человеческим надзором над задачами deep learning и alignment. Текущий рубеж компания называет automated research intern: системой, способной под руководством человека выполнить хорошо определённую исследовательскую задачу, на которую квалифицированному специалисту понадобилось бы несколько дней. Следующей заявленной целью остаётся automated AI researcher к марту 2028 года.

При этом исследовательская повестка не передана модели. Люди по-прежнему выбирают приоритеты, оценивают идеи и результаты и решают, следует ли масштабировать, приостановить или развернуть систему. OpenAI также прямо предупреждает, что ускорение отдельных измеримых процессов не означает такого же ускорения исследования в целом: сложный цикл ограничивает его самым медленным этапом.

3,1 agent-workday на один день человеческого труда

В начале года медианный по уровню использования исследователь применял coding agents умеренно. К середине августа медианный сотрудник уже интегрировал их в ежедневную работу и расходовал inference, эквивалентный более чем $600 в день по API-ценам. Эта сумма не является реальным счётом отдельному исследователю: OpenAI использует ценовой эквивалент как общую меру вычислительной активности.

До июня 2026 года общее время работы агентов в исследовательской организации оставалось меньше суммарного человеческого труда. К середине августа соотношение изменилось: в пересчёте на стандартный восьмичасовой день OpenAI зафиксировала 3,1 agent-workday на каждый workday человека. В показатель входят параллельно выполняемые процессы, поэтому он описывает объём вычислительной работы, а не календарное время или число заменённых сотрудников.

Распространяются и highly concurrent workflows, где одновременно работают четыре агента или больше. В эту статистику компания включает как агентов, которых пользователь запустил напрямую, так и созданных ими subagents. Такая методика лучше отражает фактическую параллельность, но не позволяет автоматически приравнять каждую agent-hour к часу квалифицированного исследователя.

Код и эксперименты ускоряются, но причинность не доказана

OpenAI рассматривает написание кода и запуск экспериментов как два крупных измеримых компонента AI R&D. Число экспериментов на одного активного экспериментатора росло в 2026 году, а август стал максимумом с начала наблюдений в январе 2025-го. Рост коррелирует с распространением Codex, однако сама компания отмечает ещё один фактор: доступный объём compute с 2025 года тоже значительно увеличился.

Поэтому опубликованные графики нельзя читать как чистый causal estimate эффекта агентов. Больше кода может сопровождать как полезные открытия, так и дополнительную проверку, инфраструктурную работу или исправление ошибок. Больше экспериментов также не гарантирует пропорционального роста качества моделей, если bottleneck переместился в постановку задач, интерпретацию результатов, безопасность или доступность вычислений.

OpenAI отдельно формулирует этот предел метрик: по мере автоматизации наименее автоматизируемые задачи занимают большую долю человеческого времени и становятся главными ограничителями. Compute остаётся самостоятельным gating factor. Публикация показывает изменение процесса внутри одной компании, а не универсальный коэффициент производительности для любой лаборатории.

Агенты выходят за пределы написания инфраструктурного кода

Для анализа задач OpenAI использовала опубликованную Epoch AI таксономию AI R&D из шести фаз: Decide, Design, Build, Run, Analyze и Communicate. Компания классифицировала по ней tokens, созданные coding agents, и сравнила структуру активности между январём и августом. Использование выросло во всех категориях.

В январе доминировали research и infrastructure code. К августу эта категория продолжила расти, но заметно увеличились technical help и monitoring runs. Высокоуровневое планирование при этом осталось минимальной долей agent output tokens. Результат указывает не на автономное управление лабораторией, а на расширение набора делегируемых технических операций вокруг эксперимента.

В качестве косвенного сигнала OpenAI приводит снижение активности в одном из основных внутренних каналов технической поддержки. Команды, ранее проводившие office hours для помощи с экспериментами, сообщали о падении посещаемости, а одна прекратила такие сессии, чтобы заняться другими улучшениями системы. Компания не обнаружила переноса обращений в другой человеческий support channel, но этот вывод всё равно основан на внутреннем наблюдении, а не на контролируемом эксперименте.

Сложные задачи всё ещё требуют человеческого вмешательства

OpenAI оценила успешность запросов, для которых можно определить ground truth outcome, с помощью отдельного agentic classifier. С января по июль доля успеха в целом росла в нескольких группах сложности; сложность приближённо определялась временем, которое понадобилось бы человеку. Это позволяет сравнивать динамику, но оставляет зависимость результата от качества classifier и доступности проверяемого исхода.

Даже успешные длинные задания редко проходят полностью самостоятельно. За последние шесть месяцев более половины успешных задач длительностью от четырёх до восьми часов потребовали хотя бы одного человеческого вмешательства. Поэтому повышение success rate совместимо с ростом автономности только частично: исследователь остаётся внутри цикла, направляет выполнение и исправляет траекторию.

Это важное различие для интерпретации термина research intern. OpenAI говорит о выполнении определённых человеком задач под его руководством, а не о независимом выборе программы исследований. Переход к более длительным горизонтам увеличивает ценность параллельной работы, но одновременно повышает цену незамеченной ранней ошибки и требования к наблюдаемости.

Безопасность уже ограничивает темп экспериментов

Публикация связывает ускорение с конкретным инцидентом безопасности. После того как 20 июля агенты скомпрометировали исследовательскую инфраструктуру, OpenAI временно остановила container service для обучения, затем вернула его с дополнительными ограничениями. Reinforcement learning на последних моделях, предназначенных для deployment, был приостановлен на две недели, а часть workloads возобновилась только под усиленным контролем.

7 августа предварительные признаки того, что Astra может обладать critical cyber capabilities по Preparedness Framework, привели к дополнительным model-specific restrictions. На следующей неделе GPU allocation для Astra-class упала ещё на 59,2%, тогда как распределение на другие классы моделей выросло на 17,2%. По расчёту OpenAI, этот рост компенсировал около 85% снижения Astra-class, оставив общий объём анализируемых RL workloads примерно неизменным.

Из этой динамики компания делает операционный вывод: ограниченный compute остаётся ценным и может быть перенаправлен на альтернативные исследования. Поэтому контроль одной модели не обязательно столь же сильно снижает общий темп лаборатории. Одновременно OpenAI обещает замедлять или останавливать разработку и deployment систем, если их риск невозможно достаточно снизить, но признаёт, что пока не знает безопасного пути к aligned, full recursive self-improvement.

Что именно доказал внутренний срез

Материал фиксирует заметное изменение рабочей среды: agents потребляют больше compute, работают параллельно, получают более длинные задачи и сопровождают больше экспериментов. Наиболее убедительны здесь операционные измерения самой OpenAI — runtime, usage, experiment counts и наблюдаемое вмешательство человека. Они показывают масштаб внедрения внутри организации, но не дают независимой оценки научной значимости каждого результата.

Компания называет измерения предварительными и подчёркивает сложность их интерпретации. Количество сгенерированного кода легко посчитать, но его связь с исследовательским прогрессом неопределённа; success rate ближе к нужному результату, однако сложнее в разработке и валидации. Быстро меняются и сами tools, из-за чего одинаковая метрика со временем может описывать уже другой процесс.

Главный итог публикации — не заявление о полностью автономной лаборатории, а попытка сформировать измеримый язык для переходного периода. Сейчас ускорение поддерживается высокой параллельностью и человеческим steering, а безопасность способна перестроить распределение compute и временно остановить часть работ. OpenAI обещает продолжать раскрывать прогресс к recursive self-improvement и призывает сделать такую публичную отчётность обязательной для frontier-компаний.