Чи можна доручити coding-агенту дослідницьку роботу й розраховувати на готовий результат? Відповідь залежить від конкретного завдання: згідно з даними OpenAI за період із 1 серпня до 18 жовтня 2026 року, агенти без втручання людини найуспішніше справлялися з моніторингом тренувальних запусків, а помітно гірше — з кодом для інференсу й обслуговування моделей.
У звіті від 18 листопада компанія порівняла завдання, які дослідники доручали агентам, і описала, як змінювалося використання таких інструментів усередині OpenAI. Головний практичний висновок — розглядати «роботу агента» як набір різних завдань із різними критеріями приймання. Середній показник за годинами чи враження, що модель «добре пише код», не замінюють перевірки конкретного результату.
Що змінилося в оцінюванні
Попередній звіт OpenAI про прискорення досліджень вийшов у вересні. Нова версія розширила картину: компанія додала дані про використання агентів, опитування співробітників, робочі процеси та розподіл успіху за типами завдань. Водночас наведені результати стосуються внутрішньої дослідницької організації OpenAI, а не є універсальною оцінкою всіх моделей чи компаній.
Один із найзрозуміліших порівняльних зрізів — частка завдань, які агент виконав без втручання людини. Для завдань, оцінених як такі, що потребують від людини двох-чотирьох годин, показник зріс із 23% у березні до 46% у жовтні. Для категорії від чотирьох до восьми годин він змінився з 13% до 35%. Ці категорії показують здатність доводити окремі доручення до результату без втручання, а не частку всієї дослідницької роботи, яку можна передати моделі.
Є й важлива методологічна деталь: разом із можливостями агентів змінювався і вибір завдань, які їм доручали. OpenAI прямо зазначає, що зростання успішності в межах часових категорій може відображати як поліпшення моделей, так і зміну складу делегованих завдань. Тому порівняння за часом корисне як внутрішній тренд, але саме по собі не дає змоги відокремити внесок моделі від рішення дослідників, які завдання їй доручати.
Чому назва завдання важливіша за його тривалість
У короткому зрізі звіту за конкретними видами роботи OpenAI наводить показник успішності без втручання людини: 79% для моніторингу тренувальних запусків, 35% для запуску такого навчання та 25% для написання коду інференсу й стеку обслуговування. Навіть дві суміжні операції навколо навчання моделі дали дуже різні результати.


Це пояснює, чому загальна категорія на кшталт «допомагати з дослідженнями» погано підходить для планування. Стежити за запуском, щоб помітити проблему, — це завдання спостереження й оповіщення. Запустити навчання означає правильно підготувати дії та умови виконання. Код для інференсу й обслуговування належить до іншої технічної сфери. Якщо об’єднати все це в одну метрику, зникнуть відмінності, важливі для реального робочого процесу.
Компанія також наводить вищі оцінки для категорій «комунікація» (69%) і «аналіз» (58%), ніж для «розробки» (43%). Але навіть такі широкі категорії приховують відмінності між завданнями. Щоб обрати доручення, яке пасує агенту, корисніше сформулювати результат, який можна перевірити, — наприклад, виявити заздалегідь визначений збій у журналі запуску — і окремо встановити, що саме має підтвердити людина.
Інтенсивне використання не означає однакової віддачі
Звіт показує, що агенти стали помітною частиною внутрішніх робочих процесів OpenAI. За оцінкою компанії в цінах API, у жовтні медіанний дослідник використовував агентні інструменти на суму близько 2400 доларів на день; показник для 90-го процентиля становив близько 23 000 доларів. В обох випадках ідеться про еквівалент за опублікованими тарифами API, а не про фактичну собівартість чи доведений обсяг зекономленого бюджету.
Інший показник — «агент-дні»: кожні вісім годин використання агента зараховують як один робочий день. У середньому показник зріс із 0,5 до 5,7 агент-дня на дослідника за день. У командах попереднього та наступного навчання середня сукупна робота агентів становила приблизно вісім таких днів на дослідника за календарний день. Оскільки паралельно можуть працювати кілька агентів, метрика описує їхній сукупний час, а не тривалість робочого дня одного співробітника; OpenAI також зазначає, що показник переважно враховує інтерактивне використання і може недооцінювати автоматизацію.
Зростання використання свідчить, що співробітники активно залучають агентів до роботи. Але цього недостатньо, щоб оцінити користь для іншої команди: бюджет, обрані моделі, тривалість агентних сесій і характер завдань можуть різнитися. Дані OpenAI особливо корисні як приклад того, які робочі показники можна збирати, а не як готовий норматив для будь-якого дослідницького підрозділу.
Де залишається робота людини
В інтерв’ю з десятьма дослідниками OpenAI описала практичний бік делегування: агенти допомагали писати й налагоджувати код, аналізувати експерименти та переглядати великі набори даних. Водночас співробітники розповідали про неякісні артефакти, хибні припущення в аналізі та невдалі спроби запускати експерименти. Компанія окремо зазначає, що ідеї, які співробітники пов’язували з релізами GPT‑6 Astra, вони приписували людям, тоді як моделі допомагали з реалізацією.
Один зі способів роботи, описаний дослідником, особливо легко застосувати в команді: попросити агента зробити один приклад, перевірити й виправити його, а потім доручити аналогічну серію завдань. Такий порядок швидко виявляє помилку в постановці або форматі даних, перш ніж вона пошириться на весь набір. Для завдань із дорогою перевіркою це часто корисніше, ніж одразу збільшувати масштаб доручення.
Як застосувати висновок у своїй команді
Почніть з одного повторюваного завдання, яке має спостережуваний результат і зрозумілу умову приймання. Зафіксуйте, скільки разів було потрібне втручання, які помилки траплялися і скільки часу пішло на перевірку. Ці дані допоможуть відрізнити завдання, яке агент справді бере на себе, від того, де він лише пришвидшує підготовку чернетки.
Для операцій із серйозними наслідками встановіть окрему межу повноважень. Наприклад, агент може виявити аномалію або підготувати команду запуску, а підтвердження й виконання залишаються за відповідальним інженером. Це не універсальна схема безпеки, а спосіб узгодити рівень автономності з конкретним ризиком і доступним критерієм перевірки.
Звіт OpenAI пропонує корисний напрям: делегувати варто не «дослідження» чи «розробку» загалом, а конкретні доручення, результат яких можна перевірити. За даними компанії, моніторинг запусків виявився придатнішим для самостійного виконання, ніж запуск навчання чи написання коду інференсу. Наступний крок для команди-практика — виміряти таку саму різницю на власних завданнях і розширювати делегування там, де результат витримує перевірку.