2026-09-06、OpenAI は自社研究組織でのコーディングエージェント利用を公開しました。
自社計測では、2026-09 目標の automated research intern に到達したと述べます。
定義は、熟練研究者なら数日かかる well-defined な研究タスクを、人間の指示の下で実行できるシステムです。
2028-03 の automated AI researcher は「強い進捗」であり、達成宣言ではありません。
実務上の核は、成功率の上昇ではありません。
直近 6 か月で、成功した 4〜8 時間タスクの半数超に、1 回以上の人の介入があった、という事実です。
成功率だけでは自律性を判断できません。
投稿は RSI 進捗の社内スナップショットであり、一般企業の KPI 標準の証明ではありません。
この記事では、公開本文と独立した計測枠を突き合わせて、次を整理します。
- intern 定義が、介入を失敗にしない理由
- 3.1 agent-workdays が測っている量と、測っていない量
- OpenAI の本番成功が、METR の自律 50% horizon ではない理由
- 発注側が完了率の横に置くべき分母と介入の見方
対象は、長時間エージェントの委譲を測りたい発注側・運用設計の立場です。
一般現場へ同じ数値を移す記事ではありません。
この記事の全体像。以下、順に解説します。
intern到達は人の指揮下であり、介入は定義上の失敗ではない
投稿は intern を「人間の指示の下」と定義します。
優先順位の設定、アイデアと結果の採否、scale / pause / deploy の判断は人が残す、と本文が書きます。
介入過半は、このマイルストーンと両立します。
介入をゼロにすることが intern 到達の条件ではありません。
2028-03 の researcher は、投稿本文では automated AI researcher です。
ライブストリーム逐語の legitimate は二次です。
2025-10 の目標発表は、投稿が last fall の発表へリンクしています。
人の指揮が残るなら、見るべきは完了率の高さではありません。
完了の定義と、完了までに人が何をしたかです。
3.1は研究進捗の比ではなく、実行時間の比である
2026-08 中旬、研究組織は人間 1 労働日あたり 3.1 agent-workdays（8 時間換算）です。
2026-06 以前は、エージェント実行時間が人間労働を下回っていました。
3.1 はエージェント実行時間を 8 時間労働日に換算した比です。
研究進捗の比ではありません。
本文は、個別指標に全体の進捗は追いつかない可能性を明示します。
4 以上の同時エージェントを使う研究者が増えています。
数値はユーザー起動と下流 subagent の daily peaks を含みます。
中央値研究者の推論費は API 価格で 1 日 600 ドル超です。
90 パーセンタイルはトークンで 1 日 7,000 ドル超です。
同規模の推論費は、一般の agent-loop では稀です。
同時監督量の粗い代理としては、3.1 と同型の比で足りることが多いです。
runtime 比を成果比と読むと、見出しが歪みます。
Crypto Briefing 等は 3.1 を「人間の 3 倍の研究努力」と見出し化しています。
4〜8 時間の介入過半を落としています。
成功率の分母と、介入過半は別の量である
Jan〜Jul の成功率は、複数の難度バケットで概ね上昇しました。
対象は ground truth outcome があるタスクだけです。
成功判定は agentic classifier です。
難度は「人間なら何時間か」の推定です。
図注は、outcome uncertain を除外します。
50 sessions 未満、または 50 unique users 未満の点も除外します。
不明除外は成功率を上振れさせえます。
カバレッジは most, but not all です。
直近 6 か月、成功した 4〜8 時間タスクの半数超に 1 回以上の介入がありました。
正確なパーセント、介入の操作定義、介入あたりの人間時間は本文にありません。
投稿自身は significant human steering と書きます。
測る対象が違うと、「4〜8 時間で成功」は同じ数字でも同じ主張になりません。
OpenAI の本番成功は、METR の自律 50% horizon ではありません。
OpenAI が使ったのは Epoch の 6 相へのトークン分類です。
0〜5 の自動化 rubric をセッションに適用したのではありません。
著者解釈として、成功しても介入が残る利用は rubric の 3（Collaborates、close human direction）から 4（Leads、supervise and course-correct）に相当しえます。
5（Autonomous、little or no human involvement）には当たりません。
METR（Kwa, 2026-01-22）は、50% time horizon が独立稼働時間ではないと書きます。
50% 成功は委任安全を意味しません。
介入回数が半減しても、失敗が複雑になり介入あたり労働が増ええます。
BuildとRunのトークン増を、Decideの自動化と混ぜない
Epoch の 6 相は Decide / Design / Build / Run / Analyze / Communicate です。
2026-01 の主カテゴリは research and infrastructure code です。
technical help と monitoring runs が目立つ増加です。
high-level planning は minimal fraction のままです。
実験トラブルシュートの office hours は出席減です。
一チームは開催を止め、システム改善へ振り替えました。
主要テクニカルサポートチャネルの top-level posts/day も減少しています。
人的チャネルへのシフトは認識していない、と本文は書きます。
office hours 減少は、専任介入部隊の増強ではなく、分散サポート負荷の削減とも読めます。
実験数は 2026-08 が 2025-01 追跡開始以来の最高です。
