Замена инженеров кодинг-агентами — расходы на вычисления обогнали зарплаты

Инженерные процессы претерпевают сдвиг: внутренние программные инструменты начинают сжигать больше условного капитала, чем базовые оклады работающих с ними специалистов. Согласно второму отчету OpenAI об ускорении внутренних исследований, использование агентов внутри компании стремительно растет на фоне фиксации признаков рекурсивного самосовершенствования, при котором AI-системы сокращают циклы будущих разработок. Возникающие накладные расходы на вычисления существенно меняют структуру затрат на R&D.
По стандартным прайс-листам API медианный исследователь в OpenAI в октябре потреблял токенов на $2 400 в день, что на 62% больше показателя предыдущего месяца. У верхних 10% пользователей эта теоретическая стоимость достигала $23 000 в сутки. В сентябре расчетный эквивалент времени работы агентов по тарифам API вдвое превышал базовые зарплатные расходы на исследователей, даже с учетом того, что эти расчеты исключают опционные пакеты акций, составляющие от 70% до 80% совокупной компенсации сотрудников. Подобная динамика ставит вопрос: способны ли автономные кодинг-агенты брать на себя сложные инженерные задачи или они лишь кратно увеличивают объемы типового шаблонного кода.
Мультипликаторы рабочего дня и параллельные вычисления
Операционная емкость внутри OpenAI агрессивно масштабируется вокруг этих автоматизированных систем. В пересчете на восьмичасовые рабочие смены внутренние агенты отрабатывают эквивалент 5,7 человеко-дня на одного исследователя за календарные сутки, доходя примерно до восьми человеко-дней в командах предварительного обучения и постобучения моделей. В периоды пиковых нагрузок более двух третей отслеживаемых исследователей запускали как минимум четырех агентов параллельно.
Внутренние агенты отрабатывают эквивалент 5,7 человеко-дня на одного исследователя за календарные сутки, доходя примерно до восьми человеко-дней в командах предварительного обучения и постобучения моделей.
Непрерывная автономная работа меняет кадровые приоритеты технических подразделений. В ходе внутреннего нерепрезентативного опроса 101 сотрудника исследователи заявили на уровне медианы, что предпочли бы отказаться от 40% штата своей команды или 30% вычислительных мощностей, чем провести три месяца без привычных кодинг-агентов. В отдельном экспресс-опросе 28 сотрудников 27 человек предпочли последнюю внутреннюю модель живому инженеру уровня middle.
Инженерные узкие места и супервизия
Несмотря на сильную зависимость от автоматизированного инструментария, результативность резко колеблется в зависимости от архитектуры задачи. В период с марта по октябрь расчетный показатель успешности автономных агентов без вмешательства человека в задачах длительностью от двух до четырех часов вырос с 23% до 46%, а в задачах от четырех до восьми часов — с 13% до 35%. Мониторинг по таксономии Epoch AI показывает, что агенты эффективно закрывают структурированные регламентные процессы: мониторинг запусков обучения завершается успешно в 79% случаев, а самостоятельные ответы на технические вопросы — в 72%.
Сбои происходят там, где системы сталкиваются с базовой системной архитектурой. Доля успешных выполнений падает до 29% при создании сред для оценки и обучения с подкреплением и до 25% при написании кода для систем инференса и обслуживания моделей.
Модели напрочь лишены «вкуса» к качественным исследовательским идеям, а также к качеству кода и данных, констатируют опрошенные в отчете исследователи.
Управление ключевой архитектурой по-прежнему сосредоточено в руках людей. Концептуальные идеи для моделей GPT-6 Astra и GPT-6.2 Astra формировались исключительно людьми из подразделений постобучения и безопасности, тогда как вклад агентов ограничивался отдельными диалогами исследователей с Codex на этапе предобучения GPT-6.2 Astra.
Главный контраргумент к приведенным финансовым показателям заключается в том, что они опираются на внешние розничные расценки API, а не на реальную предельную стоимость вычислительных мощностей OpenAI. В прямом сопоставлении со всей вычислительной R&D-инфраструктурой OpenAI внутренние агенты задействовали лишь 2% общей емкости кластеров. Внешние замеры подтверждают общий тренд на ускорение: экспертная организация METR по итогам одиннадцатинедельной оценки установила, что инструменты искусственного интеллекта почти удвоили темпы разработки в Anthropic. Ранее, в начале сентября, OpenAI отчиталась о выполнении внутренней цели по созданию автономного AI-исследователя уровня стажера, хотя шеф-исследователь Якуб Пахоцкий (Jakub Pachocki) позже предупредил об опасности потери контроля после того, как внутренний аудит вскрыл множественные пробелы в контурах надзора.
Внешний ценник эквивалентен $2 400 в день на исследователя, однако в физической реальности внутренняя работа агентов утилизирует лишь 2% R&D-мощностей серверов OpenAI.
Что за этим стоит
Четверть успешных запусков в коде для инференса наглядно очерчивает пределы текущей автоматизации. Красивые отчеты о тысячах сэкономленных человеко-дней разбиваются о тот факт, что за виртуальных ассистентов по прайс-листу приходится отдавать больше, чем за реальных людей, которые всё ещё исправляют за ними ошибки в архитектуре.
Наши материалы: Стратегия затрат OpenAI GPT-5: ROI важнее цены токена (15 июля).
Источник: The Decoder