Kodlama ajanına araştırma işi verip tamamlanmış bir sonuç beklemek mümkün mü? Yanıt, görevin kendisine bağlı: OpenAI’nin 1 Ağustos–18 Ekim 2026 dönemine ait verilerinde ajanlar, insan müdahalesi olmadan en başarılı biçimde eğitim süreçlerini izledi; çıkarım ve model sunum kodlarında ise belirgin biçimde daha zayıf kaldı.
18 Kasım tarihli raporda şirket, araştırmacıların ajanlara verdiği görevleri karşılaştırıyor ve bu araçların OpenAI içinde kullanımının nasıl değiştiğini açıklıyor. Temel pratik sonuç, “ajan işi”ni farklı kabul ölçütleri bulunan görevlerden oluşan bir küme olarak ele almak. Saat başına ortalama performans ya da modelin “iyi kod yazdığı” izlenimi, somut çıktının denetlenmesinin yerini tutmaz.
Değerlendirmede neler değişti?
OpenAI’nin araştırmayı hızlandırma konulu önceki raporu eylülde yayımlanmıştı. Yeni sürüm, ajan kullanımına, çalışan anketlerine, iş akışlarına ve görev türlerine göre başarı dağılımına ilişkin veriler ekleyerek kapsamı genişletti. Bununla birlikte, aktarılan sonuçlar OpenAI’nin kendi araştırma kuruluşunu tanımlıyor; tüm modellerin veya şirketlerin geneline ilişkin bir değerlendirme sunmuyor.
En anlaşılır karşılaştırmalardan biri, ajanın insan müdahalesi olmadan tamamladığı görevlerin oranı. İnsan tarafından iki ila dört saat sürmesi beklenen görevlerde bu oran martta %23 iken ekimde %46’ya çıktı. Dört ila sekiz saatlik kategoride ise %13’ten %35’e yükseldi. Bu kategoriler, bütün araştırma çalışmalarının ne kadarının modele devredilebileceğini değil, tek tek görevlerin müdahale olmadan sonuca ulaştırılma becerisini gösteriyor.
Önemli bir yöntemsel ayrıntı da şu: Ajanların yetenekleri geliştikçe onlara verilen görevler de değişti. OpenAI, zaman kategorileri içindeki başarı artışının hem modellerin gelişmesini hem de devredilen görevlerin bileşiminin değişmesini yansıtabileceğini açıkça belirtiyor. Bu nedenle süreye göre karşılaştırma, şirket içindeki eğilimi görmek açısından yararlı olsa da modelin katkısını araştırmacıların hangi görevleri verdiğine ilişkin karardan tek başına ayıramaz.
Görevin adı, süresinden neden daha önemli?
Rapordaki belirli iş türlerine ilişkin kısa değerlendirmede OpenAI, insan müdahalesi olmadan başarı oranını eğitim süreçlerini izlemede %79, bu eğitimleri başlatmada %35, çıkarım ve sunum yığını için kod yazmada ise %25 olarak veriyor. Model eğitimi çevresindeki iki yakın işlemde bile sonuçlar büyük ölçüde farklıydı.


Bu, “araştırmaya yardımcı olmak” gibi genel bir kategorinin planlama için neden yetersiz olduğunu açıklıyor. Bir eğitim sürecini izleyip sorun olup olmadığını saptamak, gözlem ve uyarı verme işidir. Eğitimi başlatmak, işlemleri ve yürütme koşullarını doğru hazırlamayı gerektirir. Çıkarım ve sunum kodları ise farklı bir teknik alana girer. Bunları tek bir ölçütte toplamak, gerçek iş akışı açısından önemli ayrımları ortadan kaldırır.
Şirket ayrıca “iletişim” (%69) ve “analiz” (%58) kategorileri için “geliştirme” kategorisinden (%43) daha yüksek oranlar bildiriyor. Ancak bu geniş kategoriler bile görevler arasındaki farklılıkları gizliyor. Uygun görevi seçerken, önceden belirlenmiş bir çalıştırma günlüğündeki arızayı saptamak gibi doğrulanabilir bir sonuç tanımlamak ve insanın tam olarak neyi onaylaması gerektiğini ayrıca belirlemek daha yararlı.
