OpenAI מדווחת שסוכניה משלימים לבד 46% ממשימות מחקר של 2 עד 4 שעות
מאת מערכת זירת AI · פורסם: · עודכן:
דוח פנימי של OpenAI מראה שסוכני קוד משלימים כיום לבדם 46% ממשימות מחקר של שעתיים עד ארבע שעות, לעומת 23% במרץ. השימוש בסוכנים מזנק, אך ההצלחה אינה אחידה: הם חזקים בניטור ובניתוח וחלשים בבנייה ובכתיבת קוד תשתיתי, והחוקרים האנושיים עדיין מובילים את הרעיונות.
בקצרה:
- בסקר, החוקרים היו מוכנים לוותר בחציון על 40% מכוח האדם בצוות או על 30% מכוח המחשוב כדי לשמור על הגישה לסוכנים.
- למרות הזינוק בשימוש, הסוכנים צורכים רק 2% מכוח המחשוב המוקדש למחקר.
- OpenAI מסייגת שהציונים הגבוהים יותר של מודליה במדד הפנימי נובעים ככל הנראה מהרכב מבחני הביצועים.
OpenAI פרסמה דוח המשך על האצת המחקר הפנימי שלה, המבוסס על מדידות של השימוש בסוכני קוד בארגון המחקר. הדוח מתאר תמונה שהחברה מכנה "חזית משוננת": הסוכנים משלימים חלק גדל והולך מהעבודה, אבל ההצלחה משתנה מאוד בין סוגי משימות, והחוקרים האנושיים נותרים חלק מרכזי בתהליך.
החברה מציגה את הפרסום כחלק ממחויבות לשקיפות סביב מדדים של שיפור עצמי רקורסיבי (RSI): התהליך שבו בינה מלאכותית מאיצה את פיתוח הדור הבא של המערכות. לטענת OpenAI, מעבדות AI צריכות להידרש לעקוב אחר מדדים כאלה ולדווח עליהם בפומבי, אך הדיווח אינו מעיד על כוונה לחתור ל-RSI מלא.
שיעורי הצלחה עולים, אך לא באופן אחיד
בין מרץ לאוקטובר עלה שיעור ההצלחה המוערך של סוכנים, ללא התערבות אנושית, מ-23% ל-46% במשימות שאדם היה מבצע בשעתיים עד ארבע שעות, ומ-13% ל-35% במשימות של ארבע עד שמונה שעות. החברה מסייגת כי ייתכן שהחוקרים שינו לאורך הזמן את סוג המשימות שהם מאצילים, כך שהעלייה משקפת גם את בחירות המשתמשים ולא רק שיפור ביכולות.
הפילוח לפי סוג משימה, על בסיס טקסונומיה שפיתחה Epoch AI, חושף פערים ניכרים. ניטור ריצות אימון הצליח ב-79% מהמקרים ומענה על שאלות טכניות ב-72%, אך השקת ריצות אימון הצליחה ב-35% בלבד, בניית סביבות הערכה ולמידת חיזוק ב-29% וכתיבת קוד לתשתיות הסקה ב-25%. ברמת הקטגוריות, תקשורת (69%) וניתוח (58%) עקפו את הבנייה (43%). לפי OpenAI, כל עוד הביצועים אינם אחידים, המשימות החלשות עלולות להפוך לצוואר בקבוק שיגביל את ההאצה הכוללת.
שיעור הצלחת הסוכנים לפי סוג משימה יחידה: % מקור: OpenAI ניטור ריצות אימון: 79% מענה לשאלות טכניות: 72% השקת ריצות אימון: 35% בניית סביבות הערכה וחיזוק: 29% קוד לתשתיות הסקה: 25%
השימוש בסוכנים מזנק
לפי מחירון ה-API, החוקר החציוני צרך באוקטובר סוכנים בשווי של כ-2,400 דולר ביום, עלייה של 62% לעומת 1,500 דולר בספטמבר. באחוזון ה-90 הגיע הנתון ל-23 אלף דולר ביום, יותר מפי שניים מ-11 אלף דולר. מספר "ימי העבודה של סוכנים" (כל שמונה שעות פעילות) לחוקר ביום עלה פי 11, מ-0.5 ל-5.7, ובצוותי האימון המקדים והאימון המאוחר הגיע לכשמונה. באמצע אוקטובר יותר משני שלישים מהחוקרים הפעילו בשיא היומי לפחות ארבעה סוכנים במקביל, ויותר מ-10% לפחות שישה-עשר.
בספטמבר עמד השווי המקביל של השימוש בסוכנים על כפליים מהשכר הלא-מנייתי של החוקרים, אף שהמניות מהוות בדרך כלל 70% עד 80% מהתגמול. עם זאת, השימוש הפנימי כולו מהווה רק 2% מכוח המחשוב המוקדש למחקר.
מה החוקרים מוכנים לוותר
בסקר שכלל 101 אנשי מחקר נשאלו המשתתפים כמה היו מוותרים כדי לשמור על גישה לסוכני קוד מתקדמים לשלושה חודשים. התשובה החציונית: 40% מכוח האדם בצוות, או 30% מכוח המחשוב שלו. החוקרים העריכו גם כי ללא סוכנים יידרשו שלושה חודשים להשלים עבודה בהיקף של חודש אחד. בסקר נפרד, 27 מתוך 28 משיבים העדיפו את המודל הפנימי העדכני על פני מהנדס מחקר אנושי בשילוב מודל מ-2024.
