ArticleOpenAI·2026년 11월 18일·0

Research acceleration: The jagged frontier

Quick Summary

OpenAI 내부 측정에서 연구자 1인당 하루 에이전트 작업일은 0.5일에서 5.7일로 약 11배 늘었지만, 사람의 개입 없이 위임한 업무에 성공한 비율은 과업에 따라 25%에서 79%까지 달랐다.

Research acceleration: The jagged frontier 관련 대표 이미지

🖼️ 인포그래픽

Research acceleration: The jagged frontier 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Research acceleration: The jagged frontier의 핵심 내용을 4단계로 요약한 인포그래픽
Research acceleration: The jagged frontier 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

OpenAI 내부 측정에서 연구자 1인당 하루 에이전트 작업일은 0.5일에서 5.7일로 약 11배 늘었지만, 사람의 개입 없이 위임한 업무에 성공한 비율은 과업에 따라 25%에서 79%까지 달랐다.

📌 핵심 요약

  • API 정가로 환산한 연구자 1인당 하루 에이전트 사용액은 중앙값이 약 2,400달러, 90백분위가 약 23,000달러였다. OpenAI가 보고한 9월 대비 증가율은 각각 62%와 105%다.
  • 에이전트 실행 시간 8시간을 1작업일로 계산하면, 사전학습·사후학습 팀은 연구자 1인당 하루 평균 약 8작업일, 스케일링·인프라 팀은 약 4작업일을 사용했다. 10월 중순에는 분석 대상 연구자의 3분의 2 이상이 일별 최대 동시 실행 수로 평균 4개 이상을 기록했다.
  • 2026년 9월 연구 조직의 에이전트 사용액을 API 정가로 환산한 값은 주식 보상을 제외한 연구자 보상액의 약 2배였다. 주식 보상은 연구자 목표 보상의 통상 70~80%를 차지한다. 내부 Codex·ChatGPT·API 사용을 합친 연산량은 전체 연구 연산량의 2%였다.
  • 2026년 1~9월 사내 기여 기록에서 추정한 결과, 안전·정렬 분야는 연구자들이 투입한 주 단위 기여가 연초의 거의 두 배가 됐고 절대 증가량도 가장 컸다. OpenAI는 신규 채용과 기존 연구자의 관심 이동이 함께 작용했다고 설명했다.
  • 2026년 8월 1일~10월 18일 무개입 성공률 추정치는 소통 69%, 분석 58%, 구축 43%였다. 개별 과업에서는 실행 중 문제 모니터링이 79%, 기술 질문 응답이 72%였고, 추론·서빙 코드 작성은 25%, 평가·강화학습·에이전트 환경 구축은 29%였다.

🧩 주요 포인트

  1. API 정가 환산액에는 모델 가격과 사용 방식의 변화가 함께 반영되고, 에이전트 작업일은 주로 대화형 사용 시간을 센다. 두 지표만으로 연구 생산성이 얼마나 높아졌는지 산출하기는 어렵다.
  2. 안전·정렬 기여량은 소속 팀과 관계없이 실제로 참여한 프로젝트를 기준으로 추정했다. 따라서 기존 연구자가 업무의 일부를 안전 연구로 옮긴 변화도 수치에 반영된다.
  3. 연구자가 위임할 과업을 바꾸면 같은 예상 소요 시간대의 무개입 성공률도 달라질 수 있다. 구축처럼 성공률이 낮은 업무는 전체 연구 가속의 병목이 될 수 있다.

🧠 상세 정리

1. 차세대 AI 연구가 얼마나 빨라지는지 측정하는 이유

OpenAI는 9월 첫 보고서에 이어, 코딩 에이전트가 사내 AI 연구개발 주기를 어떻게 바꾸는지 내부 측정 결과를 공개했다. 이번 보고서는 분야별로 에이전트의 도움이 얼마나 다른지, 사람이 여전히 어느 단계에 관여하는지를 정량·정성 자료로 살펴본다. OpenAI는 AI가 차세대 AI 시스템 개발을 앞당기는 과정을 재귀적 자기개선(RSI)으로 정의하고, AI 연구소에 관련 지표를 추적해 공개할 의무를 부과해야 한다고 주장한다. 그 근거로 연구가 급속히 가속될 경우 인간의 감독을 유지하는 데 필요한 기술과 제도를 공개적으로 논의할 필요를 든다. 지표 공개가 완전한 RSI를 추진하겠다는 뜻으로 해석돼서는 안 된다는 입장도 밝혔다. 보고서는 연구 투입, 연구 과정, 모델 능력 향상이라는 산출로 질문을 나누며, 제공된 본문은 연구 과정에 관한 설명 도중에 끝난다.

