Research acceleration: The view inside OpenAI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

OpenAI는 코딩 에이전트가 연구 업무와 실험을 가속하고 있다고 보고하면서, 인간의 판단과 개입, 안전 검증이 자동화 확대의 핵심 조건이라고 밝혔다.

📌 핵심 요약

• OpenAI는 자체 측정상 2026년 9월까지 인간의 지시 아래 숙련 연구자에게 며칠 걸리는 명확한 연구 과제를 수행하는 자동화 연구 인턴 목표를 달성했으며, 2028년 3월까지 자동화 AI 연구자를 만드는 목표를 향해 진전하고 있다고 밝혔다.
• 2026년 8월 중순 연구자의 코딩 에이전트 사용량 중앙값은 API 가격 환산 기준 하루 600달러를 넘었고, 사용량 90백분위 연구자는 하루 7,000달러를 넘었다. 연구 조직 전체의 에이전트 실행 시간은 인간 노동 1일당 3.1일에 해당했다.
• 연구자들의 코드 기여와 실험이 늘었으며, 2026년 8월 활동 실험자당 실험 수는 2025년 1월 집계 시작 이후 최고치를 기록했다. 다만 Codex 도입 증가와 함께 가용 컴퓨팅 자원도 증가했으므로 에이전트의 독립적인 효과로 단정할 수 없다.
• 에이전트 활용은 코드 작성에서 기술 지원과 실행 모니터링 등으로 확대됐고, 결과를 확인할 수 있는 여러 난도 구간에서 1월부터 7월까지 성공률이 대체로 상승했다. 그러나 최근 6개월간 성공한 4~8시간 과제의 절반 이상에는 인간 개입이 한 번 이상 있었다.
• OpenAI는 Hugging Face 사건 이후 배포 예정 최신 모델의 강화학습 훈련을 일시 중단하고 연구 환경과 모니터링을 강화했다고 밝혔다. 인간이 연구 우선순위와 확대·중단·배포를 결정하며, 안전을 충분히 확보할 수 없으면 개발이나 배포를 늦추거나 중단한다는 방침이다.

🧩 주요 포인트

1. 사용량·코드 기여·실험 수 증가 → 개별 연구 활동의 가속 신호이지만, 컴퓨팅 자원과 자동화하기 어려운 단계가 전체 연구 진전을 제약한다.
2. 기술 지원·실행 모니터링으로 위임 확대 → 에이전트가 맡는 업무 범위는 넓어졌으나, 복잡한 과제의 인간 개입과 연구 우선순위 판단은 계속 필요하다.
3. 자동화 연구 인턴 달성과 강화학습 훈련 일시 중단 → 자동화 역량 확대에는 인간 통제와 안전 검증이 함께 요구되며, 빠른 재귀적 자기개선 자체를 당연한 목표로 삼지 않는다.

🧠 상세 정리

1. 연구 가속을 공개하는 이유와 측정의 한계

OpenAI는 범용 인공지능이 인류 전체에 이익을 주려면 민주적 거버넌스가 필요하며, 이를 위해 대중이 첨단 AI의 역량과 위험, 보호 장치를 이해해야 한다고 설명한다. 개별 사고나 안전 조치의 공개만으로는 충분하지 않고, 선도 연구소 내부에서 시스템이 어떻게 발전하며 연구 진전을 이끄는지도 알려야 한다는 입장이다. 이번 공개는 최근 수개월간 에이전트가 연구에 기여한 모습을 보여 주기 위한 것으로, 측정 방식은 아직 초기 단계라고 명시한다. 따라서 제시된 지표는 전체 연구 속도를 확정하는 결과라기보다 공개 논의와 공통 측정 기준 형성을 위한 자료로 제시된다. 회사는 기업들의 재귀적 자기개선 진척 공개가 의무화돼야 한다고 주장하며, 의무화 여부와 관계없이 보안 및 독점적 정보 보호를 고려해 투명성을 이어갈 계획이라고 밝혔다.

2. 자동화 연구 인턴 달성과 연구자 개발 목표

OpenAI가 지향하는 시스템은 인간의 감독 아래 딥러닝과 정렬 연구를 수행하고 반복적인 개선을 돕는 자동화 AI 연구자다. 회사는 자체 측정에 따르면 전년도 가을 발표한 2026년 9월 자동화 연구 인턴 목표를 달성했다고 밝혔다. 여기서 연구 인턴은 인간이 방향을 제시하면 명확하게 정의된 연구 과제를 수행할 수 있는 시스템을 뜻하며, 숙련 연구자에게 며칠 걸리는 과제도 포함한다. 또한 2028년 3월까지 자동화 AI 연구자를 만드는 목표를 향해 상당한 진전을 이루고 있다고 설명한다. 기대 효과로는 고도 지능의 비용 절감과 정렬 연구, 중요 기반시설 보호 및 위험한 AI에 대한 방어 발전을 제시하지만, 이는 책임 있는 개발을 전제로 한 전망이다. 연구 우선순위 설정과 결과의 가치 판단, 시스템 확대·중단·배포 결정은 여전히 사람이 맡는다고 명시한다.

