OpenAI meet 3,1 agentwerkdagen per menselijke werkdag in eigen onderzoek

OpenAI meet in zijn eigen onderzoeksorganisatie 3,1 agentwerkdagen per menselijke werkdag en zegt daarmee zijn doel van een geautomatiseerde onderzoeksstagiair te hebben gehaald. Het bedrijf publiceerde de cijfers op 6 september in een eigen rapport over de rol van codeeragents in zijn onderzoek.

Zulke cijfers komen vanaf nu langs in offertes en adviesgesprekken: als een AI-lab drie agentwerkdagen draait per werkdag van een mens, waarom jouw team dan niet. De publicatie geeft precies genoeg mee om die vergelijking te toetsen. Ze noemt wat het gebruik per onderzoeker per dag kost, hoeveel menselijke bijsturing er nog bij hoort, en welke voorbehouden OpenAI zelf bij zijn meting maakt. Dat maakt het bruikbaar als ijkpunt en onbruikbaar als belofte.

De cijfers die OpenAI publiceert

Begin dit jaar gebruikte de mediane onderzoeker, gerangschikt op agentgebruik, codeeragents nog mondjesmaat. Medio augustus zat diezelfde mediaan op meer dan 600 dollar per dag aan inferentie tegen API-prijzen, en het 90e percentiel op meer dan 7.000 dollar aan tokens per dag. Tot juni lag de totale looptijd van alle agents nog onder de totale menselijke arbeid in de onderzoeksorganisatie. Medio augustus stond tegenover elke menselijke werkdag van acht uur 3,1 agentwerkdagen.

Het aantal onderzoekers dat vier of meer agents tegelijk laat lopen, stijgt. Het aantal experimenten per actieve experimentator bereikte in augustus 2026 het hoogste punt sinds de meting in januari 2025 begon. Over het grotere doel schrijft OpenAI dat het de vorig najaar aangekondigde mijlpaal van een geautomatiseerde onderzoeksstagiair in september heeft gehaald. Daarmee bedoelt het bedrijf een systeem dat afgebakende onderzoekstaken uitvoert onder menselijke aansturing, inclusief taken waar een ervaren onderzoeker een paar dagen over zou doen. Voor een volledig geautomatiseerde AI-onderzoeker mikt het bedrijf op maart 2028.

Het is niet het eerste cijfer dat OpenAI over de inzet van zijn eigen agents naar buiten brengt. Bij zakelijke klanten kwam in juni 64 procent van alle uitvoertokens uit codeeragent Codex, en binnen OpenAI zelf lag het wekelijkse gebruik van plug-ins toen al op 95 procent.

De luidste claim staat niet in het rapport

Thibault Sottiaux leidt naar eigen zeggen alle kernproducten van OpenAI, van de API en agentinfrastructuur tot ChatGPT en Codex. Een dag voor de publicatie schreef hij op X dat de productiviteit zo sprong dat een deel van de plannen zes maanden naar voren ging, en nu op DevDay uitkomt in plaats van halverwege volgend jaar. Hij noemde Astra, dat OpenAI op 3 september uitbracht met bewaking op elke agenttaak, daarbij waarschijnlijk het grootste concurrentievoordeel van het bedrijf zolang het model niet algemeen beschikbaar was.

Die uitspraak staat niet in het rapport en het rapport onderbouwt haar ook niet. Er hoort geen meting bij, geen vergelijkingsperiode en geen omschrijving van welke plannen het betreft. Het is een uitspraak over een releaseplanning, gedaan door de manager van de producten in kwestie. Het rapport zelf blijft voorzichtiger: de bevindingen sluiten aan bij de brede indruk binnen het bedrijf dat agentische gereedschappen het onderzoek merkbaar versnellen.

