jsonscraper
שווקים
חזרה ליומן

חוקרי OpenAI מטילים יותר משימות על סוכנים — אך ההצלחה תלויה בסוג העבודה

בדוח מ־18 בנובמבר שיעורי הביצוע האוטונומי משתנים מאוד בין משימות. הנתונים עוזרים להבין היכן אפשר להאציל עבודה לסוכן, והיכן נדרשת בדיקה קפדנית במיוחד.

מדיניות עריכה דיווח על שגיאה

האם אפשר להטיל על סוכן קידוד עבודת מחקר ולצפות לתוצאה מוכנה? התשובה תלויה במשימה המסוימת: בנתוני OpenAI מהתקופה שבין 1 באוגוסט ל־18 באוקטובר 2026, הסוכנים הצליחו יותר מכול במשימות ניטור של ריצות אימון ללא התערבות אנושית, והצליחו הרבה פחות בכתיבת קוד להסקה ולשירות מודלים.

בדוח מ־18 בנובמבר השוותה החברה בין משימות שחוקרים הטילו על סוכנים, ותיארה כיצד השתנה השימוש בכלים אלה בתוך OpenAI. המסקנה המעשית העיקרית היא להתייחס ל״עבודת סוכן״ כאל אוסף של משימות שונות, שלכל אחת מהן קריטריונים משלה לקבלת התוצאה. ממוצע לפי שעות או הרושם שהמודל ״כותב קוד היטב״ אינם תחליף לבדיקה של התוצאה המסוימת.

מה השתנה בהערכה

הדוח הקודם של OpenAI על האצת מחקר פורסם בספטמבר. הגרסה החדשה הרחיבה את התמונה: החברה הוסיפה נתונים על שימוש בסוכנים, סקרי עובדים, תהליכי עבודה וחלוקת ההצלחה לפי סוגי משימות. עם זאת, התוצאות המוצגות מתארות את ארגון המחקר הפנימי של OpenAI, ולא הערכה אוניברסלית של כל המודלים או החברות.

אחד המדדים ההשוואתיים המובנים ביותר הוא שיעור המשימות שהסוכן השלים ללא התערבות אנושית. במשימות שהוערכו ככאלה הדורשות מאדם שעתיים עד ארבע שעות, השיעור עלה מ־23% במרץ ל־46% באוקטובר. בקטגוריה של ארבע עד שמונה שעות הוא השתנה מ־13% ל־35%. הקטגוריות האלה מציגות את היכולת להשלים משימות מסוימות ללא התערבות, ולא את החלק מכלל עבודת המחקר שאפשר להעביר למודל.

יש כאן גם פרט מתודולוגי חשוב: במקביל להשתפרות יכולות הסוכנים, השתנה גם מבחר המשימות שהוטלו עליהם. OpenAI מציינת במפורש שהעלייה בשיעור ההצלחה בתוך קטגוריות הזמן עשויה לשקף הן שיפור במודלים והן שינוי בהרכב המשימות שהועברו אליהם. לכן, השוואת משכי הזמן מועילה כמדד למגמה פנימית, אך כשלעצמה אינה מאפשרת להפריד בין תרומת המודל לבין החלטת החוקרים אילו משימות להטיל עליו.

למה שם המשימה חשוב יותר ממשכה

בניתוח התמציתי של סוגי עבודה מסוימים, OpenAI מדווחת על שיעור הצלחה ללא התערבות אנושית של 79% בניטור ריצות אימון, 35% בהפעלת אימונים כאלה ו־25% בכתיבת קוד למערך ההסקה והשירות. אפילו שתי פעולות סמוכות סביב אימון מודל הניבו תוצאות שונות מאוד.

