# $600 в день на одного исследователя: как OpenAI перевела разработку на агентов — и что скопировать себе
Каноническая страница: https://plainews.ru/posts/openai-coding-agents-research-acceleration-2026
Опубликовано: 2026-09-07T11:01:10.173Z

OpenAI раскрыла внутренние данные: медианный исследователь сжигает $600 в день на AI-инференс. Разбираем, как устроен их агентный стек и что это значит для вас.
OpenAI опубликовала внутренние данные о том, как их команда использует coding agents в повседневной работе. К середине августа 2026 года медианный исследователь тратит больше $600 в сутки на AI-инференс, а вся организация генерирует 3,1 агент-рабочих дня на каждый человеческий. Это не маркетинг — это операционная статистика, и она меняет то, как стоит думать о собственном инструментальном стеке.

## Что происходит внутри OpenAI

Компания официально ввела аббревиатуру RSI — Recursive Self-Improvement (рекурсивное самоулучшение). Судя по всему, это их новое определение AGI: система, которая способна улучшать собственные исследовательские процессы. Об этом одновременно вышло два материала — внутренний отчёт об ускорении исследований и эссе главного учёного Якуба Пахоцкого «Alien Mind».

Ключевой сигнал — резкий скачок затрат на AI-инференс в конце июля 2026 года. Саймон Уиллисон (Simon Willison), который разобрал публикацию, предполагает: именно тогда сотрудники получили доступ к модели, позже вышедшей как GPT-6 Astra. До этого момента рост был постепенным; после — почти вертикальным.

Промежуточная цель уже достигнута: OpenAI получила «автоматизированного исследовательского стажёра». Следующий рубеж — полноценный «автоматизированный AI-исследователь» — запланирован на март 2028 года.

## Как выглядит агентный стек на практике

Соотношение 3,1 агент-рабочих дня к 1 человеческому означает, что на каждый час живой работы приходится больше трёх часов автономной агентной активности. Это не «подсказки в чате» — это параллельные процессы, которые пишут код, запускают эксперименты и возвращают результаты.

Типичная схема, которую можно восстановить из описания:

1. Исследователь формулирует задачу и передаёт её агенту.
2. Агент разбивает задачу на подзадачи, запускает несколько параллельных веток.
3. Каждая ветка — отдельный coding agent с доступом к инструментам: bash, Python REPL, файловая система, внешние API.
4. Результаты агрегируются, исследователь проверяет и итерирует.

Затраты $600/день при текущих ценах API — это примерно 6–10 миллионов токенов в сутки на человека, в зависимости от модели. Большая часть уходит на длинные контекстные окна и многошаговые цепочки рассуждений.

## Как настроить похожий процесс у себя

Вы не OpenAI, но архитектуру можно воспроизвести в меньшем масштабе. Вот минимальный рабочий стек.

**Шаг 1. Выберите оркестратор агентов.**

Для старта подойдут три варианта:

| Инструмент | Язык | Когда брать |
| --- | --- | --- |
| LangGraph | Python | Нужен контроль над графом состояний |
| CrewAI | Python | Быстрый старт, мультиагентность из коробки |
| OpenAI Assistants API | REST/любой | Уже используете экосистему OpenAI |

**Шаг 2. Настройте изолированное окружение для агента.**

Агент должен иметь доступ к инструментам, но не ломать продакшн. Минимальный контейнер:

```plain
FROM python:3.12-slim
RUN pip install openai langgraph httpx
WORKDIR /workspace
# Агент работает только внутри /workspace
```

**Шаг 3. Определите инструменты явно.**

Не давайте агенту «всё подряд». Начните с трёх:

```python
tools = [
    {"type": "code_interpreter"},          # выполнение Python
    {"type": "file_search"},               # поиск по документации
    {"type": "function", "function": run_tests},  # запуск тестов
]
```

**Шаг 4. Запустите параллельные ветки.**

Главный выигрыш в скорости — не один агент, а несколько одновременных:

```python
import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI()

async def run_agent(task: str) -> str:
    response = await client.responses.create(
        model="gpt-4o",
        input=task,
        tools=tools,
    )
    return response.output_text

async def run_parallel(tasks: list[str]) -> list[str]:
    return await asyncio.gather(*[run_agent(t) for t in tasks])
```

**Шаг 5. Добавьте мониторинг токенов.**

Без учёта расходов вы не поймёте, где агент тратит время впустую:

```python
# После каждого вызова логируйте usage
usage = response.usage
print(f"input: {usage.input_tokens}, output: {usage.output_tokens}")
```

## Где это ломается

**Контекстное окно переполняется.** Длинные агентные цепочки быстро упираются в лимит. Решение — явное сжатие истории (summarization) каждые N шагов, а не передача полного лога.

**Агент зацикливается.** Без жёсткого ограничения на количество итераций агент может бесконечно «думать». Всегда задавайте max_turns или аналог.

**Стоимость растёт нелинейно.** Параллельные ветки умножают расходы. Начните с двух-трёх параллельных агентов, а не десяти.

**Недетерминированность мешает отладке.** Агент делает разные вещи при одном и том же промпте. Фиксируйте seed там, где API это поддерживает, и логируйте все вызовы инструментов.

> **Важно.** Архитектура OpenAI оптимизирована под их собственные модели и инфраструктуру. Прямой перенос на open-source модели (Llama, Mistral) потребует дополнительной настройки function calling и tool use.

## Что попробовать дальше

Если базовый стек заработал — следующий шаг это специализированные агенты для конкретных задач: code review, генерация тестов, анализ логов. Посмотрите на SWE-agent и Aider как на готовые примеры узкоспециализированных coding agents с открытым кодом. Для мониторинга стоимости и качества ответов — LangSmith или Langfuse дают трейсинг на уровне каждого вызова инструмента.

---

## FAQ

### Что такое RSI в контексте OpenAI?

RSI — Recursive Self-Improvement, рекурсивное самоулучшение. OpenAI использует этот термин для описания систем, которые способны автоматически улучшать собственные исследовательские процессы. Фактически это их рабочее определение AGI на 2026 год.

### Почему $600 в день — это важный ориентир?

Это медианная цифра по всей исследовательской организации, не топ-пользователи. Она показывает, что агентная работа стала нормой, а не экспериментом. Для команды из 10 человек это $6 000 в сутки только на инференс.

### Можно ли воспроизвести такой стек без бюджета OpenAI?

Да, в меньшем масштабе. Начните с одного-двух параллельных агентов на задачу, используйте gpt-4o-mini для черновых шагов и gpt-4o только для финальной верификации. Это снижает стоимость в 5–10 раз при сохранении большей части качества.

### Что такое GPT-6 Astra и когда он вышел?

По данным Саймона Уиллисона, GPT-6 Astra — модель, к которой сотрудники OpenAI получили внутренний доступ в конце июля 2026 года. Именно с этим моментом совпадает резкий рост затрат на инференс на графике OpenAI.

### Что значит «3,1 агент-рабочих дня на 1 человеческий»?

На каждый час работы живого исследователя приходится 3,1 часа автономной агентной активности. Агенты работают параллельно и асинхронно — пока человек спит или занимается другой задачей.

## Источники

- Simon Willison: Research acceleration: The view inside OpenAI