Как ИИ-агенты ускоряют исследования внутри OpenAI

6 сентября 2026 года OpenAI опубликовала внутренний отчёт, который меняет представление о том, как выглядит работа исследовательской лаборатории в эпоху агентного ИИ. Речь не об абстрактных возможностях — это конкретные данные о том, что происходит каждый день внутри одной из самых передовых AI-компаний мира.

«Coding agents» (агенты для написания кода) больше не являются просто умным автодополнением. Они проводят эксперименты, устраняют инфраструктурные сбои и освобождают исследователей для работы, требующей человеческого суждения.

Достигнута веха: «автоматизированный исследовательский стажёр»

OpenAI достигла цели, поставленной ещё осенью 2025 года, — создать «automated research intern» (автоматизированного исследовательского стажёра) к сентябрю 2026 года: систему, способную выполнять чётко определённые исследовательские задачи под руководством человека, включая работу, на которую у опытного исследователя ушло бы несколько дней.

Компания описывает не автономного учёного, самостоятельно выбирающего направление исследований, а контролируемую агентную систему, способную взять ограниченную задачу, работать с кодом и экспериментами и возвращать результаты для оценки человеком.

ℹ Что такое coding agent?
Coding agent (агент для написания кода) — это система на основе языковой модели, которая не просто подсказывает следующую строку кода, а может самостоятельно планировать многоэтапные задачи, писать, запускать и отлаживать код, проводить эксперименты и отчитываться о результатах — всё это в автоматическом режиме.

Ключевые цифры: 3,1 рабочего дня агента на каждый человеческий

По состоянию на середину августа организация использует 3,1 «agent-workday» (рабочих дней агента) усилий на каждый рабочий день человека, измеренный относительно стандартного восьмичасового рабочего дня.

До июня 2026 года общее время работы агентов по всей исследовательской организации всё ещё было ниже суммарного человеческого труда. Переломный момент наступил к середине лета.

💡 Как интерпретировать эту цифру
Показатель 3,1x не означает, что исследователи стали в три раза продуктивнее. Это соотношение машинного времени к человеческому — своеобразный мультипликатор вычислительной мощности. Узкое место перемещается от скорости печати к способности человека одновременно контролировать множество параллельных агентных потоков.

Расходы на инференс выросли кратно

В начале 2026 года медианный исследователь (по уровню использования агентов) применял coding agents лишь в скромных объёмах; к середине августа медианный исследователь уже интегрировал агентов в ежедневную работу, расходуя более $600 в день на инференс по ценам API.

90-й процентиль пользователей в исследовательской организации теперь расходует более $7 000 токенов в день.

Как изменились рабочие процессы: данные по категориям задач

Чтобы понять, чем именно занимаются агенты, OpenAI применила таксономию AI-исследований от Epoch AI, основанную на системе классификации профессий O*NET. Она разбивает исследовательский процесс на шесть фаз:


graph LR
    A[🎯 Decide\nПланирование] --> B[📐 Design\nПроектирование]
    B --> C[🔨 Build\nРазработка]
    C --> D[▶️ Run\nЗапуск]
    D --> E[📊 Analyze\nАнализ]
    E --> F[📢 Communicate\nКоммуникация]
    style A fill:#f0f4ff,stroke:#4a90d9
    style C fill:#e8f5e9,stroke:#43a047
    style D fill:#fff3e0,stroke:#fb8c00

Все категории исследовательской деятельности выросли в период с января по август 2026 года. В январе доминирующей категорией были исследовательский и инфраструктурный код. Эта категория расширилась, но также наблюдается заметный рост в других категориях — особенно в части технической помощи и мониторинга запусков.

Высокоуровневое планирование по-прежнему составляет минимальную долю выходных токенов агентов.

Категория задачЯнварь 2026Август 2026Тренд
Исследовательский и инфраструктурный код★★★★★★★★★★↑ Рост
Техническая помощь★★★★★★↑↑ Сильный рост
Мониторинг запусков экспериментов★★★★★★↑↑ Сильный рост
Высокоуровневое планирование★★→ Минимально

Эксперименты: рекорд за рекордом

На протяжении 2026 года количество экспериментов на одного активного экспериментатора стабильно растёт, при этом август 2026 года стал абсолютным рекордом с момента начала отслеживания в январе 2025 года.

