2026年11月18日、OpenAIが社内研究者におけるコーディングエージェント利用の実測レポート 「Research acceleration: The jagged frontier」 を公開した。「AIで研究が加速する」という抽象論ではなく、タスク所要時間別の自律完走率・作業種別ごとのバラつき・1人あたりの計算トークン消費コストまで踏み込んだ一次データとして注目すべき中身になっている。
1. 所要時間別に見る「自律完了率」の上昇
OpenAI社内のベンチマーク計測では、かつて数時間単位の研究開発タスクをエージェント単体で完結させる比率が半年強で大きく伸びた。
- 人間が2〜4時間かかる研究タスクの独立完走率: 2026年3月の 23% から、同年11月時点で 46% へ倍増。
- 人間が4〜8時間かかる研究タスクの独立完走率: 同時期に 13% から 35% へ上昇。
しかしレポートの題名に jagged frontier(ギザギザの前線) と付けられている通り、この数値は全工程が一様に上がっているわけではない。
2. 作業種類でくっきり分かれる 79% と 25% の壁
工程ごとの自律成功率を並べると、AIエージェントが今どの層で詰まりやすいかが数字で露出する。
| エンジニアリング / 研究作業の区分 | エージェントの独立成功率 | なぜ差が開くのか(構造要因) |
|---|---|---|
| 学習ランの監視・状態確認(Monitoring training runs) | 79% | ログやメトリクスを定期参照して異常パターンを拾う定型観察が中心 |
| 技術的な質問対応(Routine technical questions) | 72% | 社内コードベースと仕様文書の検索・照合で完結しやすい |
| 学習ランの起動(Launching training runs) | 35% | インフラ権限・リソース割り当て・外部環境の状態依存が絡む |
| 評価環境・RL環境の構築(Building eval / RL environments) | 29% | 「正しい報酬や採点基準とは何か」という仕様設計そのものが必要 |
| 推論・サービング基盤のコード実装(Inference / serving stack code) | 25% | 低レイテンシ・並列メモリ・ハードウェア制約のシビアな境界条件が多い |
つまり、観測とコード調査は8割近く自動化できている一方、システム起動・評価基盤設計・推論サービングの最下層は依然として3割前後にとどまる。社内開発の現場でTypeScriptのように型やビルド失敗が即返る領域ではエージェントが速いが、分散インフラやハードウェア寄りの暗黙制約が多い場所では一気に成功率が落ちる構造と完全に一致している。
3. 中央値1日 $2,400 というトークン投入コストの現実
もう1つ一次レポートで見逃せないのが計算リソースの投入量だ。
- 2026年10月時点で、OpenAIの研究者1人あたりが1日に回すエージェントのトークン消費量(API定価換算)は、中央値で1日 $2,400 に達している。
- 上位10%のヘビーユーザーに至っては、1日あたり $23,000 超の推論トークンを消費してエージェントを並列稼働させている。
- 社内調査では「最先端コーディングエージェントへのアクセスを3か月失うくらいなら、チームの人員を40%減らす(あるいは計算資源を30%削る)方がマシ」と回答する水準まで依存度が高まっている。
手元の開発でエージェントがループしたときに考えるべき切り分け方については、AIコーディングツールが負のループで止まる構造 にも実践手順をまとめている。ローカル端末側の素の処理力を確認する基準には端末ベンチマークツールも使える。