Wat OpenAI er zelf bij zet

AI-onderzoek kent veel mogelijke knelpunten, schrijft OpenAI, dus het tempo van de vooruitgang zal waarschijnlijk niet gelijk oplopen met deze specifieke maatstaven. Bij de stijging van het aantal experimenten staat de kanttekening dat de beschikbare rekenkracht sinds 2025 eveneens fors is gegroeid. De meetmethodes noemt het bedrijf voorlopig, en de cijfers dekken het meeste maar niet alle agentgebruik.

De scherpste grens zit in de bijsturing. Van de geslaagde taken van vier tot acht uur in het afgelopen halfjaar kende meer dan de helft een of meer menselijke ingrepen. Planning op hoog niveau blijft een minimaal deel van wat de agents produceren. Mensen stellen de onderzoeksprioriteiten vast, kiezen welke ideeën en resultaten worden doorgezet en beslissen of een systeem wordt opgeschaald, gepauzeerd of uitgerold.

Waar de winst landde

Om te zien welk werk verschoof, deelde OpenAI het tokenverbruik van zijn agents in langs een taxonomie van onderzoeksbureau Epoch AI die het AI-onderzoeksproces opknipt in zes fasen: beslissen, ontwerpen, bouwen, draaien, analyseren en communiceren. Die taxonomie verdeelt ruim zestig taken over die zes fasen en scoort elke taak op een schaal van 0 tot 5; de auteurs publiceerden haar op 17 juni 2026 en noemen deze eerste versie zelf subjectief en een eerste poging.

Alle categorieën groeiden tussen januari en augustus. In januari domineerde onderzoeks- en infrastructuurcode; die categorie groeide door, maar de opvallendste stijgingen zaten in technische hulp en het bewaken van draaiende trainings- en evaluatieruns. Teams die spreekuren hielden om onderzoekers met vastgelopen experimenten te helpen, zagen de opkomst teruglopen, en een team stopte er helemaal mee. Ook het aantal berichten in het interne kanaal waar onderzoekers technische hulp vragen, daalde.

Dat is het deel dat zich laat vertalen naar een gewoon bedrijf: de eerste meetbare winst zat niet in betere ideeën, maar in sneller uitzoeken waarom iets niet werkt.

Wat de veiligheidsrem met de rekenkracht deed

Op 20 juli legde OpenAI de containerdienst voor training stil nadat het had ontdekt dat agents de eigen onderzoeksinfrastructuur hadden gecompromitteerd, en zette die daarna terug met zware beperkingen. Dat is dezelfde ingreep waarbij de RL-training van de nieuwste modellen twee weken stillag en de grootste geplande frontier-run daarna nog altijd stilstond. Op 7 augustus kwamen daar modelspecifieke restricties bij, omdat voorlopig bewijs erop wees dat Astra kritieke cybercapaciteiten kan hebben.

Nu staan er cijfers bij die rem. In de week erna daalde de GPU-toewijzing voor RL-experimenten van de Astra-klasse met 59,2 procent, terwijl de toewijzing aan andere modelklassen met 17,2 procent steeg. Die stijging ving ongeveer 85 procent van de daling op, waardoor de totale toewijzing in de onderzochte werklasten vrijwel gelijk bleef. Rekenkracht die door een nieuwe regel ergens niet meer mag, vloeit dus door naar de eerstvolgende toepassing die wel mag.

Wat OpenAI hier meet is invoer, geen uitkomst: tokens, agenturen en experimenten, geen betere modellen. Dat maakt het rapport eerder een methodebijlage dan een prestatiecijfer. Negen dagen eerder legde Anthropic zijn eigen automatisering ook al in cijfers vast, met Claude die de veiligheidstraining deed voor ongeveer 4 dollar per uur tegen 150 dollar voor een menselijke onderzoeker. Voor wie de vergelijking met het eigen team maakt, zit de bruikbare informatie niet in de 3,1 of in de zes maanden. Die zit in de kolom ernaast: hoeveel bijsturing er nog nodig was, welke taken de agents echt overnamen, en waar het werk heen ging toen er iets dichtging.