OpenAI opublikowało 18 listopada 2026 roku drugi raport o tym, jak agenci kodujący przyspieszają pracę jej działu badawczego. Mediana wydatków badacza na narzędzia agentowe wynosi już ok. 2400 USD dziennie według cen API, a liczba godzin pracy agentów na badacza wzrosła jedenastokrotnie. Jednocześnie firma przyznaje, że agenci działają nierówno, w zadaniach budowania infrastruktury radzą sobie znacznie gorzej, a najważniejsze pomysły do modeli GPT-6 Astra i GPT-6.2 Astra nadal pochodziły głównie od ludzi. OpenAI traktuje te dane jako wskaźniki rekurencyjnego samodoskonalenia AI.
Co opisuje raport OpenAI o przyspieszeniu badań
Raport „Research acceleration: The jagged frontier” jest kontynuacją wrześniowej publikacji, w której OpenAI po raz pierwszy pokazało, jak agenci kodujący zmieniają pracę badaczy. Nowa wersja dzieli dane na trzy części. Pierwsza dotyczy nakładów, czyli intensywności korzystania z agentów. Druga opisuje proces badawczy, a trzecia efekty w postaci zmian w możliwościach modeli.
Firma wiąże publikację z postulatem ze swojego planu bezpieczeństwa modeli granicznych. Według OpenAI laboratoria AI powinny mieć obowiązek śledzenia i publicznego raportowania wskaźników rekurencyjnego samodoskonalenia (RSI), czyli sytuacji, w której AI przyspiesza tworzenie kolejnych systemów AI. OpenAI zastrzega jednocześnie, że raportowanie nie oznacza zamiaru dążenia do pełnego RSI.
Ile pracują agenci w dziale badawczym
Najmocniej wzrosło zużycie narzędzi agentowych. Firma liczy je w cenach katalogowych API, więc wynik obejmuje zarówno więcej pracy, jak i przejście na droższe modele. Drugi wskaźnik to „dzień pracy agenta”, liczony jako osiem godzin działania. Mierzy czas pracy, ale nie uwzględnia zmian jakości modeli ani cen.
Największy wzrost odnotowano w zespołach zajmujących się trenowaniem wstępnym (pretraining) i dotrenowywaniem (posttraining), gdzie na badacza przypadało średnio ok. ośmiu dni pracy agentów na dzień kalendarzowy. W zespołach skalowania i infrastruktury było to ok. czterech. OpenAI zaznacza, że wskaźnik obejmuje głównie pracę interaktywną, więc może zaniżać udział automatyzacji.
- Mediana wydatków na agentów: 1500 USD dziennie we wrześniu, ok. 2400 USD obecnie (wzrost o 62 proc.).
- 90. percentyl: 11 tys. USD dziennie we wrześniu, ok. 23 tys. USD obecnie (wzrost o 105 proc.).
- Dni pracy agentów na badacza: wzrost z 0,5 do 5,7 dziennie.
- Równoległa praca: ponad 10 proc. badaczy miało w szczycie średnio co najmniej 16 agentów naraz.
- Liczba eksperymentów na aktywnego eksperymentatora: 1,68 razy więcej niż średnia z 2025 roku (cztery tygodnie do 18 października).
Gdzie agenci radzą sobie dobrze, a gdzie zawodzą
Tytułowa „nierówna granica” oznacza, że skuteczność agentów zależy od rodzaju zadania. OpenAI sklasyfikowało zadania według taksonomii prac badawczych nad AI opracowanej przez Epoch AI i zmierzyło odsetek zadań wykonanych bez interwencji człowieka w okresie od 1 sierpnia do 18 października 2026 roku.
Firma przyznaje, że słabsze kategorie mogą stać się wąskim gardłem. Nawet jeśli agent szybko analizuje wyniki, budowa środowisk do testów i uczenia ze wzmocnieniem nadal wymaga ludzi. Raport zastrzega też, że badacze mogli z czasem zmienić rodzaj zadań, które powierzają agentom, więc wzrost skuteczności nie musi wynikać wyłącznie z lepszych modeli.
- Monitorowanie przebiegów trenowania pod kątem problemów: 79 proc.
- Odpowiadanie na pytania techniczne: 72 proc.
- Kategoria komunikacji: 69 proc., analiza: 58 proc., budowanie: 43 proc.
- Budowa środowisk do ewaluacji, uczenia ze wzmocnieniem i agentów: 29 proc.
- Pisanie kodu do inferencji i serwowania modeli: 25 proc.
Kto wymyśla pomysły do nowych modeli
OpenAI zapytało badaczy, skąd wzięły się najważniejsze pomysły w modelach GPT-6 Astra i GPT-6.2 Astra. Zespoły dotrenowywania i monitorowania bezpieczeństwa wskazały, że wszystkie wymienione pomysły wymyślili ludzie, a modele pomagały je wdrożyć. Podobnie było przy trenowaniu wstępnym GPT-6 Astra.