בראיונות תיארו החוקרים יתרונות בהטמעת קוד, באיתור תקלות ובסריקת אלפי דוגמאות, אך גם חולשות: לסוכנים "טעם" חלש ברעיונות מחקריים, באיכות קוד ובאיכות נתונים, והם נוטים לשקוע בצעדים מיותרים. ברוב המקרים, הרעיונות המרכזיים מאחורי GPT-6 Astra ו-GPT-6.2 Astra יוחסו לבני אדם, אם כי בצוות האימון המקדים של GPT-6.2 Astra תוארה תרומה ממשית של Codex לפיתוח הרעיונות.
השפעה על התוצרים ועל הבטיחות
מספר הניסויים לחוקר פעיל עמד בארבעת השבועות שהסתיימו ב-18 באוקטובר על פי 1.68 מבסיס 2025. במדד היכולות הפנימי של החברה, גרסה של מדד Epoch, עלתה חזית המודלים של OpenAI ב-16.4 נקודות בשנה מאז אוגוסט 2025, לעומת מגמה של 14 נקודות שזיהתה Epoch. החברה עצמה מציינת שהמודלים שלה מקבלים ציונים גבוהים יותר במדד הפנימי, ככל הנראה בשל הרכב מבחני הביצועים.
במקביל, היקף העבודה המתועד בתחום הבטיחות וההתאמה גדל ב-77% בין ינואר לספטמבר, הגידול המוחלט הגדול ביותר מבין תחומי המחקר, עם האצה בעקבות אירוע Hugging Face ביולי. OpenAI מסייגת כי מגמות העבר אינן בהכרח מנבאות את ההמשך, ומציינת שגם Anthropic ו-Google DeepMind פרסמו מדידות דומות.
שאלות נפוצות
כמה משימות מחקר סוכני הבינה המלאכותית של OpenAI מצליחים להשלים לבד?
לפי דוח OpenAI, שיעור ההצלחה המוערך של סוכנים ללא התערבות אנושית במשימות שאורכות לאדם שעתיים עד ארבע שעות עלה מ־23% במרץ ל־46% באוקטובר. במשימות של ארבע עד שמונה שעות הוא עלה מ־13% ל־35%. עם זאת, ייתכן שחלק מהעלייה נובע משינויים בסוגי המשימות שהחוקרים בחרו להאציל לסוכנים.
מה זה שיפור עצמי רקורסיבי (RSI) בבינה מלאכותית?
שיפור עצמי רקורסיבי, או RSI, הוא תהליך שבו בינה מלאכותית מסייעת להאיץ את פיתוח הדור הבא של מערכות בינה מלאכותית. OpenAI מציגה את מדידת השימוש בסוכני קוד כחלק משקיפות בנושא. לדבריה, מעבדות צריכות לעקוב אחר מדדים כאלה ולפרסמם, אך הדיווח שלה אינו מעיד על כוונה לחתור ל־RSI מלא.
באילו משימות מחקר סוכני AI מצליחים יותר ובאילו פחות?
לפי הדוח, סוכני AI הצליחו ב־79% ממשימות ניטור ריצות האימון וב־72% ממשימות המענה על שאלות טכניות. לעומת זאת, שיעורי ההצלחה היו 35% בהשקת ריצות אימון, 29% בבניית סביבות הערכה ולמידת חיזוק ו־25% בכתיבת קוד לתשתיות הסקה. הפערים יוצרים ״חזית משוננת״, שבה משימות חלשות עלולות להגביל את האצת המחקר הכוללת.
כמה עולה השימוש בסוכני קוד במחקר של OpenAI?
לפי חישוב המבוסס על מחירון ה־API, שווי השימוש היומי בסוכנים של החוקר החציוני הגיע באוקטובר לכ־2,400 דולר, לעומת 1,500 דולר בספטמבר. באחוזון ה־90 הגיע השווי ל־23 אלף דולר ביום. אלה נתוני שווי מקביל לפי מחירון, ולא בהכרח עלות פנימית בפועל; השימוש הפנימי כולו היווה רק 2% ממחשוב המחקר.
האם סוכני AI מחליפים חוקרים אנושיים?
לפי הדוח, סוכני AI מסייעים בהטמעת קוד, באיתור תקלות ובסריקת אלפי דוגמאות, אך החוקרים האנושיים נשארים מרכזיים בתהליך. החוקרים תיארו חולשות בשיפוט של רעיונות מחקריים, איכות קוד ואיכות נתונים, וכן נטייה לצעדים מיותרים. ברוב המקרים, הרעיונות המרכזיים מאחורי המודלים המתוארים בדוח יוחסו לבני אדם ולא לסוכנים.
עד כמה סוכני AI מאיצים את עבודת המחקר?
בסקר של OpenAI, חוקרים העריכו שעבודה בהיקף של חודש עם סוכנים הייתה דורשת שלושה חודשים בלעדיהם. בנוסף, מספר הניסויים לחוקר פעיל הגיע לפי 1.68 מבסיס 2025. עם זאת, הערכת החוקרים אינה מדידה סיבתית של ההאצה, והחברה מדגישה שמגמות העבר אינן בהכרח מנבאות את המשך השיפור בעתיד