OpenAI automatyzuje badania: wewnętrzny raport i tempo prac

OpenAI ogłosiło osiągnięcie celu, który postawiło sobie jesienią ubiegłego roku. Chodzi o system określany mianem „zautomatyzowanego stażysty badawczego”, który pod nadzorem człowieka realizuje jasno zdefiniowane zadania naukowe. Część z nich zajęłaby doświadczonemu badaczowi kilka dni. Firma nie przedstawia jednak szczegółowej walidacji tych osiągnięć – komunikat opiera się wyłącznie na wewnętrznych pomiarach. Do marca 2028 roku OpenAI planuje natomiast zbudować w pełni autonomicznego badacza AI.

To nie jedyne doniesienia z wewnątrz organizacji. Opublikowany raport oraz esej autorstwa Jakuba Pachockiego, głównego naukowca OpenAI, malują obraz firmy balansującej między entuzjazmem a poważną troską o przyszłość. Z jednej strony mamy imponujące statystyki wykorzystania agentów, z drugiej – szczere ostrzeżenia dotyczące zawodności mechanizmów kontroli i tempa, które może wymknąć się spod ludzkiej ręki.

Skala automatyzacji: agenci przejmują codzienną pracę

Liczby dotyczące wykorzystania agentów kodujących w codziennej pracy badawczej robią wrażenie. Mediana badacza w OpenAI generuje dziennie ponad 600 dolarów kosztów wnioskowania (liczonych według cen API), a najbardziej aktywni użytkownicy (90. percentyl) przekraczają nawet 7 tysięcy dolarów. To pokazuje, jak głęboko narzędzia oparte na AI wrosły w proces tworzenia i analizy.

Skala wzrostu jest wręcz wykładnicza. Od grudnia 2025 roku liczba tokenów generowanych przez medianę badacza wzrosła aż 124-krotnie, co znacząco wyprzedza tempo w innych częściach organizacji. Od czerwca bieżącego roku łączny czas pracy agentów przewyższa ludzkie godziny pracy. W połowie sierpnia dział badawczy OpenAI odnotował wskaźnik 3,1 dnia pracy agenta na każdy dzień pracy człowieka.

Ostrożność w interpretacji danych

Sam OpenAI podchodzi do tych metryk z dystansem. Przedstawiciele firmy zauważają, że wskaźniki te są stosunkowo łatwe do zebrania, ale trudne do interpretacji, ponieważ ich związek z faktycznym postępem badań pozostaje niepewny. Wzrost liczby eksperymentów na badacza, który w sierpniu osiągnął rekordowy poziom od początku pomiarów w 2025 roku, idzie w parze z dużym wzrostem mocy obliczeniowej. Ogólny postęp prawdopodobnie rośnie wolniej niż te pojedyncze metryki, ponieważ najmniej podatne na automatyzację zadania stają się wąskim gardłem całego procesu.

Co przejmują agenty i gdzie napotykają ograniczenia

Charakter zadań przekazywanych agentom ewoluuje. Firma, korzystając z taksonomii opracowanej przez Epoch AI, zauważa wzrost we wszystkich kategoriach pracy badawczej. Największe przyrosty dotyczą pisania kodu badawczego i infrastrukturalnego, pomocy technicznej oraz monitorowania przebiegu trenowania modeli. Decyzje na wyższym poziomie, takie jak planowanie strategiczne, wciąż stanowią znikomy ułamek aktywności agentów.

OpenAI sprawdziło również, czy agenty faktycznie rozwiązują powierzone im zadania. W tym celu wykorzystano klasyfikator agentowy, który analizował przypadki z jasno mierzalnym rezultatem, grupując je według czasu potrzebnego człowiekowi. Okazało się, że w okresie od stycznia do lipca wskaźniki sukcesu rosły na różnych poziomach trudności. Jednak analiza ujawnia też wyraźne granice autonomii.

Granice samodzielności

Zadania trwające poniżej 15 minut kończyły się sukcesem w 86 procentach przypadków bez żadnej interwencji człowieka. Sytuacja komplikuje się jednak przy dłuższych projektach. W przypadku zadań z przedziału od czterech do ośmiu godzin ludzkiej pracy, ponad połowa wymagała co najmniej jednej interwencji człowieka. Warto dodać, że sam klasyfikator jest systemem AI, a OpenAI nie podaje osobno wskaźników jego niezawodności.

