jsonscraper
Marknader
Tillbaka till journalen

OpenAI-forskare ger agenter fler uppgifter – men framgången beror på arbetstypen

I en rapport den 18 november varierar graden av autonomt utförande kraftigt mellan olika uppgifter. Det ger vägledning om vad en agent kan få i uppdrag och vad som kräver särskilt noggrann granskning.

Redaktionella riktlinjer Rapportera ett fel

Kan man ge en kodningsagent forskningsarbete och räkna med ett färdigt resultat? Svaret beror på den specifika uppgiften: i OpenAI:s data för perioden 1 augusti–18 oktober 2026 lyckades agenter utan mänskligt ingripande bäst med att övervaka träningskörningar, och betydligt sämre med inferenskod och modellserving.

I rapporten från den 18 november jämförde företaget uppgifter som forskare hade gett agenter och beskrev hur användningen av sådana verktyg förändrades inom OpenAI. Den viktigaste praktiska slutsatsen är att betrakta ”agentarbete” som en uppsättning olika uppgifter med olika acceptanskriterier. Ett genomsnittligt timmått eller intrycket att en modell ”är bra på att skriva kod” ersätter inte granskning av det konkreta resultatet.

Vad som förändrades i utvärderingen

OpenAI:s föregående rapport om forskningsacceleration publicerades i september. Den nya versionen ger en bredare bild: företaget lade till data om agentanvändning, medarbetarundersökningar, arbetsflöden och hur framgången fördelade sig mellan olika uppgiftstyper. Resultaten gäller dock OpenAI:s interna forskningsorganisation, inte någon universell bedömning av alla modeller eller företag.

Ett av de tydligaste jämförelsemåtten är andelen uppgifter som agenten slutförde utan mänskligt ingripande. För uppgifter som bedömdes ta två till fyra timmar för en människa ökade andelen från 23 procent i mars till 46 procent i oktober. För kategorin fyra till åtta timmar steg den från 13 till 35 procent. Kategorierna visar agenternas förmåga att slutföra enskilda uppdrag utan ingripande, inte hur stor andel av allt forskningsarbete som kan överlåtas till en modell.

Det finns också en viktig metodologisk detalj: i takt med att agenternas förmåga förändrades ändrades även urvalet av uppgifter som de fick. OpenAI påpekar uttryckligen att den högre framgångsgraden inom tidskategorierna kan återspegla både bättre modeller och förändringar i vilka uppgifter som delegeras. Tidsjämförelsen är därför användbar för att följa den interna utvecklingen, men den räcker inte i sig för att skilja modellernas bidrag från forskarnas beslut om vilka uppgifter de ska få.

Varför uppgiftens namn är viktigare än dess längd

I rapportens översikt över specifika arbetstyper redovisar OpenAI en andel uppgifter som slutfördes utan mänskligt ingripande på 79 procent för övervakning av träningskörningar, 35 procent för att starta sådana körningar och 25 procent för att skriva inferenskod och kod för servingstacken. Två närliggande moment kring modellträning gav alltså mycket olika resultat.

Artikel: OpenAI-forskare ger agenter fler uppgifter – men framgången beror på arbetstypen
Sammanfattning: OpenAI utvärderade kodningsagenters arbete inom den egna forskningsorganisationen: agenterna klarar många uppgifter inom övervakning och analys, men lyckas betydligt sämre med att starta träning och skriva inferenskod. Den praktiska slutsatsen är att välja uppgifter utifrån verifierbara resultat, inte utifrån breda yrkesbenämningar.
Bildens roll: stödjande illustration 2 – en annan specifik aspekt
Avsnitt: Varf
Andelen uppgifter som agenter slutförde utan mänskligt ingripande, för tre arbetstyper i OpenAI:s data från augusti–oktober 2026.© jsonscraper · AI-genererad illustration
Artikel: OpenAI-forskare ger agenter fler uppgifter – men framgången beror på arbetstypen
Sammanfattning: OpenAI utvärderade kodningsagenters arbete inom den egna forskningsorganisationen: agenterna klarar många uppgifter inom övervakning och analys, men lyckas betydligt sämre med att starta träning och skriva inferenskod. Den praktiska slutsatsen är att välja uppgifter utifrån verifierbara resultat, inte utifrån breda yrkesbenämningar.
Bildens roll: omslagsbild – huvudidén
Avsnitt: Varför uppgiftens namn är viktigare än dess l
Andelen uppgifter som agenter slutförde utan mänskligt ingripande, för tre arbetstyper i OpenAI:s data från augusti–oktober 2026.© jsonscraper · skapad med AI

Det förklarar varför en övergripande kategori som ”hjälpa till med forskning” passar dåligt för planering. Att följa en körning för att upptäcka problem är en uppgift inom övervakning och larmhantering. Att starta träning kräver att åtgärderna och körvillkoren förbereds korrekt. Inferenskod och serving hör till ett annat tekniskt område. Om de slås ihop till ett enda mått försvinner skillnader som är viktiga i det faktiska arbetsflödet.

