Voiko koodausagentille antaa tutkimustyötä ja odottaa valmista tulosta? Vastaus riippuu tehtävästä: OpenAI:n 1. elokuuta – 18. lokakuuta 2026 keräämissä tiedoissa agentit suoriutuivat ilman ihmisen väliintuloa parhaiten koulutusajojen seurannasta ja selvästi heikommin inferenssi- ja mallien tarjoilukoodista.
Marraskuun 18. päivän raportissa yritys vertasi tehtäviä, joita tutkijat antoivat agenteille, ja kuvasi näiden työkalujen käytön kehitystä OpenAI:n sisällä. Keskeinen käytännön havainto on, että ”agentin työ” kannattaa nähdä joukkona erilaisia tehtäviä, joilla on erilaiset hyväksymiskriteerit. Keskimääräinen tuntimäärä tai vaikutelma siitä, että malli ”kirjoittaa koodia hyvin”, ei korvaa yksittäisen lopputuloksen tarkistamista.
Mikä arvioinnissa muuttui
OpenAI julkaisi edellisen tutkimustyön nopeuttamista käsittelevän raporttinsa syyskuussa. Uusi versio laajensi tarkastelua: yritys lisäsi tietoja agenttien käytöstä, henkilöstökyselyistä, työnkuluista ja onnistumisesta tehtävätyypeittäin. Tulokset kuvaavat kuitenkin OpenAI:n omaa sisäistä tutkimusorganisaatiota, eivät kaikkien mallien tai yritysten yleistä tilannetta.
Yksi selkeimmistä vertailuista on niiden tehtävien osuus, jotka agentti suoritti ilman ihmisen väliintuloa. Tehtävissä, joiden arvioitiin vaativan ihmiseltä kahdesta neljään tuntia, osuus nousi maaliskuun 23 prosentista lokakuun 46 prosenttiin. Neljästä kahdeksaan tuntia vaativien tehtävien kategoriassa osuus muuttui 13 prosentista 35 prosenttiin. Nämä kategoriat kuvaavat kykyä viedä yksittäisiä tehtäviä tulokseen ilman väliintuloa, eivät sitä osuutta kaikesta tutkimustyöstä, jonka voisi siirtää mallille.
Menetelmään liittyy myös tärkeä yksityiskohta: tehtävät, joita agenteille annettiin, muuttuivat samalla kun agenttien kyvykkyys kehittyi. OpenAI huomauttaa suoraan, että onnistumisasteen nousu aikakategorioissa voi kuvastaa sekä mallien paranemista että delegoitujen tehtävien valikoiman muuttumista. Aikaperusteinen vertailu on siis hyödyllinen sisäisen kehityksen mittari, mutta yksinään se ei kerro, johtuiko muutos mallista vai tutkijoiden päätöksistä sen suhteen, mitä tehtäviä agenteille annetaan.
Miksi tehtävän nimike on kestoa tärkeämpi
Raportin lyhyessä, eri työtehtäviä käsittelevässä yhteenvedossa OpenAI kertoo ilman ihmisen väliintuloa saavutetuiksi onnistumisasteiksi 79 prosenttia koulutusajojen seurannassa, 35 prosenttia tällaisten ajojen käynnistämisessä ja 25 prosenttia inferenssi- ja serving-pinon koodin kirjoittamisessa. Mallin koulutuksen kaksi läheistä työvaihetta tuottivat siis hyvin erilaisia tuloksia.


Tämä selittää, miksi yleinen luokka, kuten ”tutkimuksessa avustaminen”, sopii huonosti suunnittelun perustaksi. Ajon seuraaminen ongelmien havaitsemiseksi on tarkkailu- ja hälytystehtävä. Koulutuksen käynnistäminen taas edellyttää toimien ja suoritusolosuhteiden asianmukaista valmistelua. Inferenssi- ja serving-koodi kuuluu toiseen tekniseen alueeseen. Jos nämä niputetaan yhdeksi mittariksi, todellisen työnkulun kannalta tärkeät erot katoavat.
Yritys ilmoittaa myös korkeammat onnistumisasteet luokissa ”viestintä” (69 %) ja ”analyysi” (58 %) kuin ”kehitys”-luokassa (43 %). Näin laajat luokatkin kuitenkin peittävät tehtävien välisiä eroja. Sopivan tehtävän valinnassa on hyödyllisempää määritellä todennettava lopputulos – esimerkiksi ennalta määritetyn häiriön löytäminen ajon lokista – ja sopia erikseen, mitä ihmisen tulee vahvistaa.