3. 인간 통제를 전제로 한 안전 조치와 훈련 중단

OpenAI는 자동화 연구의 잠재적 이익이 빠른 재귀적 자기개선을 반드시 추구해야 한다는 뜻은 아니라고 선을 긋는다. 진행 여부와 방식은 인간 통제를 유지할 수 있는지, 이익과 위험에 관해 충분한 정보를 바탕으로 민주적 선택이 이루어지는지에 달려 있다고 설명한다. 회사는 정렬된 완전한 재귀적 자기개선에 안전하게 도달하는 방법을 아직 알지 못하며, 정렬과 안전의 발전이 역량 향상을 따라갈 것이라고 가정할 수 없다고 인정한다. Hugging Face 사건 이후에는 배포 예정 최신 모델의 강화학습 훈련을 일시 중단하고 연구 환경 강화, 적대적 검증, 모니터링 범위 확대를 진행했다고 밝혔다. 모든 연구가 중단된 것은 아니며 일부 작업은 강화된 통제 아래 재개됐고 다른 작업은 중단 상태를 유지했다. 아울러 훈련 전반에서 정렬된 행동에 대한 더 강한 증거를 요구하도록 안전 작업을 모델 개발 과정에 더 깊이 반영했다고 설명한다.

4. 일상 업무에 자리 잡은 코딩 에이전트와 동시 실행

2026년 초에는 사용량 중앙값에 해당하는 OpenAI 연구자도 코딩 에이전트를 제한적으로 사용했지만, 8월 중순에는 일상 업무에 매일 통합하는 수준으로 바뀌었다. 이때 중앙값 연구자의 추론 사용량은 API 가격으로 환산해 하루 600달러를 넘었으며, 사용량 90백분위 연구자는 하루 7,000달러를 넘었다. 이 수치는 API 가격으로 평가한 사용 규모이므로 원문이 별도로 제시하지 않은 실제 내부 지출액으로 해석해서는 안 된다. 연구 조직의 총 에이전트 실행 시간은 6월 이전까지 총 인간 노동 시간보다 적었으나, 8월 중순에는 8시간 근무일 기준 인간 노동 1일당 에이전트 작업 3.1일에 해당했다. 에이전트를 동시에 4개 이상 실행하는 연구자도 늘고 있으며, 해당 집계에는 사용자가 직접 시작한 에이전트와 그 아래에서 생성된 하위 에이전트의 일일 최대 동시 실행 수가 포함된다.

5. 코드와 실험 증가를 전체 연구 진전과 구분

원문은 AI 연구를 아이디어 설계, 성능 평가 작성, 대규모 검증용 기반시설 구축, 훈련 중 버그와 위험 행동 탐지, 유효한 아이디어의 핵심 훈련 반영이 연결된 과정으로 설명한다. 어느 한 단계의 실패도 전체 연구 순환을 제약할 수 있으므로 코드 작성과 실험 실행이 빨라지는 것만으로 전체 진전 속도를 판단할 수는 없다. OpenAI는 연구자들이 더 빠르게 코드를 기여하고 더 많은 실험을 수행하는 증거를 관찰했다고 보고한다. 활동 실험자당 실험 수는 2026년 동안 증가했으며, 8월에는 2025년 1월 추적 시작 이후 최고치를 기록했다. 이는 Codex 도입 확대와 상관관계가 있지만, 같은 기간 가용 컴퓨팅 자원도 크게 늘었다는 점을 함께 제시한다. 자동화가 진행되면 자동화하기 어려운 업무가 연구자 노력에서 차지하는 비중이 커지고, 컴퓨팅 자원 역시 더 중요한 병목이 될 수 있다고 설명한다.

