Mere maskintid end menneskelig arbejdstid
OpenAI opgør brugen på tværs af sin forskningsafdeling til 3,1 arbejdsdage fra agenter for hver menneskelig arbejdsdag i midten af august. Omregningen tager udgangspunkt i en almindelig otte timers dag og beskriver samlet køretid, ikke tre gange så meget færdig forskning. Flere agenter kan arbejde samtidig, og lang køretid er ikke det samme som et brugbart resultat. Brugen er samtidig blevet en fast del af arbejdsdagen. Virksomheden fortæller, at forskerne skriver kode hurtigere og gennemfører flere eksperimenter. August satte rekord for antallet af eksperimenter per aktiv eksperimenterende forsker, siden målingen begyndte i januar 2025. OpenAI ser en sammenhæng med den stigende brug af Codex, men understreger også, at adgangen til regnekraft er vokset. Tallene kan derfor ikke isolere AI-agenternes effekt.Det svære arbejde kræver fortsat indgreb
Den tydeligste begrænsning kommer fra OpenAI selv. Blandt de vellykkede opgaver, som blev vurderet til fire til otte timers menneskeligt arbejde, krævede over halvdelen mindst én menneskelig indgriben. Opgaver med usikkert udfald samt grupper med for få sessioner eller brugere blev udeladt af opgørelsen. Det betyder, at milepælen ikke kan læses som fuld automatisering. Agenterne kan overtage større dele af kodning, fejlfinding og overvågning, mens overordnet planlægning stadig udgør en meget lille del af deres registrerede arbejde. Forskerne sætter fortsat prioriteterne, vælger hvilke resultater der skal forfølges, og afgør om et forsøg skal opskaleres, standses eller ende i et produkt.En taksonomi gør påstanden mere konkret
For at beskrive agenternes arbejde har OpenAI anvendt en taksonomi udviklet af forskningsgruppen Epoch AI. Den deler AI-forskning og -udvikling i seks faser: valg af retning, design, bygning, afvikling, analyse og formidling. Under dem ligger mere end 60 konkrete opgaver. Epoch AI præsenterer selv modellen som et første og delvist subjektivt forsøg. Pointen er, at almindelige kodebenchmarks let overser forskningens koordinering, uklare succeskriterier og mange samtidige projekter. En agent kan være stærk til at skrive forsøgssoftware uden at kunne afgøre, hvilket eksperiment der er værd at køre. Netop den forskel hjælper med at forklare, hvordan OpenAI både kan erklære praktikantmålet nået og samtidig vise et stort behov for menneskelig kurskorrektion.Næste mål er væsentligt mere ambitiøst
OpenAI sigter nu mod en automatiseret AI-forsker i marts 2028. Virksomhedens forskningschef Jakub Pachocki beskriver retningen som systemer, der i stigende grad kan bidrage til deres egen videre udvikling, men han fremhæver også, at overvågning og sikkerhed endnu ikke er løst godt nok til uhæmmet opskalering. Det er en målsætning, ikke en dokumenteret tidsplan for et færdigt produkt. Den aktuelle dokumentation viser først og fremmest et skifte i laboratoriets arbejdsdeling: AI-agenter udfører nu en stor mængde praktisk arbejde, mens mennesker fortsat bærer ansvaret for retning, kvalitet og stopknappen. Det gør milepælen væsentlig, men også smallere end ordet "forsker" umiddelbart antyder.Der er benyttet AI til at skrive denne artikel.
