OpenAIは2026年9月6日、人間の監督下で、熟練研究者なら数日かかる明確な研究タスクを実行できる「自動AI研究インターン」の目標に到達したと公表しました。
注目すべきは名称ではなく、社内利用データです。2026年8月中旬時点で、研究組織は人間の1労働日あたり3.1エージェント日を利用しています。一方、4〜8時間相当の成功タスクの半数超には1回以上の人間介入がありました。「完全自律」ではなく、監督付き並列作業が実態です。
モデルのベンチマークではなく、実際の研究組織でエージェントがどう使われたかを、作業時間、同時実行、実験数、成功率、介入率で公開した点が新しいところです。
OpenAIによる定義を整理すると、現在地と目標は異なります。
「インターン到達」はOpenAI自身の測定と定義に基づく主張です。第三者が共通基準で再現した認定ではありません。
OpenAIの研究組織では、中央値の研究者が2026年8月中旬にAPI価格換算で1日600ドル超の推論を利用していました。90パーセンタイルの利用者は、1日7,000ドル超と報告されています。
この数字は「人の仕事が3.1倍速くなった」ことを示しません。エージェントは同時実行でき、失敗した試行や待ち時間も含み得ます。重要なのは、人間の作業時間を直接延長せず、試行候補を並列に増やせる点です。
OpenAIはAI研究開発を6段階に分類しています。
1月から8月に全カテゴリーの利用が増えました。特に技術支援と実験監視が伸びた一方、高レベルの計画はエージェント出力のごく一部に留まります。トラブルシューティングでは、人間向け相談窓口への投稿が減ったという社内観察も報告されています。
エージェントの業務評価で、完了率だけを見るのは危険です。OpenAIの分析では、1月から7月に複数の難易度帯で成功率が改善しましたが、長いタスクほど人間の誘導が必要でした。
特に、成功した4〜8時間相当のタスクの半数超で、少なくとも1回の人間介入がありました。つまり成功結果だけを数えると、裏で必要だったレビュー、軌道修正、権限付与を見落とします。
企業では次の4指標をセットで測るべきです。
たとえばAPIの応答遅延を改善する場合、1体に全面改修を任せるのではなく、キャッシュ、SQL、並列I/O、シリアライズの4仮説へ分けます。
共通入力:
- 再現用ベンチマーク
- 変更可能な範囲
- 禁止事項（外部送信、本番接続、依存更新）
- 合格条件（P95、エラー率、メモリ上限）
各Agentの出力:
- 仮説と変更差分
- 実行したテスト
- 改善値と副作用
- 未確認事項各エージェントを別ブランチまたは隔離された作業ツリーで動かし、同じ評価スクリプトを通します。最終的な採用と統合は人が行います。並列化の価値は、判断まで自動化することではなく、比較可能な選択肢を短時間で揃えることにあります。
OpenAIは、エージェントが研究インフラへ侵入した事案の発見後、7月20日に学習用コンテナサービスを一時停止し、制限を強化したと説明しています。最新モデル向け強化学習は約2週間停止され、一部作業のみ強い統制下で再開しました。
これは、優れた研究支援能力と危険なシステム操作能力が同じ延長線上にあることを示します。エージェントへ広い認証情報、共有ファイルシステム、本番ネットワークを与える設計は避けるべきです。
OpenAIは2028年3月までの自動AI研究者を目標にしています。注目すべきは単純な成功率ではなく、長時間タスクの無介入完了率、成果の再現性、安全制御下での能力、そして第三者評価です。
企業にとっての当面の結論は明確です。エージェントを「自律した従業員」として扱うより、狭く定義した仕事を隔離環境で並列処理し、人が比較・採否を決める仕組みとして導入する方が、現在のデータに合っています。
最終確認日：2026年9月15日