コーディングエージェントに研究業務を任せ、完成した成果を期待できるだろうか。答えは具体的なタスクによって異なる。OpenAIが2026年8月1日から10月18日までに収集したデータでは、人の介入なしでエージェントが最も高い成功率を示したのは学習実行の監視であり、推論コードやモデルのサービングではかなり低かった。
11月18日のレポートで同社は、研究者がエージェントに任せたタスクを比較し、OpenAI内部でこうしたツールの利用がどのように変化したかを説明した。実務上の重要な示唆は、「エージェントの仕事」を、受け入れ基準がそれぞれ異なる複数のタスクとして捉えることだ。所要時間あたりの平均値や、モデルが「コードをうまく書く」という印象は、個々の成果物を確認する代わりにはならない。
評価で何が変わったのか
OpenAIが研究の加速に関する前回のレポートを公開したのは9月だった。今回の版では、エージェントの利用状況、従業員への調査、ワークフロー、タスクの種類別の成功率に関するデータが加わり、全体像が広がった。ただし、ここで示された結果はOpenAIの社内研究組織についてのものであり、すべてのモデルや企業に当てはまる評価ではない。
比較しやすい指標の一つが、人の介入なしにエージェントが完了したタスクの割合だ。人間なら2~4時間かかると評価されたタスクでは、その割合は3月の23%から10月には46%に上昇した。4~8時間のカテゴリーでは、13%から35%に変化した。これらは個々の依頼を人の介入なしに完了できる能力を示すもので、研究業務全体のうちモデルに委ねられる割合を示すものではない。
重要な方法論上の注意点もある。エージェントの能力が変化する一方で、エージェントに任せるタスクの選び方も変わっていた。OpenAIは、時間別カテゴリーにおける成功率の上昇には、モデルの改善だけでなく、委任されるタスクの構成の変化も反映されている可能性があると明記している。そのため、所要時間別の比較は内部の推移を把握するには役立つが、モデルの貢献と、研究者がどのタスクを任せるかという判断を単独で切り分けることはできない。
タスクの名称が所要時間より重要な理由
レポートのタスク別概要でOpenAIが示した、人の介入なしの成功率は、学習実行の監視が79%、そのような学習の実行が35%、推論コードとサービングスタックの作成が25%だった。モデル学習をめぐる隣接した二つの作業でさえ、結果には大きな差があった。


この結果は、「研究を手伝う」のような大きなカテゴリーが計画に向かない理由を示している。実行状況を監視して問題を見つけるのは、観察と警告のタスクだ。学習を実行するには、操作と実行条件を正しく準備しなければならない。推論やサービングのコードは、また別の技術領域に属する。これらを一つの指標にまとめると、実際のワークフローで重要な違いが見えなくなってしまう。
同社はまた、「コミュニケーション」(69%)と「分析」(58%)のカテゴリーが、「開発」(43%)より高い評価だったと報告している。しかし、こうした広いカテゴリーでさえ、個々のタスク間の違いを覆い隠す。任せる作業を選ぶには、たとえば実行ログから事前に定義した障害を検出するなど、検証可能な成果を定め、何を人が確認すべきかを別途決めるほうが有効だ。
利用が活発でも、効果が一様とは限らない
レポートによると、エージェントはOpenAI内部のワークフローで大きな存在になりつつある。同社のAPI価格に基づく試算では、10月の研究者あたりのエージェントツール利用額の中央値は1日約2,400ドル、90パーセンタイルでは約23,000ドルだった。いずれも公表されているAPI料金に換算した額であり、実際の原価や、予算がどれだけ節約されたかを示すものではない。
もう一つの指標は「エージェント日」だ。エージェントの利用8時間を1労働日として数える。この指標は研究者1人あたり1日平均0.5から5.7へ増加した。事前学習と事後学習のチームでは、エージェントの平均稼働量は暦日あたり研究者1人につき約8エージェント日だった。複数のエージェントが並行して動く場合があるため、この指標が表すのは合計稼働時間であり、従業員1人の勤務時間ではない。またOpenAIは、この数値が主に対話的な利用を数えており、自動化の分を過少計上している可能性があるとも指摘している。
利用の増加は、従業員がプロセスにエージェントを積極的に組み込んでいることを示す。しかし、別のチームにとっての有用性を判断するには、それだけでは不十分だ。予算、選択するモデル、エージェントのセッション時間、タスクの性質は異なる可能性がある。OpenAIのデータは、あらゆる研究部門に適用できる基準というより、どのような作業指標を収集できるかを示す事例として特に参考になる。
人の仕事はどこに残るのか
OpenAIは10人の研究者へのインタビューを通じて、仕事を委任する実態も紹介した。エージェントはコードの作成とデバッグ、実験の分析、大規模なデータセットの確認を支援した。一方で従業員は、質の低い成果物、分析における誤った前提、非効率な実験実行の試みについても語った。同社によると、GPT‑6 Astraのリリースで従業員が挙げたアイデアは人間のものとされ、モデルは実装を支援したという。
研究者が説明した仕事の進め方の一つは、チームでも簡単に応用できる。まずエージェントに一つの例を作らせ、それを確認して修正してから、同種のタスクをまとめて任せる方法だ。この手順なら、依頼の設定やデータ形式の誤りが一連の作業全体に広がる前に、すばやく見つけられる。確認コストが高いタスクでは、最初から依頼の規模を広げるより、こちらのほうが有効なことが多い。
自分のチームで結論を活用する方法
まず、観察可能な成果と明確な受け入れ条件がある、反復可能なタスクを一つ選ぶ。人の介入が何回必要だったか、どのような誤りがあったか、確認にどれだけ時間がかかったかを記録する。こうした情報があれば、エージェントが本当に仕事を引き受けているのか、それとも下書き作業を速めているだけなのかを見分けられる。
影響の大きい作業には、権限の境界を別途設定する。たとえばエージェントには異常の検出や実行コマンドの準備を任せ、最終確認と実行は担当エンジニアが行う。この方法は普遍的な安全対策ではなく、自律性の水準を具体的なリスクと利用可能な検証基準に結びつけるためのものだ。
OpenAIのレポートが示すのは、実用的な選択肢だ。「研究」や「開発」をひとまとめにして任せるのではなく、成果を検証できる具体的な作業を委任する。OpenAIのデータでは、学習の実行や推論コードより、実行状況の監視のほうがエージェント単独で取り組みやすかった。チームで実践するなら、次は自社のタスクでも同じ違いを測定し、検証に耐える成果が得られる領域から委任を広げていくことだ。