OpenAI、研究エージェントの作業時間が人間の3倍を超えたと発表、ただし出力指標は依然として研究の進展と同一視できず

OpenAIは、コーディングエージェントが研究プロセスをどのように変えているかについて、初めて比較的包括的な情報を公開した。同社は「自動化された研究インターン」を、人間の指導の下で、明確に定義され、熟練した研究者なら数日を要し得るタスクを完遂できるものと定義している。自ら研究方針を選んだり、訓練をスケールさせるか、実験を中断するか、モデルをデプロイするかを判断したりするものではない。

2026年8月中旬時点で、OpenAIの研究組織におけるエージェントの総実行時間は、人間の1営業日当たりに換算して3.1エージェント営業日に達した。API料金に基づく推計では、エージェント利用量が中央値に位置する研究者でも、1日当たり600米ドルを超える推論リソースを消費し、第90パーセンタイルでは7,000米ドルを超える。研究者が4つ以上のエージェントを同時に起動し、デバッグ、実験インフラ、モニタリング、分析を並列化するケースも増えている。8月には、アクティブな実験担当者1人当たりの実験数が、追跡を開始した2025年以降で過去最高を記録した一方、高レベルの計画策定がエージェント出力に占める割合は、依然としてごくわずかだった。

これらの数値を、研究生産性が直接3.1倍に向上したと解釈すべきではない。「エージェント営業日」は実行時間であり、ピアレビューで検証された発見ではない。実験数の増加も、利用可能な計算資源の拡大と同時に起きている。OpenAIが成功率を推定しているのは、ground truthを取得できるタスクに限られる。また、過去半年に正常完了した4～8時間のタスクのうち、半数を超えるものが少なくとも1回は人間の介入を受けていた。関連する分類器、社内タスクの分布、元データはいずれも公開されていない。

研究プラットフォームチームにとって本当に追跡すべきなのは、ボトルネックの移動だ。コーディングとデバッグが大規模に並列化されると、GPUクォータ、実験設計、結果の解釈、安全性レビューが新たなクリティカルパスになる可能性がある。外部組織が同様の成果を再現するには、有効な実験、人間による修正回数、失敗コスト、最終的な研究成果を同時に測定する必要があり、token数、実行時間、commit数だけを集計してはならない。