Runsas käyttö ei tarkoita samanlaista hyötyä
Raportin mukaan agenteista on tullut näkyvä osa OpenAI:n sisäisiä työnkulkuja. Yrityksen API-hinnoitteluun perustuvan arvion mukaan tutkijan mediaanikäyttö agenttityökaluissa oli lokakuussa noin 2 400 dollaria päivässä; 90. persentiilin arvo oli noin 23 000 dollaria. Molemmat luvut vastaavat julkaistujen API-hintojen mukaista summaa, eivät tietoja todellisista kustannuksista tai todistetusta säästetystä budjetista.
Toinen mittari on ”agenttipäivä”: jokaista kahdeksaa agentin käyttötuntia kohden lasketaan yksi työpäivä. Keskiarvo nousi 0,5:stä 5,7 agenttipäivään tutkijaa kohden päivässä. Esikoulutus- ja jälkikoulutustiimeissä agenttien yhteenlaskettu työ vastasi keskimäärin noin kahdeksaa tällaista päivää tutkijaa ja kalenteripäivää kohden. Koska useita agentteja voi työskennellä rinnakkain, mittari kuvaa niiden yhteenlaskettua aikaa, ei yhden työntekijän työpäivän pituutta. OpenAI huomauttaa myös, että mittari huomioi pääasiassa vuorovaikutteisen käytön ja saattaa aliarvioida automaation määrän.
Käytön kasvu osoittaa, että työntekijät ottavat agentteja aktiivisesti osaksi työtään. Tämä ei kuitenkaan riitä hyödyn arviointiin toisessa tiimissä: budjetti, käytetyt mallit, agentti-istuntojen pituus ja tehtävien luonne voivat poiketa toisistaan. OpenAI:n tiedot ovat erityisen hyödyllisiä esimerkkinä siitä, millaisia työmittareita voi kerätä, eivät valmiina normina mille tahansa tutkimusyksikölle.
Mihin ihmisen työtä yhä tarvitaan
OpenAI kuvasi kymmenen tutkijan haastatteluissa delegoinnin käytännön puolta: agentit auttoivat kirjoittamaan ja korjaamaan koodia, analysoimaan kokeita ja käymään läpi suuria tietoaineistoja. Samalla työntekijät kertoivat heikkolaatuisista tuotoksista, virheellisistä oletuksista analyyseissä ja tehottomista yrityksistä käynnistää kokeita. Yritys huomauttaa erikseen, että työntekijöiden GPT‑6 Astra -julkaisuja varten esittämät ideat olivat heidän mukaansa ihmisten ideoita, kun taas mallit auttoivat niiden toteuttamisessa.
Eräs tutkijan kuvaama työskentelytapa on helppo siirtää tiimin käyttöön: pyydä agenttia tekemään yksi esimerkki, tarkista ja korjaa se ja anna sen jälkeen agentille vastaava tehtäväsarja. Näin tehtävänannon tai tietomuodon virheet löytyvät nopeasti, ennen kuin ne leviävät koko aineistoon. Tehtävissä, joiden tarkistaminen on kallista, tästä on usein enemmän hyötyä kuin toimeksiannon laajuuden kasvattamisesta heti alussa.
Näin sovellat havaintoja omassa tiimissäsi
Aloita yhdestä toistuvasta tehtävästä, jolla on havaittava lopputulos ja selkeä hyväksymisehto. Kirjaa, kuinka usein ihmisen piti puuttua työhön, millaisia virheitä ilmeni ja kuinka kauan tarkistaminen kesti. Näiden tietojen avulla voit erottaa tehtävän, jonka agentti todella hoitaa, tehtävästä, jossa se vain nopeuttaa luonnostelua.
Määritä paljon vaikuttaville toiminnoille erikseen valtuuksien rajat. Agentti voi esimerkiksi havaita poikkeaman tai valmistella käynnistyskomennon, mutta vahvistaminen ja suorittaminen jäävät vastuulliselle insinöörille. Kyse ei ole yleispätevästä turvallisuusratkaisusta, vaan tavasta suhteuttaa autonomian taso konkreettiseen riskiin ja käytettävissä olevaan tarkistuskriteeriin.
OpenAI:n raportti tarjoaa hyödyllisen lähtökohdan: delegoi yksittäisiä tehtäviä, joiden tuloksen voi tarkistaa, älä yleisesti ”tutkimusta” tai ”kehitystä”. Yrityksen aineistossa ajon seuranta soveltui itsenäiseen suorittamiseen paremmin kuin koulutuksen käynnistäminen tai inferenssikoodi. Tiimin seuraava askel on mitata samaa eroa omissa tehtävissään ja laajentaa delegointia siellä, missä tulos kestää tarkistuksen.