Lze svěřit výzkumnou práci kódovacímu agentovi a spolehnout se na hotový výsledek? Záleží na konkrétním úkolu: podle dat OpenAI za období od 1. srpna do 18. října 2026 si agenti bez zásahu člověka nejlépe vedli při monitorování trénovacích běhů, zatímco výrazně hůře při psaní inferenčního kódu a obslužné vrstvy modelů.
Ve zprávě z 18. listopadu společnost porovnala úkoly, které výzkumníci svěřovali agentům, a popsala, jak se používání těchto nástrojů v OpenAI měnilo. Hlavní praktický závěr je přistupovat k „práci agenta“ jako k souboru různých úkolů s různými kritérii přijetí. Průměrná hodinová míra ani dojem, že model „umí dobře programovat“, nenahradí kontrolu konkrétního výsledku.
Co se změnilo v hodnocení
Předchozí zpráva OpenAI o urychlení výzkumu vyšla v září. Nová verze rozšířila obraz o údaje o používání agentů, průzkumech mezi zaměstnanci, pracovních postupech a úspěšnosti podle typu úkolu. Uvedené výsledky však popisují interní výzkumnou organizaci OpenAI, nikoli univerzální hodnocení všech modelů nebo společností.
Jedním z nejsrozumitelnějších srovnání je podíl úkolů, které agent dokončil bez zásahu člověka. U úkolů, jejichž splnění by člověku podle odhadu trvalo dvě až čtyři hodiny, vzrostl tento podíl z 23 % v březnu na 46 % v říjnu. V kategorii čtyř až osmi hodin se změnil z 13 % na 35 %. Tyto kategorie ukazují schopnost dokončit jednotlivá zadání bez zásahu, nikoli podíl veškeré výzkumné práce, který lze přenechat modelu.
Důležitý je také metodický detail: s rostoucími schopnostmi agentů se měnil i výběr úkolů, které jim byly svěřovány. OpenAI výslovně upozorňuje, že růst úspěšnosti v jednotlivých časových kategoriích může odrážet jak zlepšení modelů, tak změnu skladby delegovaných úkolů. Časové srovnání je proto užitečné jako vnitřní trend, samo o sobě však neumožňuje oddělit přínos modelu od rozhodnutí výzkumníků, jaké úkoly mu zadat.
Proč je název úkolu důležitější než jeho délka
Ve stručném přehledu konkrétních druhů práce uvádí OpenAI úspěšnost bez zásahu člověka 79 % u monitorování trénovacích běhů, 35 % u jejich spouštění a 25 % u psaní inferenčního kódu a obslužné vrstvy. Dokonce i dva navazující úkony kolem trénování modelu dosáhly výrazně odlišných výsledků.


To vysvětluje, proč se obecná kategorie typu „pomáhat s výzkumem“ k plánování příliš nehodí. Sledovat běh a zachytit případný problém je úkol zaměřený na pozorování a upozorňování. Spustit trénování znamená správně připravit potřebné kroky a podmínky provedení. Inferenční kód a obslužná vrstva spadají do jiné technické oblasti. Pokud se tyto činnosti sloučí do jediné metriky, zaniknou rozdíly důležité pro skutečný pracovní postup.
Společnost uvádí také vyšší hodnocení v kategoriích „komunikace“ (69 %) a „analýza“ (58 %) než v kategorii „vývoj“ (43 %). I tak široké kategorie však skrývají rozdíly mezi jednotlivými úkoly. Při výběru vhodného zadání je užitečnější formulovat ověřitelný výsledek — například najít předem definovanou chybu v protokolu běhu — a zvlášť určit, co přesně má potvrdit člověk.
Intenzivní používání neznamená stejný přínos
Zpráva ukazuje, že agenti se stali výraznou součástí interních pracovních postupů OpenAI. Podle odhadu společnosti v cenách API utratil mediánový výzkumník v říjnu za agentní nástroje přibližně 2 400 dolarů denně; hodnota pro 90. percentil činila přibližně 23 000 dolarů. V obou případech jde o ekvivalent vypočtený podle zveřejněných cen API, nikoli o údaje o skutečných nákladech nebo důkaz o ušetřeném rozpočtu.
Dalším ukazatelem jsou „agentní dny“: každých osm hodin používání agenta se počítá jako jeden pracovní den. Průměrná hodnota vzrostla z 0,5 na 5,7 agentního dne na výzkumníka denně. V týmech pro předtrénování a následné trénování činila průměrná souhrnná práce agentů zhruba osm takových dnů na výzkumníka za kalendářní den. Protože může současně pracovat několik agentů, metrika popisuje jejich souhrnný čas, nikoli délku pracovního dne jednoho zaměstnance; OpenAI navíc upozorňuje, že ukazatel zachycuje hlavně interaktivní používání a může automatizované činnosti podhodnocovat.
Růst používání ukazuje, že zaměstnanci agenty aktivně zapojují do práce. K posouzení přínosu pro jiný tým to ale nestačí: mohou se lišit rozpočet, zvolené modely, délka agentních relací i povaha úkolů. Data OpenAI jsou obzvlášť užitečná jako příklad toho, jaké pracovní ukazatele lze sledovat, nikoli jako hotový standard pro každé výzkumné oddělení.
Kde zůstává práce na člověku
V rozhovorech s deseti výzkumníky popsala OpenAI praktickou stránku delegování: agenti pomáhali psát a ladit kód, analyzovat experimenty a procházet rozsáhlé datové soubory. Zaměstnanci zároveň mluvili o nekvalitních výstupech, chybných předpokladech v analýze a neefektivních pokusech spouštět experimenty. Společnost zvlášť uvádí, že nápady, které zaměstnanci spojovali s vydáními GPT‑6 Astra, připisovali lidem, zatímco modely pomáhaly s realizací.
Jeden z výzkumníkem popsaných pracovních postupů lze snadno převzít do týmu: požádat agenta, aby vytvořil jeden příklad, zkontrolovat a opravit ho a teprve potom mu zadat obdobnou sérii úkolů. Takový postup rychle odhalí chybu v zadání nebo formátu dat, než se rozšíří na celý soubor. U úkolů, jejichž kontrola je nákladná, to bývá užitečnější než rovnou zvětšit rozsah zadání.
Jak závěry uplatnit ve vlastním týmu
Začněte jedním opakovatelným úkolem s pozorovatelným výsledkem a jasnými podmínkami přijetí. Zaznamenávejte, kolikrát bylo nutné zasáhnout, jaké chyby se objevily a kolik času zabrala kontrola. Tyto údaje pomohou rozlišit úkol, který agent skutečně přebírá, od úkolu, u něhož pouze urychluje přípravu návrhu.
U činností s vážnými možnými důsledky stanovte zvláštní hranici pravomocí. Agent může například odhalit anomálii nebo připravit příkaz ke spuštění, zatímco schválení a provedení zůstanou na odpovědném inženýrovi. Nejde o univerzální bezpečnostní postup, ale o způsob, jak sladit míru autonomie s konkrétním rizikem a možnostmi ověření.
Zpráva OpenAI nabízí užitečné rozlišení: delegovat se nemá obecně „výzkum“ ani „vývoj“, ale konkrétní úkoly, jejichž výsledek lze ověřit. V datech společnosti se monitorování běhů jevilo jako vhodnější k samostatnému provedení než spouštění trénování nebo psaní inferenčního kódu. Dalším krokem pro tým v praxi je změřit stejné rozdíly na vlastních úkolech a delegování rozšiřovat tam, kde výsledek obstojí při kontrole.