jsonscraper
Рынки
К журналу

Исследователи OpenAI поручают агентам больше задач — но успех зависит от типа работы

В отчёте от 18 ноября показатели автономного выполнения сильно различаются по задачам. Это помогает понять, где агенту можно делегировать работу, а где результату нужна особенно тщательная проверка.

Редакционная политика Сообщить об ошибке

Можно ли поручить coding-агенту исследовательскую работу и рассчитывать на готовый результат? Ответ зависит от конкретной задачи: в данных OpenAI за 1 августа — 18 октября 2026 года агенты без вмешательства человека успешнее всего справлялись с мониторингом тренировочных запусков, а заметно хуже — с кодом для инференса и обслуживания моделей.

В отчёте от 18 ноября компания сравнила задачи, которые исследователи поручали агентам, и описала, как менялось использование таких инструментов внутри OpenAI. Главный практический результат — относиться к «работе агента» как к набору разных задач с разными критериями приёмки. Средний показатель по часам или впечатление, что модель «хорошо пишет код», не заменяют проверки конкретного результата.

Что изменилось в оценке

Предыдущий отчёт OpenAI о research acceleration вышел в сентябре. Новая версия расширила картину: компания добавила данные об использовании агентов, опросах сотрудников, рабочих процессах и распределении успеха по типам задач. При этом приведённые результаты описывают внутреннюю исследовательскую организацию OpenAI, а не универсальную оценку всех моделей или компаний.

Один из наиболее понятных сравнительных срезов — доля заданий, которые агент выполнил без вмешательства человека. Для задач, оценённых как требующие от человека двух-четырёх часов, показатель вырос с 23% в марте до 46% в октябре. Для категории от четырёх до восьми часов он изменился с 13% до 35%. Эти категории показывают способность доводить отдельные поручения до результата без вмешательства, а не долю всей исследовательской работы, которую можно передать модели.

Есть и важная методическая деталь: вместе с возможностями агентов менялся выбор заданий, которые им поручали. OpenAI прямо отмечает, что рост успешности внутри временных категорий может отражать и улучшение моделей, и изменение состава делегируемых задач. Поэтому сравнение по времени полезно как внутренний тренд, но оно само по себе не позволяет отделить вклад модели от решения исследователей, какие задачи ей давать.

Почему название задачи важнее её длительности

В кратком срезе отчёта по конкретным видам работы OpenAI приводит успешность без вмешательства человека в 79% для мониторинга тренировочных запусков, 35% для запуска таких тренировок и 25% для написания кода инференса и serving-стека. Даже две соседние операции вокруг обучения модели показали сильно разные результаты.

Article: Исследователи OpenAI поручают агентам больше задач — но успех зависит от типа работы
Summary: OpenAI оценила работу coding-агентов внутри своей исследовательской организации: агенты успешно выполняют многие задачи по мониторингу и анализу, но заметно хуже справляются с запуском обучения и кодом для инференса. Практический вывод — выбирать задачи по проверяемому результату, а не по общему названию профессии.
Image role: supporting illustration 2 — a different specific aspect
Section: Поч
Доля задач, завершённых агентами без вмешательства человека, по трём типам работы в данных OpenAI за август—октябрь 2026 года.© jsonscraper · создано с ИИ
Article: Исследователи OpenAI поручают агентам больше задач — но успех зависит от типа работы
Summary: OpenAI оценила работу coding-агентов внутри своей исследовательской организации: агенты успешно выполняют многие задачи по мониторингу и анализу, но заметно хуже справляются с запуском обучения и кодом для инференса. Практический вывод — выбирать задачи по проверяемому результату, а не по общему названию профессии.
Image role: cover — the central idea
Section: Почему название задачи важнее её д
Доля задач, завершённых агентами без вмешательства человека, по трём типам работы в данных OpenAI за август—октябрь 2026 года.© jsonscraper · создано с ИИ

Это объясняет, почему общая категория вроде «помогать с исследованием» плохо подходит для планирования. Следить за запуском, чтобы заметить проблему, — задача наблюдения и сигнализации. Запустить обучение — значит правильно подготовить действия и условия выполнения. Код для инференса и обслуживания работает в другой технической области. Если их объединить в одну метрику, различия, важные для реального рабочего процесса, исчезнут.