2. API 정가로 본 에이전트 사용 증가

AI 연구에는 데이터, 사람의 노동, 연산 자원, AI 도구가 투입되며, 이번 분석은 그중 코딩 에이전트 사용에 초점을 맞췄다. OpenAI는 첫 보고서 이후에도 연구 조직의 에이전트 사용이 지수적으로 늘었다고 설명했다. 외부 API 정가로 환산한 하루 사용액은 연구자 중앙값 기준으로 9월 약 1,500달러에서 약 2,400달러로, 90백분위 기준으로 약 11,000달러에서 약 23,000달러로 늘었다. 보고서가 제시한 증가율은 각각 62%와 105%로, 사용 규모가 큰 연구자 쪽에서 증가율이 더 높았다. 이 금액에는 연구자들이 더 자주 사용한 효과뿐 아니라 더 비싼 모델로 옮겨간 효과, 모델의 동작과 에이전트 실행 소프트웨어가 달라진 효과도 함께 들어간다.

3. 실행 시간과 동시 사용으로 본 팀별 차이

OpenAI는 가격 변화와 별개로 에이전트가 실제로 얼마나 오래 작동하는지 보기 위해 실행 시간 8시간을 에이전트 작업일 하루로 환산했다. 이 기준으로 연구자 한 사람이 하루에 사용한 에이전트 실행 시간은 평균 0.5작업일에서 5.7작업일로 약 11배 늘었다. 증가 폭이 가장 컸던 사전학습·사후학습 팀에서는 달력상 하루에 연구자 한 명당 평균 약 8작업일이 누적됐고, 스케일링·인프라 팀에서는 약 4작업일이었다. 여러 에이전트가 동시에 작동할 수 있어 이 수치는 연구자 본인이 일한 시간과 구별된다. 10월 중순에는 분석 대상 연구자의 3분의 2 이상이 하루 최대 동시 실행 수로 평균 4개 이상을 기록했고, 10%를 넘는 연구자가 평균 16개 이상을 기록했다. 작업일 지표는 모델의 능력 차이를 반영하지 않으며 주로 대화형 사용을 집계하므로 자동 실행 시간을 적게 셀 수 있다.

4. 연구자 보상과 전체 연산량을 기준으로 본 사용 규모

OpenAI는 에이전트와 연구 인력에 투입되는 자원의 상대적 규모를 살피기 위해, 월별 에이전트 사용량을 API 정가로 환산한 금액과 같은 달 연구자의 비주식 보상액을 비교했다. 2026년 9월 연구 조직 전체에서 전자는 후자의 약 2배였고, 사전학습·사후학습 부문의 비율이 다른 부문보다 높았다. 비교에 쓰인 보상액에는 급여, 초과근무 수당, 상여, 복리후생, 고용주 부담 세금이 들어간다. 연구자 목표 보상의 통상 70~80%를 차지하는 주식 보상은 빠져 있어 이 비율로 전체 인건비와의 관계를 판단하기는 어렵다. 별도로 연산 자원을 기준으로 집계하면, 사내 Codex와 ChatGPT 및 API 사용을 합친 내부 배포분은 전체 연구 연산량의 2%였다.

5. 프로젝트 기여 기록에 나타난 안전·정렬 연구의 증가

OpenAI는 2026년 1~9월 사내 공개 Slack 게시물, 풀 리퀘스트, 내부 문서를 연구 분야별로 분류하고, 연구자 한 명의 한 주를 그 주에 참여가 확인된 프로젝트에 균등 배분했다. 이 방식은 소속 팀이 그대로여도 사후학습 연구자가 인프라 개선에 기여한 일을 해당 분야에 반영할 수 있지만, 프로젝트마다 실제로 몇 시간을 썼는지 직접 잰 값은 아니다. 분석한 모든 분야에서 기여량이 늘었고, 안전·정렬은 기록상 주 단위 기여가 연초의 거의 두 배로 늘어 절대 증가량이 가장 컸다. 이 분야에는 정렬 평가, 모델 행동을 감시할 수 있는지에 관한 연구, 보상 체계의 허점을 이용하는 행동에 관한 연구가 포함된다. OpenAI는 신규 채용과 기존 연구자의 업무 이동을 증가 요인으로 들었고, 증가 추세의 변곡점이 7월 Hugging Face 사건 이후의 시기 및 후속 안전성 입증 작업과 맞물렸다고 설명했다. 다만 사후학습과 안전·정렬의 경계는 분명하게 나누기 어려워 분야 정의는 바뀔 수 있다고 덧붙였다.