Yoğun kullanım, her zaman aynı getiriyi sağlamaz
Rapor, ajanların OpenAI’nin iç iş akışlarında belirgin bir yer edindiğini gösteriyor. Şirketin API fiyatları üzerinden yaptığı tahmine göre, ekim ayında medyan araştırmacı ajan araçlarını günde yaklaşık 2.400 dolar değerinde kullandı; 90. yüzdelik dilimdeki araştırmacı için bu tutar yaklaşık 23.000 dolardı. Her iki değer de yayımlanmış API tarifelerine göre hesaplanan eşdeğer tutarlardır; gerçek maliyeti veya kanıtlanmış bütçe tasarrufunu göstermez.
Bir başka ölçüt olan “ajan-gün” hesabında, ajanın her sekiz saatlik kullanımı bir iş günü sayılıyor. Ortalama değer, araştırmacı başına günlük 0,5’ten 5,7 ajan-güne yükseldi. Ön eğitim ve son eğitim ekiplerinde ajanların ortalama toplam çalışması, takvim gününde araştırmacı başına yaklaşık sekiz böyle güne ulaştı. Birden fazla ajan paralel çalışabildiğinden bu ölçüt, tek bir çalışanın iş gününün süresini değil, ajanların toplam çalışma süresini tanımlar. OpenAI ayrıca ölçütün ağırlıklı olarak etkileşimli kullanımı hesaba kattığını ve otomasyonları eksik sayabileceğini belirtiyor.
Kullanım artışı, çalışanların ajanları sürece etkin biçimde kattığını gösteriyor. Ancak başka bir ekibe sağlayacağı faydayı değerlendirmek için bu yeterli değil: bütçe, seçilen modeller, ajan oturumlarının süresi ve görevlerin niteliği farklılık gösterebilir. OpenAI’nin verileri, her araştırma birimi için hazır bir normdan çok, hangi iş ölçütlerinin toplanabileceğine dair bir örnek olarak özellikle yararlı.
İnsanların üstlendiği işler
OpenAI, on araştırmacıyla yaptığı görüşmelerde görev devrinin pratik yönünü anlattı: Ajanlar kod yazmaya ve hata ayıklamaya, deneyleri analiz etmeye ve büyük veri kümelerini incelemeye yardımcı oldu. Öte yandan çalışanlar kalitesiz çıktılardan, analizlerdeki yanlış varsayımlardan ve deneyleri başlatmaya yönelik verimsiz girişimlerden de söz etti. Şirket ayrıca, GPT‑6 Astra sürümleri için çalışanların dile getirdiği fikirlerin insanlara ait olduğunu, modellerin ise uygulamaya yardımcı olduğunu belirtiyor.
Araştırmacılardan birinin anlattığı çalışma yöntemi ekiplere kolayca uyarlanabilir: Önce ajandan tek bir örnek üretmesini isteyin, bunu kontrol edip düzeltin, ardından benzer görevlerden oluşan bir seri verin. Bu sıra, bir hata tüm veri kümesine yayılmadan önce talimat veya veri biçimindeki sorunları hızla ortaya çıkarır. Denetlemesi pahalı görevlerde bu yaklaşım, görevin kapsamını hemen büyütmekten çoğu zaman daha yararlıdır.
Bu sonuçlar ekibinizde nasıl uygulanabilir?
Gözlemlenebilir bir çıktısı ve açık kabul koşulu bulunan, tekrarlanabilir tek bir görevle başlayın. Kaç kez müdahale gerektiğini, hangi hataların ortaya çıktığını ve denetimin ne kadar sürdüğünü kaydedin. Bu bilgiler, ajanın gerçekten üstlendiği görevle yalnızca taslak çalışmayı hızlandırdığı görevi birbirinden ayırmaya yardımcı olur.
Sonuçları ağır olabilecek işlemler için yetki sınırını ayrıca belirleyin. Örneğin ajan bir anormalliği saptayabilir veya çalıştırma komutunu hazırlayabilir; onay ve uygulama ise sorumlu mühendiste kalır. Bu, evrensel bir güvenlik şeması değil; özerklik düzeyini somut risk ve mevcut doğrulama ölçütüyle eşleştirmenin bir yoludur.
OpenAI’nin raporu, yararlı bir ayrım sunuyor: Devredilmesi gereken şey genel olarak “araştırma” ya da “geliştirme” değil, çıktısı doğrulanabilen belirli görevlerdir. Şirketin verilerinde çalıştırmaları izlemek, eğitim başlatma veya çıkarım kodu yazmaya kıyasla bağımsız yürütmeye daha uygun görünüyordu. Uygulayıcı ekipler için sonraki adım, aynı farkı kendi görevlerinde ölçmek ve devri, çıktının denetimden geçtiği alanlarda genişletmek.