כתבה: חוקרי OpenAI מטילים יותר משימות על סוכנים — אך ההצלחה תלויה בסוג העבודה
תקציר: OpenAI העריכה את עבודתם של סוכני קידוד בארגון המחקר שלה: הסוכנים מצליחים במשימות רבות של ניטור וניתוח, אך מתקשים יותר בהפעלת אימון ובכתיבת קוד להסקה. המסקנה המעשית היא לבחור משימות לפי תוצאה שניתן לאמת, ולא לפי שם מקצוע כללי.
תפקיד התמונה: איור תומך 2 — היבט מסוים אחר
מדור: למה
שיעור המשימות שהסוכנים השלימו ללא התערבות אנושית, בשלושה סוגי עבודה, בנתוני OpenAI מאוגוסט עד אוקטובר 2026.© jsonscraper · איור שנוצר באמצעות בינה מלאכותית
כתבה: חוקרי OpenAI מטילים יותר משימות על סוכנים — אך ההצלחה תלויה בסוג העבודה
תקציר: OpenAI העריכה את עבודתם של סוכני קידוד בארגון המחקר שלה: הסוכנים מצליחים במשימות רבות של ניטור וניתוח, אך מתקשים יותר בהפעלת אימון ובכתיבת קוד להסקה. המסקנה המעשית היא לבחור משימות לפי תוצאה שניתן לאמת, ולא לפי שם מקצוע כללי.
תפקיד התמונה: תמונת שער — הרעיון המרכזי
מדור: למה שם המשימה חשוב יותר ממשכה
שיעור המשימות שהסוכנים השלימו ללא התערבות אנושית, בשלושה סוגי עבודה, בנתוני OpenAI מאוגוסט עד אוקטובר 2026.© jsonscraper · נוצר באמצעות בינה מלאכותית

הנתונים מסבירים מדוע קטגוריה כללית כמו ״סיוע במחקר״ אינה מתאימה לתכנון. מעקב אחר ריצה כדי לזהות בעיה הוא משימת תצפית והתרעה. הפעלת אימון מחייבת הכנה נכונה של הפעולות ותנאי הביצוע. קוד להסקה ולשירות שייך לתחום טכני אחר. איחוד כל אלה למדד אחד יעלים הבדלים שחשובים לתהליך העבודה בפועל.

החברה מדווחת גם על הערכות גבוהות יותר בקטגוריות ״תקשורת״ (69%) ו״ניתוח״ (58%) מאשר ב״פיתוח״ (43%). אבל גם הקטגוריות הרחבות האלה מסתירות הבדלים בין משימות. כדי לבחור משימה מתאימה, עדיף להגדיר תוצאה שניתן לבדוק — למשל, לזהות תקלה שהוגדרה מראש ביומן ריצה — ולקבוע בנפרד מה בדיוק אדם צריך לאשר.

שימוש אינטנסיבי אינו מעיד על תשואה אחידה

הדוח מראה שסוכנים הפכו לחלק בולט מתהליכי העבודה הפנימיים של OpenAI. לפי הערכת החברה, במונחי מחירי API, חוקר טיפוסי השתמש בכלים מבוססי־סוכנים באוקטובר בהיקף של כ־2,400 דולר ביום; הנתון באחוזון ה־90 עמד על כ־23,000 דולר. בשני המקרים מדובר בשווי לפי תעריפי API שפורסמו, ולא במידע על עלות בפועל או בהוכחה לסכום תקציבי שנחסך.

מדד נוסף הוא ״ימי סוכן״: כל שמונה שעות של שימוש בסוכן נחשבות ליום עבודה אחד. בממוצע, המדד עלה מ־0.5 ל־5.7 ימי סוכן לכל חוקר ביום. בצוותי האימון המקדים והאימון העוקב, העבודה המצטברת הממוצעת של הסוכנים הייתה כ־8 ימים כאלה לכל חוקר בכל יום קלנדרי. מכיוון שכמה סוכנים עשויים לעבוד במקביל, המדד מתאר את זמן העבודה המצטבר שלהם, ולא את אורך יום העבודה של עובד יחיד; OpenAI מציינת גם שהוא מביא בחשבון בעיקר שימוש אינטראקטיבי, ולכן ייתכן שאינו סופר די הצורך אוטומציות.