Företaget redovisar också högre resultat för kategorierna ”kommunikation” (69 procent) och ”analys” (58 procent) än för ”utveckling” (43 procent). Men även så breda kategorier döljer skillnader mellan uppgifter. För att välja ett lämpligt uppdrag är det bättre att formulera ett verifierbart resultat – exempelvis att upptäcka ett fördefinierat fel i en körningslogg – och separat fastställa vad en människa ska bekräfta.

Intensiv användning betyder inte samma avkastning

Rapporten visar att agenter har blivit en märkbar del av OpenAI:s interna arbetsflöden. Enligt företagets uppskattning, baserad på API-priser, använde en forskare i median agentverktyg till ett värde av omkring 2 400 dollar per dag i oktober; motsvarande siffra vid den 90:e percentilen var omkring 23 000 dollar. I båda fallen handlar det om en motsvarighet beräknad med publicerade API-priser, inte uppgifter om den faktiska självkostnaden eller bevis för hur mycket av budgeten som sparats.

Ett annat mått är ”agentdagar”: varje åtta timmars användning av en agent räknas som en arbetsdag. I genomsnitt ökade måttet från 0,5 till 5,7 agentdagar per forskare och dag. I team för förträning och efterträning uppgick agenternas sammanlagda arbete i genomsnitt till ungefär åtta sådana dagar per forskare och kalenderdag. Eftersom flera agenter kan arbeta parallellt beskriver måttet deras sammanlagda tid, inte arbetsdagens längd för en enskild medarbetare. OpenAI påpekar också att måttet främst omfattar interaktiv användning och kan underskatta automatisering.

Den ökade användningen visar att medarbetarna aktivt tar in agenter i arbetet. Det räcker inte för att bedöma nyttan för ett annat team: budget, valda modeller, längden på agentsessionerna och uppgifternas karaktär kan skilja sig åt. OpenAI:s data är särskilt användbara som exempel på vilka arbetsmått man kan samla in, inte som en färdig norm för varje forskningsavdelning.

Var människans arbete fortfarande behövs

I intervjuer med tio forskare beskrev OpenAI den praktiska sidan av delegering: agenter hjälpte till med att skriva och felsöka kod, analysera experiment och granska stora datamängder. Samtidigt berättade medarbetarna om undermåliga resultat, felaktiga antaganden i analyser och ineffektiva försök att starta experiment. Företaget påpekar särskilt att de idéer som medarbetarna uppgav för GPT‑6 Astra-versionerna tillskrevs människor, medan modellerna hjälpte till med genomförandet.

Ett arbetssätt som en av forskarna beskrev är särskilt lätt att införa i ett team: be agenten skapa ett exempel, granska och korrigera det och ge den sedan i uppdrag att utföra en liknande serie uppgifter. Denna ordning gör det snabbt möjligt att upptäcka fel i instruktionen eller dataformatet innan de sprids till hela datamängden. För uppgifter som är dyra att granska är detta ofta mer användbart än att genast skala upp uppdraget.

Så kan teamet tillämpa slutsatsen

Börja med en enda återkommande uppgift som har ett observerbart resultat och ett tydligt acceptanskriterium. Anteckna hur ofta ingripande behövdes, vilka fel som uppstod och hur lång tid granskningen tog. Informationen hjälper er att skilja mellan uppgifter som agenten verkligen tar över och sådana där den bara snabbar upp det inledande arbetet.

För arbetsmoment med stora konsekvenser bör ni sätta en separat gräns för agentens befogenheter. Agenten kan exempelvis upptäcka en avvikelse eller förbereda ett startkommando, medan en ansvarig ingenjör står för godkännande och genomförande. Det är inte en universell säkerhetsmodell, utan ett sätt att koppla graden av autonomi till en specifik risk och ett tillgängligt verifieringskriterium.

OpenAI:s rapport ger en användbar vägledning: delegera inte ”forskning” eller ”utveckling” i allmänhet, utan konkreta uppdrag vars resultat går att kontrollera. I företagets data verkade övervakning av körningar passa bättre för självständigt utförande än att starta träning eller skriva inferenskod. Nästa steg för team är att mäta samma skillnader i sina egna uppgifter och utöka delegeringen där resultaten klarar granskningen.

Personer

Inga personer listade för denna artikel ännu.

Fortsätt läsaVarför agenter måste se mer än text: MKA testar arbete med ritningar och filer
Läs nästa artikel

Gör det du läser till en fungerande integration

Utforska jsonscrapers API:er för social data, testa anrop och bygg nästa arbetsflöde.

Utforska API:er