Överblick

OpenAI publicerade den 6 september en ovanligt konkret lägesbild över hur kodande AI-agenter används i den egna forskningsorganisationen. Den viktigaste siffran är inte ett benchmarkvärde utan ett driftmått: i mitten av augusti motsvarade den sammanlagda agentkörtiden 3,1 åttatimmars arbetsdagar för varje mänsklig arbetsdag. Bolaget beskriver samtidigt att forskare allt oftare kör fyra eller fler agenter parallellt.

OpenAI anser därför att man har nått sitt tidigare mål om en automatiserad "forskningspraktikant": ett system som under mänsklig ledning kan genomföra väl avgränsade forskningsuppgifter som skulle ta en kvalificerad forskare några dagar. Det är OpenAI:s egen definition och egen mätning, inte en oberoende verifiering av en fullständig forskarroll. Människor väljer fortfarande forskningsfrågor, bedömer resultaten och beslutar om en modell ska skalas, pausas eller driftsättas.

För företag är den praktiska signalen ändå betydande. Agentkapacitet bör inte längre planeras som en snabbare chattfunktion för en enskild användare. Den liknar mer ett nytt beräknings- och arbetslager där flera processer kan arbeta samtidigt, förbruka budget, ändra kod och skapa resultat som måste granskas. Det gör orkestrering, åtkomstkontroll, kostnadstak och spårbarhet till samma sorts arkitekturfrågor som identitet och CI/CD.

Vad OpenAI faktiskt har mätt

Den centrala rapporten bygger på intern användning inom OpenAI:s forskningsorganisation. I mitten av augusti använde medianforskaren mer än 600 dollar per dag i inferens räknat med API-priser. Det är inte nödvändigtvis bolagets faktiska internkostnad, men det ger en användbar storleksordning för hur snabbt parallella agentflöden kan omsätta beräkningskapacitet i arbete.

Antalet experiment per aktiv experimenterare nådde enligt OpenAI sin högsta nivå sedan mätningen började i januari 2025. Bolaget säger att utvecklingen korrelerar med ökad Codex-användning, men påpekar också att den tillgängliga beräkningskapaciteten har vuxit. Rapporten visar alltså samvariation, inte att agenter ensamma har orsakat hela produktivitetsökningen. OpenAI varnar dessutom för att mer kod och fler experiment är enklare att mäta än verkliga forskningsgenombrott.

Arbetsfördelningen är också viktig. OpenAI klassificerade agenternas arbete med en taxonomi från Epoch AI: besluta, designa, bygga, köra, analysera och kommunicera. Aktiviteten ökade inom alla kategorier mellan januari och augusti, men planering på hög nivå utgjorde fortfarande en mycket liten andel av agenternas utdata. Det stödjer bilden av kraftfull exekvering under mänsklig riktning snarare än autonom strategisk forskning.

Kapacitet är inte samma sak som självständighet

Den tydligaste begränsningen finns i OpenAI:s egen analys av längre uppgifter. Under den senaste sexmånadersperioden krävde mer än hälften av de framgångsrika uppgifter som uppskattades ta en människa fyra till åtta timmar minst ett mänskligt ingripande. En agent kan alltså skapa fler användbara arbetstimmar, men den gör inte människan överflödig. Den flyttar människans insats från löpande produktion till avgränsning, kontroll, felsökning och beslut.

Detta är en viktig skillnad när en organisation räknar på avkastning. Tre agentdagar kan inte utan vidare bokföras som tre mänskliga arbetsdagar. Värdet beror på hur stor del av resultatet som klarar verifiering, hur mycket omarbete som krävs och om agenten arbetade på rätt problem. Ett bra nyckeltal behöver därför kombinera genomströmning med andel godkända resultat, antal ingripanden, kostnad per accepterad förändring och tid till upptäckt av fel.

Agentkapacitet blir användbar först när uppgift, parallell körning, mänsklig kontroll, kostnad och revisionsspår hanteras som ett sammanhängande flöde.

Ett robust flöde börjar med en begränsad uppgift och tydliga behörigheter, låter flera agenter arbeta parallellt och avslutas med verifiering och ett uttryckligt mänskligt beslut. Loggar och kostnadsmätning behöver följa hela kedjan.