Zmianę widać dopiero przy GPT-6.2 Astra. Badacze trenowania wstępnego opisali, że rozwijali pomysły w rozmowie z Codexem. Jeden przypisał mu odnalezienie ważnych wniosków, drugi stwierdził, że jego pomysł zaczął dobrze działać dopiero po zmianie zaproponowanej przez model. W wywiadach z dziesięcioma badaczami powtarzały się jednak uwagi o słabym wyczuciu agentów w ocenie pomysłów, jakości kodu i danych.
Co badacze deklarują w ankietach
Na przełomie sierpnia i września OpenAI zapytało 101 osób z działu badawczego, ile byłyby skłonne oddać, aby odzyskać dostęp do najlepszych agentów po hipotetycznym trzymiesięcznym odcięciu. Mediana odpowiedzi to 40 proc. osób w zespole albo 30 proc. mocy obliczeniowej zespołu. Bez agentów zespoły potrzebowałyby według ankiety mediany trzech miesięcy na pracę o wartości ostatniego miesiąca.
W październikowej ankiecie 27 z 28 respondentów wybrało najnowszy wewnętrzny model zamiast pomocy inżyniera badawczego ze średnim stażem wspieranego modelem z 2024 roku. Firma sama zastrzega, że deklaracje mogą być niedokładne, a dobór ankietowanych nie był losowy.
Ograniczenia danych i spór o tempo rozwoju AI
Wszystkie liczby pochodzą z wewnętrznych pomiarów, ankiet i klasyfikatorów OpenAI. Raport nie wspomina o niezależnym audycie, a część metodologii zmieniono od września, na przykład przy liczeniu zmienionych linii kodu. Firma przyznaje też, że wzrost aktywności, takiej jak liczba eksperymentów, nie musi oznaczać szybszego postępu badań.
Jako bezpośredni miernik efektów OpenAI pokazuje własną wersję indeksu Epoch Capabilities Index. Według firmy granica możliwości jej modeli rośnie od sierpnia 2025 roku o 16,4 punktu rocznie, wobec trendu 14 punktów rocznie obserwowanego przez Epoch AI. Indeks łączy jednak testy publiczne z wewnętrznymi, a modele OpenAI wypadają w nim lepiej niż w wersji Epoch. Podobne wskaźniki publikuje Anthropic, który w prospekcie ostrzegał przed progiem samodoskonalenia, a niezależną ocenę tempa jego prac przygotował METR.
W naszej ocenie najcenniejsza w raporcie jest część o słabościach agentów, bo pokazuje, gdzie ludzki nadzór jest dziś niezbędny. Wnioski o przyspieszeniu całego rozwoju AI wymagają ostrożności, dopóki pomiary prowadzi wyłącznie zainteresowana firma.
Co z tego wynika dla firm w Polsce
Dla polskich zespołów programistycznych i analitycznych raport jest praktyczną mapą zadań, które można dziś powierzać agentom. Najlepiej wypadają monitorowanie, analiza i odpowiedzi na pytania techniczne, najsłabiej budowanie złożonej infrastruktury. Badacze OpenAI opisują przy tym metodę pracy, w której agent przygotowuje jeden wzorcowy element, człowiek go poprawia, a dopiero potem agent wykonuje resztę.
Skala wydatków w OpenAI, ok. 9,6 tys. zł dziennie na badacza po kursie NBP z 18 listopada 2026 roku (4,0170 zł za dolara), dotyczy cen katalogowych, których firma sama nie płaci. Dla przedsiębiorstwa liczącego koszty agentów ważniejszy jest wniosek, że rachunek rośnie szybciej niż jakość w słabszych kategoriach zadań. Warto więc mierzyć skuteczność agentów osobno dla każdego typu pracy, zanim zwiększy się budżet.
Źródła i data sprawdzenia
- Research acceleration: The jagged frontierOpenAI, publikacja: 2026-11-18, sprawdzono: 2026-11-19
- Research acceleration: The view inside OpenAIOpenAI, publikacja: 2026-09-06, sprawdzono: 2026-11-19
- Toward an O*NET for AI R&DEpoch AI, publikacja: 2026-06-17, sprawdzono: 2026-11-19
- Kursy średnie walut obcych, tabela 224/A/NBP/2026Narodowy Bank Polski, publikacja: 2026-11-18, sprawdzono: 2026-11-19
Artykuł ma charakter informacyjny. Przy decyzjach prawnych, finansowych lub organizacyjnych warto zweryfikować wnioski w odniesieniu do konkretnej sytuacji.



