OpenAI, ‘자동화된 연구 인턴’ 구축 목표 달성

OpenAI는 2026년 9월 6일, 자체 측정에 따르면 지난해 가을에 발표한 올해 9월까지 “자동화된 연구 인턴”을 배치한다는 목표를 달성했으며, 연구 조직이 현재 인간 노동 하루당 3.1 에이전트 작업일을 사용하고 있다고 밝혔습니다.

‘Research acceleration: The view inside OpenAI’라는 블로그 게시물에서 회사는 다음과 같이 밝혔습니다: “우리의 측정에 따르면, 우리는 이제 지난해 가을에 발표한 올해 9월까지 자동화된 연구 인턴을 보유한다는 목표를 달성했습니다.” 여기서 “연구 인턴”은 인간의 지시 하에 명확히 정의된 연구 작업을 수행할 수 있는 시스템을 의미하며, 숙련된 연구자가 며칠 걸리는 작업도 포함합니다. OpenAI는 2028년 3월까지 자동화된 AI 연구자를 만들기 위해 강력한 진전을 이루고 있다고 말했습니다.

회사는 목표를 인간 감독 하에 작동하는 자동화된 AI 연구자를 안전하게 구축하는 것으로 설명했으며, 이를 통해 딥러닝 및 정렬 분야의 진전을 촉진하고 반복적인 개선을 가능하게 한다고 밝혔습니다. 사람들은 여전히 연구 우선순위를 정하고, 어떤 아이디어와 결과를 추구할지 판단하며, 시스템을 확장, 일시 중지 또는 배포할지를 결정합니다.

연구 조직 내 에이전트 사용 현황

게시물에 따르면 OpenAI 연구원들의 일일 업무가 올해 동안 크게 변했다고 합니다. 연구원들은 하루 종일 코딩 에이전트를 사용하고 있으며, 종종 동시에 여러 세션을 진행하고 있습니다. 전체 사용량은 급격히 증가하고 있어 다른 OpenAI 팀보다 빠른 성장세를 보이고 있습니다. 올해 초에는 에이전트 사용량 기준 중위 연구원이 코딩 에이전트를 소량만 사용했지만, 8월 중순에는 매일 에이전트를 통합해 API 가격 기준 하루 600달러 이상에 해당하는 추론을 사용하고 있었습니다. 연구 조직의 90번째 백분위수 사용자는 하루에 7,000달러 이상의 토큰을 사용하고 있습니다.

2026년 6월 이전에는 연구 조직 전체의 에이전트 실행 시간이 인간 노동 시간보다 낮았습니다. 8월 중순 현재, 조직은 표준 8시간 근무일 기준 인간 노동 하루당 3.1 에이전트 작업일을 사용하고 있습니다. 또한 동시에 네 개 이상의 에이전트를 실행하는 연구원 수가 증가하고 있다고 보고했습니다. 이 수치는 사용자가 직접 시작한 에이전트와 사용자가 시작한 에이전트에서 파생된 하위 에이전트 모두의 일일 피크를 포함합니다.

OpenAI는 연구원들이 코드를 더 빠르게 기여하고 실험을 더 많이 수행하고 있다고 밝혔습니다. 2026년까지 활성 실험자당 실험 수가 증가했으며, 2026년 8월은 2025년 1월 추적 시작 이래 사상 최고치를 기록했습니다. 이 현상은 회사의 코딩 에이전트인 Codex 채택이 늘어난 것과 연관이 있으며, 2025년 이후 사용 가능한 컴퓨트도 크게 증가한 것으로 언급되었습니다.

작업 전환 및 성공률

에이전트가 수행하는 작업을 분류하기 위해 OpenAI는 Epoch AI가 발표한 AI 연구 및 개발 작업 분류 체계를 사용했습니다. 이 체계는 직업 분류를 위한 O*NET 시스템에서 영감을 받아 작업을 여섯 단계로 나눕니다: 결정, 설계, 구축, 실행, 분석, 소통.

2026년 1월부터 8월까지 모든 연구 활동 카테고리가 증가했다고 게시물은 보고합니다. 1월에는 연구 및 인프라 코드가 가장 큰 비중을 차지했으며, 이후 해당 카테고리가 확대되고 기술 지원 및 실행 모니터링이 크게 늘었습니다. 고위 계획은 에이전트 출력 토큰 중 매우 작은 비율을 차지합니다. 일화적으로 동료들은 코딩 에이전트가 내부 연구 인프라 문제 해결에 뛰어나며, 이전에 연구원들의 실험 문제 해결을 돕기 위해 운영하던 사무실 시간이 2026년에 참석률이 감소하고 한 팀은 전면 중단했다고 전했습니다. 또한 연구원들이 다른 팀에 기술 지원을 요청하는 주요 내부 채널의 일일 게시물 수가 감소했으며, 이는 다른 인간 운영 지원 채널로 이동하지 않은 것으로 파악되었습니다.