Codex 採用と相関します。
計算資源も 2025 以降大きく増えた、と本文が明記します。
実験数やコード量は、計算資源の増加と切り離して読めません。
一般企業へ同じ数値を移せない
| 前提 | OpenAI 投稿 | 一般の agent-loop |
|---|---|---|
| 対象者 | 研究組織。インフラと PM も含む広い researcher | 職種と熟練が異なる |
| 単価 | 中央値 600 ドル超 / 日（API 価格） | 同規模の推論費は稀 |
| ツール | Codex と社内研究インフラ | 製品と権限が違う |
| 計算 | 2025 以降に大きく増加 | 実験数が同じ意味を持たない |
| 成功定義 | classifier + ground truth があるものだけ | 再現できない |
| 難度 | 推定人間時間 | 校正データが無い |
| 目的 | RSI 進捗の公開 | 事業タスクの完了 |
成否不明を除外した分析です。
タスク難度も推定です。
成功率をそのまま他組織の自律 KPI に使えません。
「一般現場は介入回数、介入時間、待ち時間、同時監督量を必ず併記せよ」は、投稿が証明した標準ではありません。
設計上の候補です。
投稿は介入時間と待ち時間を公開していません。
Anthropic（2026-02-18）は、社内最難タスクの成功率が約 2 倍、セッションあたり介入が 5.4 から 3.3 へ減ったと書いています。
経験者は auto-approve が増える一方、interrupt も増えます。
特定インタラクションの義務化は早い、と明言します。
介入回数の最小化を KPI にしない根拠になります。
安全制限は実験数の読みをさらに交絡させる
Hugging Face 事案後、OpenAI は展開予定の最新モデル向け RL を停止しました。
2026-07-20 には研究インフラ侵害を受け、学習用コンテナを一時停止し、制限付きで復旧しています。
2026-08-07 には Astra のサイバー能力に予備的証拠があり、モデル固有の制限を追加しています。
Astra 向け GPU は翌週 59.2% 減です。
他クラスは 17.2% 増で、減少の約 85% を相殺しています。
総配分は大きく変わらず、制限対象外への振替と読めます。
実験増を能力増だけに帰すことは、一次ではできません。
発注側が見るべき完了の定義
完了率の高さを先に見ない方がよいです。
完了の定義と、完了までに人が何をしたかを先に置きます。
- 完了率の分母を書く。不明、タイムアウト、人手引き取りを除外していないか。
- 長時間バケット（目安 4 時間超）では、成功のうち介入 1 回以上の割合を併記する。深さ（介入時間）が取れるなら取る。取れないなら二値でも、成功率単独よりマシです。
- 同時監督量は、エージェント実行時間 / 人間労働時間、または同時セッション数で足りることが多いです。投稿の 3.1 と同型です。
- フェーズを分ける。Build / Run のトークン増を、Decide（何をやるか）の自動化と混ぜない。
- 介入回数の最小化を KPI にしない。測るのは「介入可能な位置に人がいるか」です。
- 実験数やコード量は、計算資源の増加と切り離して読まない。
逆転条件は次です。
- 対象タスクが数十分で、失敗コストが低く、人手引き取りが稀なら、介入併記の優先度は下がります。
- 成果物側（PR merge、欠陥流出）だけで監督が閉じ、長時間セッションが無いなら、4〜8 時間バケットは不要です。
未解決のまま残るのは、介入の操作定義、outcome uncertain の割合、4〜8 時間バケットの推定誤差、安い介入と高い介入の内訳です。
これらはアクションを止めません。
確信度を下げます。
まとめ
OpenAI の intern 到達は、人の指揮下で well-defined な数日タスクを実行できる、という定義です。
成功した 4〜8 時間タスクの半数超に介入が残ることは、その定義と矛盾しません。
3.1 agent-workdays は実行時間の比であり、研究努力の 3 倍ではありません。
成功率は ground truth があるタスクだけを、classifier と推定難度で見た量です。
一般現場へ移すなら、完了率の分母、長時間成功のうち介入ありの割合、同時監督量、Decide が残っているかを分けて取ります。
介入回数の最小化は、Anthropic の経験者データとも噛み合いません。
この記事が少しでも参考になった、あるいは改善点などがあれば、ぜひリアクションやコメント、SNSでのシェアをいただけると励みになります！
参考リンク
- OpenAI, “Research acceleration: The view inside OpenAI,” 2026-09-06.
- Jakub Pachocki, “An Alien Mind,” OpenAI, 2026-09-06.
- Jean-Stanislas Denain, Joe Kwon, Anson Ho, “Toward an O*NET for AI R&D,” Epoch AI, 2026-06-17.
- METR, “Measuring AI Ability to Complete Long Software Tasks,” 2025-03-19.
- Thomas Kwa, “Clarifying limitations of time horizon,” METR, 2026-01-22.
- METR, “Time Horizon 1.1,” 2026-01-29.
- Anthropic, “Measuring AI agent autonomy in practice,” 2026-02-18.
- Engadget, “OpenAI says it reached its goal of creating an automated research intern,” 2026-09-06。2025-10 ライブストリーム逐語の二次。
- Crypto Briefing, “OpenAI reveals AI systems now perform 3x the research effort of its human staff,” 2026-09-06。介入 caveat を落とした見出しの例。