6. 연구 업무 분류로 본 위임 범위의 확대

OpenAI는 연구자들이 더 높은 수준의 업무와 더 긴 수행 시간이 필요한 과제를 에이전트에 맡기는 경향을 내부 데이터와 정성적 관찰에서 확인했다고 밝혔다. 이를 분석하기 위해 일반 직무 분류 체계에서 영감을 받아 첨단 AI 연구개발에 맞게 구성된 Epoch AI의 업무 분류를 활용했다. 이 체계는 과제와 자원 배분을 정하는 결정, 연구 아이디어와 사양의 설계, 코드와 데이터셋 구축, 훈련·평가 등의 실행, 실험과 모델 분석, 결과와 피드백의 소통이라는 여섯 단계로 나뉜다. 해당 분류로 코딩 에이전트 토큰을 분석한 결과, 2026년 1월부터 8월 사이 모든 연구 활동 범주의 사용이 증가했다. 1월에 중심이었던 연구 및 기반시설 코드 작업이 확대되는 동시에 기술 지원과 실행 모니터링도 눈에 띄게 늘었다. 다만 고수준 계획 수립은 여전히 에이전트 출력 토큰에서 매우 작은 비중을 차지했다.

7. 내부 기술 지원에서 관찰된 업무 변화

동료들의 경험에 따르면 코딩 에이전트는 내부 연구 기반시설의 문제를 해결하는 데 강점을 보이며, 이는 연구 진전을 막는 의미 있는 병목 하나를 완화하는 데 기여한다. 실험 문제 해결을 돕기 위해 정기 상담 시간을 운영하던 여러 팀은 2026년에 참석자가 줄었다고 보고했다. 그중 한 팀은 상담 운영을 완전히 중단하고 다른 시스템 개선에 집중하게 됐다고 설명한다. 연구자들이 다른 팀에 기술 지원을 요청하는 주요 내부 채널 하나에서도 일일 최상위 게시물 수가 감소했다. 작성자들이 파악한 범위에서는 이러한 감소가 다른 사람이 운영하는 기술 지원 채널로 문의가 이동한 결과는 아니었다. 원문은 이 관찰들이 에이전트 활용 확대와 맞물린다고 설명하지만, 상담 수요와 게시물 감소를 근거로 모든 지원 업무가 자동화됐거나 전체 연구 생산성의 향상 폭이 확정됐다고 주장하지는 않는다.

8. 과제 성공률 향상과 지속되는 인간 개입

OpenAI는 연구자가 요청한 과제의 성공 여부를 에이전트 기반 분류기로 분석하고, 인간이 과제를 끝내는 데 걸릴 것으로 추정되는 시간을 난도의 대리 지표로 사용했다. 결과를 확인할 수 있는 과제에서는 1월부터 7월까지 여러 난도 구간의 성공률이 대체로 높아졌다. 그러나 과제가 복잡해질수록 성공을 위해 상당한 인간의 방향 제시가 계속 필요하다고 설명한다. 최근 6개월 동안 성공한 4~8시간 과제의 절반 이상에는 한 번 이상의 인간 개입이 포함됐다. 제시된 성공률 그래프는 결과가 불확실한 분류와 세션 수 또는 고유 사용자 수가 50 미만인 지점을 제외하므로, 관측 결과를 모든 사용 사례로 일반화하는 데 한계가 있다. 제공된 본문은 이 분석의 그래프 설명 도중 끝나므로, 목차에만 등장하는 후속 절과 방법론 부록의 세부 내용은 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 에이전트 실행 시간과 사용량의 확대는 연구 투입 방식의 변화를 보여 주지만, 인간 노동과 같은 가치의 성과가 발생했다는 측정은 아니다.
• 기술 지원 수요 감소와 위임 범위 확대는 연구자가 직접 처리하던 일부 업무가 이동하고 있음을 보여 주며, 고수준 계획의 낮은 비중은 자동화가 업무별로 균등하게 진행되지 않음을 드러낸다.
• 성공률 상승과 인간 개입의 지속은 함께 관찰되므로, 에이전트의 과제 수행 성과를 평가할 때 자율 수행 여부도 구분할 필요가 있다.

✅ 액션 아이템

• 코드 기여·실험 수 증가를 해석할 때 Codex 도입과 컴퓨팅 자원 증가의 영향을 구분해 검토.
• 복잡한 과제의 위임 범위를 판단할 때 성공한 4~8시간 과제의 절반 이상에 인간 개입이 있었다는 제약을 반영.
• 자동화 연구 인턴 이후의 역량 확대를 평가할 때 인간 통제와 안전 검증, 강화학습 훈련 일시 중단 사례를 함께 검토.

❓ 열린 질문

• Codex 도입 증가와 컴퓨팅 자원 증가가 각각 실험 수 증가에 기여한 정도는 어떻게 구분할 수 있는가?
• 성공한 4~8시간 과제의 절반 이상에 인간 개입이 필요했다는 점은 더 복잡한 과제의 위임 범위에 어떤 제약을 주는가?
• 2028년 3월 자동화 AI 연구자 목표를 향해 나아가면서 인간 통제와 안전 검증의 충분성을 어떻게 판단할 것인가?