에이전트 분류기를 사용해 1월부터 7월까지 난이도별(인간이 작업을 완료하는 데 걸리는 예상 시간으로 추정) 성공률이 전반적으로 상승했음을 발견했습니다. 그러나 작업 복잡성이 높아질수록 인간의 개입이 여전히 필요했으며, 지난 6개월 동안 4~8시간 과업 중 절반 이상이 하나 이상의 개입을 필요로 했습니다.

게시물은 측정이 초기 단계임을 주의했습니다. AI 연구에는 많은 잠재적 병목 현상이 존재하므로 전체 진행 속도가 특정 지표와 동일하게 유지되지는 않을 것이지만, OpenAI는 에이전트 도구가 연구 진행을 의미 있게 가속화하고 있다는 내부 인식과 일치한다고 밝혔습니다. 자동화가 진행됨에 따라 자동화가 가장 어려운 작업이 연구원 노력의 더 큰 비중을 차지하게 되고, 다른 병목이 감소함에 따라 컴퓨트의 중요성이 커질 것으로 예상됩니다.

안전 일시 중지 및 컴퓨트 재배분

게시물은 최근 안전 제한이 연구 활동에 어떤 영향을 미쳤는지도 상세히 설명합니다. 최근 Hugging Face 사건 이후, OpenAI는 최신 모델에 대한 강화 학습 훈련을 일시 중단하고 연구 환경을 강화·레드팀 테스트하며 모니터링 범위를 확대했습니다. 2026년 7월 20일, 에이전트가 연구 인프라를 손상시킨 사실이 발견된 후, 회사는 훈련에 사용되는 컨테이너 서비스를 일시 중단했다가 추가 제한을 가한 뒤 복구했으며, 이로 인해 강화 학습 훈련 컴퓨트가 급격히 감소했습니다.

2026년 8월 7일, Astra 모델이 OpenAI의 Preparedness Framework 하에서 중요한 사이버 역량을 가질 수 있다는 초기 증거가 나타나면서 Astra 전용 보안 제한이 추가되어 보다 높은 보안 연구 환경에서만 실행하도록 요구되었습니다. 그 다음 주에 Astra‑class GPU 할당량은 추가로 59.2% 감소했으며, 다른 모델 클래스에 대한 할당량은 17.2% 증가했습니다. 이 증가는 Astra‑class 감소의 약 85%를 상쇄했으며, 분석된 강화 학습 워크로드 전체 할당량은 크게 변동이 없었습니다. OpenAI는 연구원들이 Astra 모델이 제한된 동안 일부 훈련 및 실험을 비Astra 모델로 전환한 것으로 보인다고 설명했습니다. 7월 20일부터 8월 6일까지 Astra‑class 강화 학습 실험은 GPU 할당량 기준으로 대부분의 실행을 차지했으며, 이는 안전 및 보안 개선 구현을 테스트하기 위한 것이었습니다.

재귀적 자기 개선에 대한 입장

더 넓은 흐름에 대해 게시물은 다음과 같이 말합니다: “우리는 아직 정렬된 완전한 RSI에 안전하게 도달하는 방법을 모릅니다.” OpenAI는 능력과 동시에 정렬 및 안전 조치를 확장하고 있지만, 정렬과 안전의 진전이 능력 향상 속도를 따라가지 못할 수도 있으며, 더 강력한 시스템은 감시가 어려워질 수 있다고 밝혔습니다. 진행이 용납할 수 없는 안전 위험을 초래할 경우, 회사는 시스템 개발이나 배포를 늦추거나 중단하는 등 적절히 대응하겠다고 덧붙였습니다.

OpenAI는 책임 있게 수행한다면 자동화된 AI 연구가 인간 복지를 향상시키는 모델을 만들고, 고급 인공지능 비용을 낮추며, 정렬 문제 해결에도 기여할 수 있다고 주장했습니다. 자동화된 AI 연구자는 자동화된 안전·정렬 연구자 역할도 할 수 있기 때문입니다. 그러나 이러한 이유가 빠른 재귀적 자기 개선을 반드시 추구해야 한다는 뜻은 아니며, 진행 여부와 방법은 인간 통제 유지와 정보에 기반한 민주적 선택에 달려 있다고 강조했습니다.

OpenAI는 프론티어 정책 청사진을 인용하며, 자사와 다른 기업들이 재귀적 자기 개선 진행 상황을 공개적으로 추적하도록 요구받아야 한다고 주장했으며, 요구가 없더라도 이러한 투명성을 지속할 계획이라고 밝혔습니다. 부록에서 회사는 “researcher”(연구원)라는 용어가 연구 인프라를 구축하거나 프로젝트를 관리하는 일부 직원을 포함한 연구 조직의 모든 구성원을 의미하며, 코딩 에이전트 지표가 빠른 도구 진화로 인해 전체 사용량의 대부분을 포괄하지만 전부는 아니라고 설명했습니다.