Компания также приводит более высокую оценку для категорий «коммуникация» (69%) и «анализ» (58%), чем для «разработки» (43%). Но даже такие широкие категории скрывают различия между задачами. Для выбора подходящего поручения полезнее формулировать проверяемый результат — например, обнаружить заранее определённый сбой в журнале запуска — и отдельно устанавливать, что именно должен подтвердить человек.

Интенсивное использование не равно одинаковой отдаче

Отчёт показывает, что агенты стали заметной частью внутренних рабочих процессов OpenAI. По оценке компании в ценах API, медианный исследователь в октябре использовал агентные инструменты на сумму около 2400 долларов в день; показатель для 90-го процентиля составлял около 23 000 долларов. В обоих случаях это эквивалент по опубликованным тарифам API, а не сведения о фактической себестоимости или доказанный объём сэкономленного бюджета.

Другой показатель — «агент-дни»: каждые восемь часов использования агента считаются одним рабочим днём. В среднем показатель вырос с 0,5 до 5,7 агент-дня на исследователя в день. В командах предварительного и последующего обучения средняя суммарная работа агентов составляла примерно восемь таких дней на исследователя за календарный день. Поскольку параллельно могут работать несколько агентов, метрика описывает их совокупное время, а не длительность рабочего дня одного сотрудника; OpenAI также отмечает, что показатель в основном учитывает интерактивное использование и может недосчитывать автоматизации.

Рост использования показывает, что сотрудники активно включают агентов в процесс. Чтобы оценить пользу для другой команды, этого недостаточно: бюджет, выбранные модели, продолжительность агентных сессий и характер задач могут различаться. Данные OpenAI особенно полезны как пример того, какие рабочие показатели можно собирать, а не как готовая норма для любого исследовательского подразделения.

Где остаётся работа человека

В интервью с десятью исследователями OpenAI описала практическую сторону делегирования: агенты помогали писать и отлаживать код, анализировать эксперименты и просматривать большие наборы данных. Одновременно сотрудники рассказывали о некачественных артефактах, неверных предположениях в анализе и неэффективных попытках запустить эксперименты. Компания отдельно отмечает, что идеи, названные сотрудниками для выпусков GPT‑6 Astra, они приписывали людям, тогда как модели помогали с реализацией.

Один из описанных исследователем способов работы особенно легко перенести в команду: попросить агента сделать один пример, проверить и поправить его, а затем поручить аналогичную серию задач. Такой порядок быстро выявляет ошибку в постановке или формате данных, прежде чем она распространится на весь набор. Для задач с дорогой проверкой это часто полезнее, чем сразу увеличивать масштаб поручения.

Как применить вывод к своей команде

Начните с одной повторяемой задачи, у которой есть наблюдаемый результат и понятное условие приёмки. Зафиксируйте, сколько раз потребовалось вмешательство, какие ошибки встретились и сколько времени ушло на проверку. Эти сведения помогут отличить задачу, которую агент действительно берёт на себя, от задачи, где он лишь ускоряет черновую работу.

Для операций с высокими последствиями задайте отдельную границу полномочий. Например, агент может обнаружить аномалию или подготовить команду запуска, а подтверждение и выполнение остаются за ответственным инженером. Это не универсальная схема безопасности, а способ связать уровень автономности с конкретным риском и доступным критерием проверки.

Отчёт OpenAI предлагает полезную развилку: делегировать стоит не «исследование» или «разработку» вообще, а конкретные поручения, для которых можно проверить выход. На данных компании мониторинг запусков выглядел более подходящим для самостоятельного выполнения, чем запуск обучения или код инференса. Для команды-практика следующий шаг — измерить ту же разницу на собственных задачах и расширять делегирование там, где результат выдерживает проверку.

Персоны

Для этой статьи персоны пока не указаны.

Читайте дальшеПочему агентам мало читать текст: бенчмарк MKA проверяет работу с чертежами и файлами
Читать следующую статью

Превратите прочитанное в рабочую интеграцию

Изучайте API социальных данных jsonscraper, тестируйте запросы и создавайте новые процессы.

Смотреть API