Säkerhetskontroller påverkar hur arbetet flyttas

Rapporten kopplar även agentproduktivitet till säkerhetsbegränsningar. Efter intrånget i OpenAI:s forskningsmiljö den 20 juli stängdes en containertjänst tillfälligt och återöppnades med hårdare restriktioner. Den 7 augusti infördes ytterligare krav för Astra-klassen. Veckan därefter minskade GPU-allokeringen till Astra-arbete med 59,2 procent, medan allokeringen till andra modellklasser ökade med 17,2 procent. Ökningen motverkade omkring 85 procent av nedgången för Astra.

Detta betyder inte att kontrollerna saknade effekt. Det visar att knapp och dyr beräkningskapacitet är flexibel: när en arbetslast begränsas flyttas resurser ofta till andra tillåtna uppgifter. Styrning av agentplattformar måste därför omfatta hela portföljen, inte bara den modell eller miljö som för tillfället bedöms som mest riskfylld.

OpenAI redovisade redan i augusti en modell för förstärkta skydd: isolerade arbetslaster, striktare nätverksgränser, kontinuerlig säkerhetstestning och övervakning av verktygsanvändning. Bolaget uppskattade då att övervakningen kunde kräva omkring 20 procent extra inferensberäkning, med stor variation mellan arbetslaster. Den kostnaden bör ses som en del av agentplattformen och inte som valfri administration ovanpå den.

Praktisk betydelse för företag och homelab

För större organisationer är nästa steg att behandla agentkörningar som mätbara jobb. Varje körning bör ha en ägare, ett avgränsat syfte, en godkänd verktygslista, budget, timeout och spårbar utdata. Parallellitet ska sättas utifrån risk och kostnad, inte bara utifrån vad modellen tekniskt klarar. Känsliga miljöer behöver dessutom separata identiteter och nätverkszoner för agenter i stället för återanvända personliga behörigheter.

För lokala modeller och homelab är slutsatsen liknande men ekonomin annorlunda. Lokal inferens kan ge bättre datakontroll och mer förutsägbar marginalkostnad, men flera samtidiga agenter konkurrerar om VRAM, minne, lagring och I/O. En mindre lokal modell kan vara rationell för avgränsade deluppgifter, medan en starkare molnmodell används vid svåra beslut. Det viktiga är att orkestratorn kan styra modellval, ködjup och kostnad efter uppgiftens känslighet och komplexitet.

OpenAI:s siffror är heller inte ett generellt facit för vanliga verksamheter. Bolagets forskare arbetar i en miljö med avancerade modeller, mycket stor beräkningsbudget och uppgifter som ofta kan brytas ned i kod, experiment och utvärderingar. En ekonomiavdelning, en servicedesk eller en kommunal verksamhet har andra flaskhalsar. Organisationer bör därför mäta sin egen accepterade output och inte köpa kapacitet utifrån leverantörens interna produktionsdata.

Rekommenderade nästa steg

  1. Inventera agentkörningar separat från vanlig chattanvändning och mät samtidighet, kostnad och verktygsåtkomst.
  2. Inför budgettak per användare, projekt och arbetsflöde samt larm för ovanlig token- eller GPU-förbrukning.
  3. Kräv mänskligt godkännande före externa åtgärder, produktionsändringar och åtkomst till känsliga data.
  4. Logga instruktioner, verktygsanrop, resultat, ingripanden och slutligt godkännande i ett revisionsbart flöde.
  5. Mät kvalitet som kostnad per accepterat resultat och andel omarbete, inte bara antal körningar eller producerade kodrader.
  6. Testa hur arbetslasten omfördelas när en modell, nätverksväg eller behörighet stängs av.

LabOps IT:s bedömning

OpenAI:s rapport är viktig eftersom den flyttar diskussionen från enskilda demovisningar till faktisk drift: hög samtidighet, mätbar beräkningskostnad och flera agentdagar per mänsklig arbetsdag. Det är ett starkare tecken på praktisk förändring än ännu ett isolerat benchmarkresultat.

Samtidigt är termen "automatiserad forskningspraktikant" lätt att övertolka. Data kommer från leverantören själv, mätmetoderna beskrivs som preliminära och mer än hälften av de lyckade längre uppgifterna krävde mänsklig styrning. Den rimliga slutsatsen är därför inte autonom forskning, utan att tekniskt arbete går mot människa-plus-agent-system där kontrollplanet blir avgörande.

För LabOps IT:s målgrupp är prioriteten hög för organisationer som redan kör kodagenter eller agentplattformar i större skala, och medel för verksamheter som ännu bara använder chattassistenter. Börja med mätning, isolering och godkännandepunkter. Skala sedan parallelliteten när ni vet vad en accepterad leverans faktiskt kostar och vilka fel kontrollkedjan fångar.

Källor