העלייה בשימוש מלמדת שהעובדים משלבים סוכנים באופן פעיל בתהליך העבודה. כדי להעריך את התועלת עבור צוות אחר, אין די בכך: התקציב, המודלים שנבחרו, משך הפעלות הסוכנים ואופי המשימות עשויים להיות שונים. הנתונים של OpenAI מועילים במיוחד כדוגמה למדדי עבודה שאפשר לאסוף, ולא כתקן מוכן לכל יחידת מחקר.

העבודה שנותרה בידי בני האדם

בראיונות עם עשרה חוקרים תיארה OpenAI את ההיבט המעשי של האצלת העבודה: סוכנים סייעו בכתיבת קוד ובאיתור תקלות בו, בניתוח ניסויים ובסקירת מערכי נתונים גדולים. במקביל, העובדים סיפרו על תוצרים באיכות ירודה, הנחות שגויות בניתוח וניסיונות לא יעילים להפעיל ניסויים. החברה מציינת בנפרד שהרעיונות שהעובדים ייחסו למהדורות GPT‑6 Astra היו שלהם, בעוד שהמודלים סייעו במימושם.

אחת משיטות העבודה שתיאר חוקר מתאימה במיוחד לאימוץ בצוות: לבקש מהסוכן ליצור דוגמה אחת, לבדוק אותה ולתקן לפי הצורך, ואז להטיל עליו סדרת משימות דומה. כך אפשר לזהות במהירות טעות בניסוח המשימה או בפורמט הנתונים, לפני שהיא מתפשטת לכלל המערך. במשימות שהבדיקה שלהן יקרה, השיטה הזאת מועילה לעיתים יותר מהגדלה מיידית של היקף המשימה.

איך ליישם את המסקנות בצוות שלכם

התחילו במשימה חוזרת אחת, שיש לה תוצאה נצפית ותנאי קבלה ברורים. תעדו כמה פעמים נדרשה התערבות, אילו טעויות הופיעו וכמה זמן ארכה הבדיקה. המידע הזה יעזור להבחין בין משימה שהסוכן באמת לוקח על עצמו לבין משימה שבה הוא רק מזרז את הכנת הטיוטה.

בפעולות שהשלכותיהן משמעותיות, קבעו גבול סמכויות נפרד. למשל, הסוכן יכול לזהות חריגה או להכין פקודת הפעלה, בעוד שהאישור והביצוע נשארים בידי המהנדס האחראי. אין זו תבנית בטיחות אוניברסלית, אלא דרך לקשור את רמת האוטונומיה לסיכון המסוים ולקריטריון הבדיקה הזמין.

הדוח של OpenAI מציע הבחנה מועילה: כדאי להאציל לא ״מחקר״ או ״פיתוח״ באופן כללי, אלא משימות מסוימות שאפשר לבדוק את תוצאתן. בנתוני החברה, ניטור ריצות התגלה כמתאים יותר לביצוע עצמאי מהפעלת אימון או מכתיבת קוד להסקה. הצעד הבא עבור צוותים מעשיים הוא למדוד את אותו הבדל במשימות שלהם ולהרחיב את ההאצלה במקום שבו התוצאה עומדת בבדיקה.

אֲנָשִׁים

עדיין לא רשומים אנשים עבור מאמר זה.

המשיכו לקרואלמה לא מספיק לסוכנים לקרוא טקסט: בנצ'מרק MKA בוחן עבודה עם שרטוטים וקבצים
קרא את המאמר הבא

הפכו את מה שקראתם לאינטגרציה עובדת

גלו את ממשקי ה-API לנתונים חברתיים של jsonscraper, בדקו בקשות ובנו את תהליך העבודה הבא.

גלה API