تصور کنید در یک سازمان، برای هر ۸ ساعت تلاش انسانی، بیش از ۲۴ ساعت کارِ مفید توسط ماشین‌ها انجام شود. این دیگر یک پیش‌بینی نیست، بلکه واقعیت جاری در بخش پژوهش OpenAI است.
طبق گزارشی که در ۱۳ اکتبر ۲۰۲۶ منتشر شد، این نقطه تلاقی در تابستان ۲۰۲۶ رخ داده است؛ زمانی که مجموع زمان اجرای عملیات توسط عامل‌های هوش مصنوعی (AI Agents) رسماً از حجم نیروی کار انسانی فراتر رفت. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی گذار از مدل‌های چت‌محور به سیستم‌های عامل‌محور اشاره کردیم، این اتفاق نتیجه‌ی مستقیم حرکت به سمت استقلال عملیاتی مدل‌هاست. این روند تنها محدود به OpenAI نیست و پیش از این مشاهده کردیم که چگونه بخش بزرگی از کدهای عملیاتی مدل Claude توسط خودِ این مدل نوشته شده است، که نشان از تسریع اتوماسیون در لایه‌های زیرساختی دارد.
این دستاورد در راستای هدفی است که سام آلتمن در اکتبر ۲۰۲۵ تعیین کرده بود: خلق یک «کارآموز پژوهشی خودکار» تا سپتامبر ۲۰۲۶. اکنون این آزمایشگاه مدلس است که به این هدف رسیده و مفهوم «بهبود بازگشتی» (Recursive Self-improvement) را از فضای تئوری به خط تولید فعال پژوهش‌های خود آورده است. این رویکرد یادآور استراتژی‌های رقیب است؛ جایی که آنتروپیک نیز اعلام کرد درصد قابل توجهی از پژوهش‌های داخلی‌اش تحت هدایت مدل Claude قرار دارد.
هزینهٔ سنگین اتوماسیون
به نقل از داده‌های داخلی این سازمان، اجرای این حجم از وظایف نیازمند منابع محاسباتی عظیمی است. هزینه استنتاج (Inference) برای پژوهشگران به شدت بالا رفته است:
- میانگین هر پژوهشگر: بیش از ۶۰۰ دلار در روز (بر اساس قیمت API).
- کاربران در صدک ۹۰: هزینه‌ای بیش از ۷,۰۰۰ دلار در روز.
محدودیت «کارآموز»
با وجود این حجم از فعالیت، OpenAI این سیستم‌ها را صرفاً عامل‌هایی تعریف می‌کند که قادرند «وظایف پژوهشی تعریف‌شده را تحت هدایت انسان» اجرا کنند. به این معنا که عامل‌ها در اجرای کارهایی که برای یک پژوهشگر خبره چندین روز زمان می‌برد، سریع هستند، اما فاقد قضاوت علمی مستقل‌اند.
بر اساس مستندات منتشر شده، پژوهشگران انسانی همچنان کنترل کامل دستور کار پژوهشی را در دست دارند. آن‌ها تصمیم می‌گیرند کدام ایده‌ها دنبال شوند، اعتبار نتایج را می‌سنجند و درباره مقیاس‌بندی یا توقف یک پروژه تصمیم می‌گیرند.
شکاف میان «اجرا» و «قضاوت»، گلوگاه اصلی فعلی است. اگر عامل‌ها در جایگاه دستیار باقی بمانند، رشد بهره‌وری ممکن است به یک سقف برسد؛ اما اگر به پژوهشگرانی تبدیل شوند که اولویت‌های خود را تعیین می‌کنند، سرعت اکتشافات هوش مصنوعی به صورت نمایی شتاب می‌گیرد.
گام بعدی شما
- بررسی مدل‌های عامل‌محور برای اتوماسیون وظایف تکراری در گردش‌کارهای پژوهشی خود.
- تحلیل هزینه‌های استنتاج در مقیاس بالا برای تخمین بودجه‌های زیرساختی آینده.
- رصد گزارش‌های آتی برای شناسایی اولین نشانه‌های «فرضیه‌سازی مستقل» توسط مدل‌ها.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو