Изследователите в OpenAI ценят своите ИИ инструменти повече от половината си колеги

Публикувано от Svetni.me Editorial на 19 ноември 2026 г. в Изкуствен интелект

Логото на OpenAI на фона на изчислителни редове от кодове и токени
Източник: The Decoder

Вътрешни данни за потреблението на изчислителни ресурси в лабораторията OpenAI разкриват драматична трансформация в начина, по който водещите учени в компанията възприемат своята производителност и човешките си сътрудници [1]. Според изтекли вътрешни проучвания и статистика за потребление на токени, теоретичните разходи за изчисления, изразходвани от изследователите за автономни агенти за програмиране (coding-agents), вече надвишават техните базови годишни заплати.

Едновременно с това служителите споделят в анонимни вътрешни анкети, че ценят софтуерните си асистенти повече от близо половината от своите живи колеги по проекти. Въпреки тази висока оценка обаче, екипите се сблъскват с постоянен поток от повърхностен код („AI slop“) при задачи извън рутинните алгоритмични шаблони.

Инфографика: Вътрешно потребление на токени, продуктивност и трудова динамика в лабораториите на OpenAI
Инфографика: Ключови стълбове и анализ

Експлозия в потреблението на токени и липса на връщане назад

Използването на автономни агентни инструменти в инженерните екипи на OpenAI бележи експоненциален скок през последните месеци [1]. Докато преди програмистите разчитаха на базови автодовършвания на редове, съвременните изследователи разгръщат цели ескадрили от автономни агенти, които изпълняват непрекъснати цикли на пренаписване на софтуерни модули, синтез на тестове и отстраняване на грешки в тренировъчни конвейери.

Разходите за тези фонови агентни сесии достигат стотици хиляди долари месечно на човек, превръщайки индивидуалния изследовател в диригент на огромен виртуален изчислителен център. Анкетираните инженери категорично заявяват, че биха изпитали непреодолими затруднения, ако трябва да се върнат към традиционните методи за писане на код, определяйки загубата на агентите като непрежалима катастрофа за ежедневната им скорост.

Синдромът на повърхностния код: Лимитът на „AI slop“

Въпреки огромната скорост, водещите архитекти в компанията признават съществуването на сериозен качествен таван [1]. Агентите се справят безупречно със стандартен код, писане на интерфейси и шаблонни конфигурации, но тяхната надеждност спада рязко при сблъсък с комплексни теоретични предизвикателства или разпределени консистентни състояния.

При нетривиални проблеми моделите често генерират правдоподобно изглеждащ, но функционално непълен или изключително неефективен код — феномен, който самите изследователи наричат „AI slop“. Този наплив от псевдо-решения натоварва старшите инженери с непосилно когнитивно бреме по преглед на десетки хиляди редове синтетичен код, скриващ фини логически капани и трупащ масивен технически дълг.

Пренареждане на организационната структура и човешкия капитал

Фактът, че учени оценяват софтуерните инструменти по-високо от почти половината си човешки колеги, подчертава задълбочаващата се поляризация в технологичните организации [1]. В среда, където най-способните 10% от инженерите използват агенти за десетократно умножаване на резултатите си, традиционната роля на програмистите от средно ниво (junior и mid-level) започва бързо да се обезсмисля.

Вместо колегиално обсъждане и обмен на идеи, все по-голяма част от комуникацията в екипите се пренасочва към формулиране на системни подкани и верификация на машинни отговори. Това променя профила на търсените кадри: способността за критичен архитектурен одит и откриване на скрити бъгове измества чистата скорост на програмиране като основна професионална добродетел.

Дългосрочен структурен и макроикономически анализ

Данните от OpenAI предлагат безпрецедентен поглед към бъдещето на интелектуалния труд в глобален мащаб. Превръщането на агентите в по-продуктивни от човешки сътрудници пренаписва икономическите модели за производителност на труда, пренасочвайки стойността от броя на служителите към обема на достъпните изчислителни флотилии.

В дългосрочен план обаче тази зависимост крие коварни системни рискове. Ако младите инженери спрат да пишат код ръчно и делегират фундаменталните си разсъждения на модели, организацията рискува да загуби интуитивното разбиране на собствените си системи. Когато следващото поколение модели направи критична архитектурна грешка, лабораторията може да не разполага с достатъчно квалифицирани човешки експерти, способни да я разпознаят и коригират.

Източници

  1. OpenAI's own researchers now say they value their AI tools more than nearly half their colleagues - The Decoder