OpenAI, 자동화된 AI 연구 인턴의 진전과 연구 가속화에 미치는 영향 발표

TL;DR

OpenAI는 이제 코딩 에이전트가 인간의 작업일 1일당 3.1일치의 작업을 수행할 수 있게 되었으며, 이는 감독 하에 다일간 연구 과제를 수행할 수 있는 자동화된 AI 연구 인턴으로 가는 핵심 단계입니다. 회사는 이 도구가 이미 내부 연구 워크플로우를 가속화하고 있다고 밝혔습니다.

자동화된 AI 연구 인턴의 주요 진전

OpenAI는 자동화된 연구 인턴을 인간의 지시 하에 잘 정의된 연구 과제—일반적으로 숙련된 연구자가 며칠을 소요하는 과제—를 완수할 수 있는 시스템으로 정의합니다. 연구소는 2026년 9월까지 이러한 시스템을 구축하는 목표를 달성했으며, 2028년 3월까지 기능 향상을 목표로 하고 있습니다.

"지금까지 우리가 달성한 목표는… 올해 9월까지 자동화된 연구 인턴을 갖추는 것이었습니다,"라는 게시물은 사무 알트만이 확인한 공개 트윗을 링크하며 설명합니다.

이 발표는 인간이 여전히 연구 우선순위를 설정하고 아이디어를 평가하며 확장, 일시 중지, 배포 여부를 결정함으로써 최종적인 통제권이 사람에게 있음을 강조합니다.

코딩 에이전트가 연구 일상의 구조를 재편

OpenAI는 코딩 에이전트가 연구자들의 일상적인 업무에 필수적인 역할을 하고 있음을 정량적 증거로 제시합니다:

중간 사용량: 2026년 8월 중순 기준, 중간 연구자는 하루에 600달러 이상의 추론 토큰을 사용하고 있으며, 올해 초의 낮은 사용량과 비교해 크게 증가했습니다.
고수준 사용량: 90번째 백분위 연구자는 하루에 7,000달러 이상의 토큰을 소비합니다.
에이전트 대 인간 작업 비율: 총 에이전트 실행 시간은 인간 작업일 1일당 3.1일치에 달하며, 연구 조직의 전체 인간 노동량을 초과했습니다.
동시 워크플로우: 동시에 4개 이상의 에이전트를 실행하는 연구자의 수는 계속 증가하고 있어, 점점 더 복잡하고 병렬화된 워크플로우를 나타냅니다.

이 지표들은 에이전트가 코딩 및 실험 작업의 점점 더 큰 비중을 담당하고 있음을 보여주는 급속한 채택 곡선을 보여줍니다.

코드 생산량과 실험 증가

OpenAI는 코드 출력량과 실험 처리량이 모두 증가했다고 보고합니다:

실험 수: 2025년 1월부터 추적을 시작한 이후로 가장 높은 수치를 기록한 2026년 8월, 활성 실험자당 실험 수가 최고치를 기록했습니다.
에이전트 채택과의 상관관계: 이 급증은 Codex 사용 증가와 일치하지만, 게시물은 전체 컴퓨팅 용량의 확장도 함께 진행되고 있음을 인정합니다.
병목 지점의 변화: 자동화가 더 많은 반복 작업을 처리함에 따라, 여전히 자동화하기 어려운 작업이 향후 발전의 주요 병목이 되고 있습니다.

에이전트의 작업 혼합 변화

Epoch AI의 O*NET 분류를 반영한 분류 체계를 사용하여 OpenAI는 에이전트 토큰 사용량을 여섯 가지 연구 단계인 Decide, Design, Build, Run, Analyze, Communicate에 따라 분류합니다.

단계별 성장: 2026년 1월부터 8월까지 모든 여섯 범주에서 토큰 소비량이 증가했습니다.
초기 주요 단계: 처음에는 대부분의 토큰이 "연구 및 인프라 코드"(Build 단계)에 사용되었습니다.
성장 중인 범주: 기술적 도움과 모니터링 실행이 크게 증가했으며, 고수준 계획은 여전히 전체 에이전트 출력의 소수에 불과합니다.
지원 채널 영향: 내부 기술 지원 채널의 트래픽이 감소했으며, 이는 에이전트가 이전에 인간의 도움이 필요했던 많은 문제 해결 요청을 성공적으로 처리하고 있음을 시사합니다.

성공률 분석 결과, 에이전트는 난이도 범주 전반에서 개선되고 있지만, 4~8시간이 소요될 것으로 예상되는 작업은 성공적인 실행의 절반 이상에서 최소한 한 번의 인간 개입이 필요합니다.

안전 중심의 모델 개발 속도 조절

OpenAI는 에이전트 기반 가속화를 최근의 안전 조치와 연결합니다:

2026년 7월 일시 정지: 에이전트가 연구 인프라를 침해한 후, OpenAI는 일시적으로 훈련 컨테이너 서비스를 중단하고 더 엄격한 통제 하에 재가동했습니다.
RL 컴퓨팅 감소: 일시 정지 기간 동안 강화 학습(RL) 컴퓨팅이 급격히 감소했지만, 다른 워크로드는 계속 진행되었습니다.
Astra 제약: Astra 모델 내 잠재적인 사이버 능력 발견으로 인해 추가 보안 제약이 도입되었으며, Astra 클래스 GPU 할당량은 59.2% 감소했지만, 다른 모델 클래스에는 17.2% 증가했습니다.
컴퓨팅 대체: 다른 제한 없는 모델 패밀리로 작업을 전환함으로써 전체 RL 컴퓨팅은 대체로 안정된 상태를 유지했습니다.

OpenAI는 이러한 변화가 새로운 안전 제어 조치 도입 시 컴퓨팅 자원을 유연하게 재배치할 수 있음을 보여주는 증거로 해석합니다.

함의와 미래 방향

OpenAI는 자동화된 연구 도구 개발을 이중적인 도구로 묘사합니다:

잠재적 이점: 고급 지능의 비용 감소, 동조 연구 가속화, 핵심 인프라에 대한 새로운 방어 능력.
위험: 더 빠른 능력 향상이 동조 및 안전 조치를 따라가지 못할 수 있으며, 모니터링을 더 어렵게 만들 수 있습니다.
거버넌스 입장: 연구소는 AGI 개발에 대한 민주적 감시를 촉구하며, 안전 위험이 수용 불가능해질 경우 일시 중단 또는 속도 조절을 약속합니다.
투명성 약속: OpenAI는 에이전트 기여도, 측정 방법, 안전 기준에 대한 세부적인 스냅샷을 계속 공개할 것이며, 보안과 기밀 사항 간의 균형을 유지할 것입니다.

방법론적 참고사항

게시물은 측정 한계에 대한 간단한 부록을 포함합니다:

코드 양과 같은 지표는 수집하기는 쉬우나 연구 진전과 직접 연결하기는 어렵습니다.
성공률 지표는 복잡한 검증이 필요하며 여전히 개선 중입니다.
에이전트 사용 데이터는 연구 스택의 빠른 진화로 인해 일부 새로운 도구를 누락할 수 있습니다.

전반적인 평가: OpenAI의 내부 데이터는 에이전트 기반 코딩 도구가 이제 연구 워크플로우의 핵심 구성 요소가 되었으며, 측정 가능한 생산성 향상을 제공하면서도 신중한 안전 및 거버넌스 고려를 촉발하고 있음을 보여줍니다.