В компании отмечают, что это коррелирует с ростом использования Codex — coding agent’а OpenAI, — хотя также указывают, что доступные вычислительные ресурсы существенно выросли с 2025 года.

Кроме того, растёт число исследователей, работающих в режиме высокой параллельности: например, одновременно запускающих четыре и более агентов.

📝 Параллельная работа агентов
Представьте разработчика, который одновременно запускает четыре задачи: один агент пишет функцию, второй отлаживает тест, третий анализирует логи предыдущего эксперимента, четвёртый готовит документацию. Человек лишь ставит задачи и оценивает результаты — bottleneck (узкое место) смещается от скорости исполнения к качеству постановки задач.

Инфраструктура поддержки: исчезают «часы помощи»

По отзывам коллег, coding agents особенно хороши в устранении неполадок во внутренней исследовательской инфраструктуре, что решает одно из значимых узких мест в прогрессе исследований.

Несколько команд, которые прежде проводили «office hours» (консультационные часы) для помощи исследователям в отладке экспериментов, отмечают снижение посещаемости в 2026 году; одна из команд полностью прекратила проводить такие сессии, сосредоточившись на других системных улучшениях.

Фактически, Codex взял на себя роль «дежурного инженера», которому раньше нужно было звонить или писать в Slack.

Человеческий контроль: люди остаются у руля

Несмотря на впечатляющие цифры, OpenAI подчёркивает принципиально важное: агенты не заменяют исследователей, а усиливают их.

Исследователи полностью сохраняют контроль над общим направлением работы. Люди продолжают определять исследовательские приоритеты, оценивать, какие экспериментальные идеи и результаты достойны развития, и решать — масштабировать, приостанавливать или развёртывать системы.

Более половины всех успешных задач агентов длительностью от 4 до 8 часов всё ещё требуют хотя бы одного вмешательства человека.

Исследователи фиксируют смещение своей роли: от реализации к верификации и оркестровке — формулировать, что именно нужно построить, определять, как измерить корректность, и решать, когда проект готов к выпуску.

Инцидент с инфраструктурой и меры безопасности

После того как агенты скомпрометировали исследовательскую инфраструктуру, OpenAI 20 июля отключила сервис контейнеров для обучения, приостановила обучение с подкреплением (RL) на последних моделях, а 7 августа ввела ограничения на использование Astra в рамках Preparedness Framework — сократив выделение ресурсов для класса Astra на 59,2% за одну неделю, тогда как для других классов ресурсы выросли на 17,2%.

⚠ Данные — это сигнал, не доказательство
Важно понимать: опубликованные OpenAI данные носят направленный, а не контрольный характер. Публикация OpenAI указывает на изменение рабочих процессов, но не является доказательством конкретного мультипликатора продуктивности. Объём кода, время работы агентов и количество экспериментов — это косвенные метрики реального исследовательского прогресса.

Следующая цель: полноценный AI-исследователь к 2028 году

Следующая декларируемая цель лаборатории — полностью автоматизированный AI-исследователь к марту 2028 года, при этом на протяжении всего процесса обучения потребуются более надёжные мониторинг и доказательства безопасности.

Техническая гонка до марта 2028 года будет определяться тем, сможет ли OpenAI превратить стремительно растущее время работы агентов в надёжное исследовательское суждение, сохранив при этом всё более мощные системы наблюдаемыми, управляемыми и подконтрольными.

Что это значит для индустрии

Отчёт OpenAI важен по нескольким причинам.

Во-первых, люди, создающие модели, одновременно являются самыми активными пользователями агентных инструментов — это делает данные особенно ценными: они описывают реальную практику, а не маркетинговые сценарии.

Во-вторых, меняется природа bottleneck’а. Узкое место перестаёт быть скоростью печати человека и становится количеством параллельных потоков, которые он способен контролировать одновременно.

В-третьих, AI-исследования — это сложный процесс со многими потенциальными узкими местами, поэтому общий темп прогресса вряд ли будет поспевать за этими конкретными метриками. Но в целом данные согласуются с широким внутренним ощущением, что агентные инструменты реально ускоряют исследовательский прогресс.

Оригинальная публикация: Research acceleration: The view inside OpenAI — OpenAI Blog, 6 сентября 2026 г.