← Новости

Инференс вместо экономии: инженеры OpenAI сжигают до $23 000 на агентов в день

Инференс вместо экономии: инженеры OpenAI сжигают до $23 000 на агентов в день
OpenAI Blog

Во сколько на самом деле обходится лаборатории искусственного интеллекта передача ключевых исследовательских процессов автономным кодинг-агентам?

Согласно внутреннему отчету OpenAI о том, как кодинг-агенты ускорили и трансформировали цикл разработки моделей, медианные ежедневные затраты одного исследователя в октябре достигли $2 400 по базовым ценам API — это на 62% выше показателей сентября. В верхнем дециле наиболее активных пользователей потребление вычислительных мощностей росло еще быстрее: на уровне 90-го перцентиля ежедневные траты инженера составили $23 000 в октябре, продемонстрировав скачок на 105% по сравнению с предыдущим месяцем. По мере того как модели получают все большую автономию в инженерных процессах, реальные операционные затраты смещаются в сторону стремительно растущего инференса и расходов на человеческий контроль.

OpenAI измеряет эту нагрузку через агентские рабочие дни, определяя каждые восемь часов непрерывной работы агента как один рабочий день. В масштабах всей организации число таких рабочих дней на одного исследователя выросло с 0,5 до 5,7, показав одиннадцатикратный рост. Для технического руководства остается открытым вопрос: насколько этот взрывной рост бюджетов трансформируется в реальную автономность пайплайна, прежде чем упрется в фундаментальные ограничения моделей при решении сложных инфраструктурных задач.

Дисбаланс агентской компетенции

Механизм, стоящий за этими счетами, — резкий рост скорости работы агентов в сочетании с неравномерным качеством выполнения исследовательских задач. С марта по октябрь расчетная успешность автономных агентов выросла с 23% до 46% для задач, требующих от двух до четырех часов труда человека. Для более длительных заданий объемом от четырех до восьми человеко-часов результативность за тот же период увеличилась с 13% до 35%. Плотность нагрузки также распределена неравномерно: максимальный прирост зафиксирован в командах предварительного и пост-обучения, где время выполнения агентских задач составляло в среднем около восьми рабочих дней на исследователя в календарные сутки. В командах масштабирования и инфраструктуры этот показатель составил около четырех дней на исследователя.

При этом эффективность систем резко колеблется в зависимости от характера инженерной задачи. В детальной разбивке рабочих процессов OpenAI зафиксировала, что успешность автономных агентов достигает 79% при мониторинге процессов обучения. Однако показатель резко падает при переходе к глубоким инженерным задачам: до 35% при запуске циклов обучения и обваливается до 25% при написании кода для стеков инференса и обслуживания моделей.

«В целом прирост эффективности крайне неравномерен, и человек остается ключевым звеном исследовательского цикла AI».

Подобное операционное трение подтверждает: автономные агенты уверенно справляются с пассивным надзором, но не способны создавать базовую инфраструктуру обслуживания без вмешательства человека. Этот разрыв объясняет, почему инженерные команды так высоко ценят эти системы, несмотря на нестабильный результат: когда OpenAI спросила исследователей, от чего они готовы отказаться ради сохранения доступа к передовым кодинг-агентам на три месяца, медианным ответом стали 30% командных вычислительных мощностей или, в отдельном вопросе, 40% штата сотрудников.

Затраты на надзор и перераспределение кадров

Скептики могут предположить, что взрывной рост потребления токенов исследователями отражает лишь высокие цены на новые модели, а не реальные изменения в операционных процессах. Однако в OpenAI увеличение числа агентских рабочих дней напрямую изменило распределение штата и вынудило перевести дорогостоящих инженеров на задачи контроля.

Вместо снижения корпоративных издержек рост автономии агентов привел к масштабной переброске технического персонала на купирование рисков безопасности. Направление Safety and Alignment показало наибольший абсолютный прирост зафиксированных трудозатрат среди всех ключевых исследовательских сфер OpenAI. Объем рабочих недель в подразделении вырос на 77% с января по сентябрь — как за счет найма новых специалистов, так и путем перевода действующих исследователей на эти задачи. Динамика усилилась в середине года, заметно ускорившись после реакции OpenAI на инцидент с Hugging Face в июле 2026 года.

Внедрение автономных исследовательских систем превращает человеческий труд из непосредственной разработки софта в интенсивную верификацию работы агентов, параллельно раздувая ежедневные счета за токены до десятков тысяч долларов на человека. По мере того как передовые модели берут на себя все больше операционных задач в циклах предобучения, экономика рекурсивного самосовершенствования систем будет напрямую зависеть от способности лабораторий поднять качество генерации инфраструктурного кода выше текущей планки в 25% без взрывного роста расходов на надзорный персонал.

Что это значит

Окупает ли себя перевод инженерных процессов на автономных помощников? Живые специалисты тратят рабочее время на постоянный надзор за кодинг-агентами, пока счета лаборатории за чужие и собственные вычисления стремительно улетают в космос. $23 000 в сутки тратит один активный исследователь только на вызовы API для работы агентов.

Источник: OpenAI Blog