6. 사람의 개입 없이 마친 업무와 위임 선택의 영향

연구 과정에 관한 분석에서 OpenAI는 에이전트의 성능이 향상되면 연구자가 맡기는 업무, 결과를 감독하는 방식, 추진할 프로젝트도 달라질 수 있다는 점에 주목했다. 9월 분석에서는 사람이 직접 수행하면 몇 시간이 걸릴 것으로 추정한 과업을 포함해, 에이전트가 사람의 개입 없이 업무를 성공적으로 마치는 비율이 높아졌다. 측정 방법을 갱신한 이번 분석에서도 대체로 그 추세가 이어졌다고 보고했다. 다만 사람이 수행할 때의 예상 소요 시간이 같은 과업끼리 묶어도, 연구자가 그중 어떤 일을 골라 맡기는지는 시간에 따라 바뀔 수 있다. 따라서 한 시간대에서 관측된 성공률 상승에는 모델의 능력 향상과 연구자의 위임 방식 변화가 함께 반영될 수 있으며, 결과만으로 두 요인의 기여를 분리하기는 어렵다.

7. 모니터링과 구축 업무 사이의 성공률 격차

OpenAI는 Epoch AI가 개발한 O*NET AI 연구개발 분류 체계로 과업을 나누고, 2026년 8월 1일부터 10월 18일까지 사람이 개입하지 않아도 성공한 비율을 추정했다. 넓은 범주에서는 소통이 69%, 분석이 58%, 구축이 43%였고, 개별 과업으로 들어가면 차이가 더 뚜렷했다. 진행 중인 실행에 문제가 생기는지 모니터링하는 일의 성공률은 79%, 기술 질문에 답하는 일은 72%였다. 추론·서빙 시스템의 코드를 작성하는 일은 25%, 평가·강화학습·에이전트 환경을 구축하는 일은 29%였다. OpenAI는 과업별 성능 격차가 지속되면 성공률이 낮은 업무가 전체 연구의 속도 향상을 제한할 수 있다고 해석했다. 또 어떤 일을 자주 맡기는지 볼 때는 9월의 출력 토큰 수 대신 과업별 사용 빈도를 집계했는데, 이렇게 하면 긴 학습 실행이나 복잡한 기능 구현에 비해 짧은 기술 질문의 비중이 상대적으로 커진다.

🧾 핵심 주장 / 시사점

  • API 정가 환산액은 사용 규모를 금액으로, 에이전트 작업일은 병렬로 누적된 실행 시간을 시간으로 보여준다. 어느 쪽도 그 자체로 모델 능력이 얼마나 개선됐는지를 측정하지 않는다.
  • 주식 보상을 제외한 연구자 보상액의 약 2배라는 수치와 전체 연구 연산량의 2%라는 수치는 각각 가격과 연산량을 다른 기준에 견준 결과다. 두 수치가 답하는 질문은 서로 다르다.
  • 기술 질문과 모니터링에서의 높은 성공률을 전체 연구 과정에 그대로 적용하기는 어렵다. 같은 프로젝트에 성공률이 낮은 구축 업무가 필요하면 그 단계가 전체 진행 속도를 좌우할 수 있다.

✅ 액션 아이템

  • 에이전트 사용 증가를 해석할 때 API 정가 환산액과 에이전트 작업일을 함께 살핀다.
  • 연구자 보상액과의 비교에서는 목표 보상의 70~80%를 차지하는 주식 보상이 제외됐음을 명시한다.
  • 무개입 성공률의 변화를 해석할 때 과업별 격차와 연구자의 위임 선택 변화를 함께 고려한다.

❓ 열린 질문

  • 에이전트 작업일이 0.5일에서 5.7일로 늘어난 동안 실제 연구 생산성은 얼마나 변했는가?
  • 안전·정렬 기여량이 거의 두 배로 늘어난 데 신규 채용과 기존 연구자의 관심 이동은 각각 얼마나 기여했는가?
  • 같은 예상 소요 시간대에서 무개입 성공률이 상승한 부분 중 모델의 능력 향상과 연구자의 위임 선택 변화는 각각 얼마를 설명하는가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.