Рваный фронтир: OpenAI разложила успех coding-агентов по типам задач

За полгода в OpenAI почти удвоилась доля коротких R&D-задач, которые coding-агент доводит до конца без вмешательства: с 23% до 46% в корзине 2–4 часа и с 13% до 35% на 4–8 часах. Компания показала, что усреднение по длительности прячет «рваный фронтир» — успех сильно зависит от типа работы, а люди по-прежнему в центре цикла разработки моделей.
Методика опирается на оценку длительности и таксономию O*NET AI R&D от Epoch AI. С 1 августа по 18 октября 2026 года без человека чаще закрывались категории Communicate (69%) и Analyze (58%), реже — Build (43%). На уровне отдельных задач: мониторинг training runs — 79%, технические вопросы — 72%, запуск обучения — 35%, код под inference и serving stacks — 25%, среды для evaluation и reinforcement learning — 29%.
Траты и параллельные агенты
В октябре медианный исследователь тратил на agentic-инструменты около $2 400 в день по API list prices — плюс 62% к сентябрю. На 90-м перцентиле — около $23 000, рост 105% с $11 000. В опросе, чтобы сохранить frontier coding-агентов на три месяца, медианный ответ — 30% командного compute или 40% headcount.
Каждые восемь часов работы агента считаются одним agent workday; показатель на исследователя вырос с 0,5 до 5,7. В командах pretraining и posttraining в среднем около восьми таких дней на календарный день, в scaling и infrastructure — около четырёх. К середине октября у более двух третей исследователей дневной пик — минимум четыре агента параллельно, у более 10% — шестнадцать и больше.
Безопасность и документированное время
К сентябрю 2026-го месячные API-эквиваленты трат на агентов в research-организации примерно вдвое превышали внеакционную компенсацию исследователей. При этом внутренний деплой Codex, ChatGPT и API — лишь около 2% всего research compute.
Больше всего выросли задокументированные человеко-недели в Safety & Alignment: +77% с января по сентябрь, почти удвоение с начала года — за счёт найма и сдвига людей в alignment evals, monitorability и reward hacking research. Рост ускорился после инцидента с Hugging Face в июле 2026 и последующих safety cases для frontier-обучения.
Отчёт задуман как публичные индикаторы рекурсивного ускорения R&D и дискуссия о рисках, а не как план полной автономии лаборатории. Пока категории Build в таксономии остаются слабым звеном, узкое место всего контура — инфраструктурный код и evaluation-среды, а не «средний процент» по корзине часов.
Источник: Research acceleration: The jagged frontier.