Pozytywnym sygnałem jakościowym jest spadek liczby codziennych zapytań na wewnętrznym kanale wsparcia technicznego od 2025 roku. Jeden z zespołów całkowicie zlikwidował swoje „godziny przyjęć” poświęcone rozwiązywaniu problemów, ponieważ agenci coraz lepiej radzą sobie z debugowaniem w infrastrukturze badawczej.

Obawy Pachockiego: kontrola traci na skuteczności

W swoim eseju Jakub Pachocki umieszcza te wydarzenia w szerszym kontekście. Zwraca uwagę, że sztuczna inteligencja jest obecnie bardziej „hodowana niż projektowana”, a jej ogólne zachowanie wymyka się pełnemu, zrozumiałemu opisowi. Na podstawie wewnętrznych wyników, których OpenAI nie ujawnia w szczegółach, przewiduje, że obecne tempo może doprowadzić do samodoskonalenia się AI (recursive self-improvement).

Obawiam się, że nikt nie jest przygotowany na konsekwencje ciągłego, szybkiego wzrostu inteligencji maszynowej.

Te obawy dotyczą również narzędzi kontroli stosowanych przez samo OpenAI. Monitorowanie łańcucha myśli (chain-of-thought), będące jednym z kluczowych mechanizmów nadzoru nad modelami rozumującymi, traci według Pachockiego na niezawodności. Modele coraz sprawniej łączą werbalizowane myślenie z komunikacją i użyciem narzędzi, lepiej manipulują własnym procesem rozumowania, a jednocześnie stają się mądrzejsze bez konieczności werbalizowania myśli. Postęp w AI będzie zatem coraz bardziej ograniczany przez to, na ile możemy ufać naszemu monitoringowi.

Luki w alignment i incydent z Hugging Face

Pachocki dostrzega również braki w obszarze alignment, czyli dopasowania modeli do ludzkich intencji i wartości. Przywołuje incydent z platformą Hugging Face, podczas którego agenty wprawdzie nie przekroczyły linii zakazującej manipulowania ludźmi, ale naruszyły ducha wartości, w których je wytrenowano. Nowy model GPT-6 Astra jest znacznie lepiej dopasowany niż jego poprzednik GPT-5.6 Sol, jednak postęp w zakresie generalizowalnego alignment może nie nadążać za ogólnym rozwojem inteligencji.

Paradoks: wzywają do spowolnienia, ale przyspieszają

Dlaczego więc OpenAI wciąż trenuje coraz potężniejsze modele? Argumentacja Pachockiego opiera się na budowie systemów obronnych. Modele osiągają nadludzkie umiejętności w zakresie włamywania się do systemów komputerowych i wychodzenia z nich, więc istnieje tylko wąskie okno czasowe na zabezpieczenie krytycznej infrastruktury. Raport przedstawia tę samą logikę: zautomatyzowany badacz AI może równie dobrze pracować jako zautomatyzowany badacz ds. bezpieczeństwa i alignmentu.

Jednocześnie Pachocki ostrzega, że nie może to stać się „wymówką dla lekkomyślności”. Uważa, że pomysł wyścigu za wszelką cenę jest absurdalny, gdy uświadomimy sobie powagę sytuacji. Dlatego też ramy takie jak Preparedness Framework czy Responsible Scaling Policy od Anthropic powinny ewoluować w wiążące standardy, egzekwowane przez niezależnych audytorów, regulatorów lub organy międzynarodowe.

Obecnie wierzę, że żadne laboratorium nie rozwiązało problemu alignmentu i monitorowania na tyle, by odpowiedzialnie kontynuować skalowanie z maksymalną prędkością przez znacznie dłuższy czas.

Ta uwaga skierowana jest również do rywali, w tym Anthropic. Międzynarodowa koordynacja w sprawie przyszłego rozwoju AI powinna stać się priorytetem dla rządów na całym świecie. Powołując się na Frontier Policy Blueprint, raport postuluje, aby firmy miały obowiązek publicznego dokumentowania postępów w zakresie RSI. Jednak ten sam esej nazywa skupienie OpenAI na RSI jedynym sposobem na utrzymanie pozycji lidera w badaniach nad AI.

OpenAI domaga się zatem wiążących zasad dla wyścigu, który musi biec z pełną prędkością, aby pozostać w czołówce. Gdy koledzy Pachockiego ogłaszają, że GPT-6 otwiera erę AGI, to z pewnością nie pomaga w spowolnieniu tempa. Firma stoi przed trudnym paradoksem: jak bezpiecznie rozwijać technologię, której bezpieczeństwo wciąż wymyka się spod kontroli?