Caricamento...

I ricercatori di OpenAI stanno diventando seriamente dipendenti dai loro agenti di codifica IA interni, valutando questi strumenti più di una parte significativa dei loro colleghi umani o della potenza di calcolo. Questo approfondimento delle loro operazioni interne offre uno sguardo affascinante, seppur a volte caotico, al futuro dello sviluppo assistito dall'IA.
The Decoder, citando il rapporto interno di OpenAI, rivela un enorme aumento nell'uso di strumenti interni come Codex e Dots. I costi teorici dei token sono impressionanti: un ricercatore medio avrebbe consumato token per un valore di 2.400 $ al giorno a ottobre, un aumento del 62 % rispetto al mese precedente. Per il 10 % più alto degli utenti, la cifra è raddoppiata fino a un sorprendente 23.000 $ al giorno. Questi agenti operano effettivamente 5,7 giorni lavorativi per ricercatore per giorno di calendario, e ancora di più nei team di pre‑ e post‑addestramento, con oltre due terzi dei ricercatori monitorati che eseguono almeno quattro agenti contemporaneamente nei picchi di utilizzo.
OpenAI ha calcolato che l'equivalente teorico API di questo tempo di esecuzione degli agenti era il doppio dei costi salariali regolari dei ricercatori a settembre, anche se è importante notare che ciò esclude i pacchetti azionari, che costituiscono una grande parte della retribuzione in OpenAI, secondo The Decoder. Nonostante questo utilizzo intenso, l'attività interna degli agenti ha rappresentato solo il 2 % del totale della capacità di calcolo per la ricerca dell'azienda.
I tassi di successo per gli agenti autonomi che lavorano senza intervento umano su compiti da due a quattro ore sono aumentati dal 23 % a marzo al 46 % a ottobre, mentre per i compiti da quattro a otto ore sono passati dal 13 % al 35 %, riporta The Decoder citando OpenAI. Tuttavia, una suddivisione della tassonomia di Epoch AI mostra che questi sistemi gestiscono principalmente compiti più semplici. Per esempio, monitorano le esecuzioni di addestramento il 79 % delle volte e rispondono alle domande tecniche in modo indipendente il 72 % delle volte. Quando si tratta di ingegneria più complessa – come la costruzione di ambienti di valutazione e di apprendimento per rinforzo o la scrittura di codice per l'inferenza e i sistemi di servizio – i tassi di successo scendono drasticamente al 29 % e al 25 % rispettivamente.
In un sondaggio interno, non rappresentativo, su 101 dipendenti, i ricercatori hanno indicato che preferirebbero rinunciare al 40 % del personale del loro team o al 30 % della capacità di calcolo piuttosto che passare tre mesi senza questi agenti di codifica, secondo The Decoder. Un altro rapido sondaggio su 28 dipendenti ha rilevato che 27 preferivano l'ultimo modello interno a un ingegnere umano di medio livello.
Interviste qualitative con dieci ricercatori, tuttavia, hanno evidenziato gli aspetti negativi. Questi modelli spesso mancano di “gusto” per buone idee di ricerca, codice e qualità dei dati. Si distraggono, fanno assunzioni errate e producono “slop” IA – modifiche di codice scadenti e artefatti di dati inutilizzabili. Una stretta supervisione umana è fondamentale per evitare sprechi di cicli di calcolo, afferma The Decoder. Curiosamente, le idee concettuali chiave per i prossimi GPT-6 Astra e GPT-6.2 Astra di OpenAI provengono esclusivamente dagli esseri umani, con solo alcuni ricercatori che hanno ottenuto intuizioni importanti dialogando con Codex durante il pre‑addestramento di GPT-6.2 Astra.
Bene, proprietari di piccole imprese e team leader, non si tratta solo di auto‑contemplazione da parte di un gigante tecnologico. È uno sguardo dietro le quinte su dove sta andando lo sviluppo dell'IA e su cosa potete aspettarvi dai futuri strumenti IA per i vostri team. Il dato principale — che i ricercatori di OpenAI valutano questi agenti IA più di quasi la metà dei loro colleghi umani — dovrebbe catturare la vostra attenzione. Dimostra che, nonostante tutto lo “slop” IA e il calcolo sprecato, i guadagni di produttività sono così significativi.
Ciò che mi dice è che gli assistenti di codifica IA, e per estensione gli agenti IA per altri lavori di conoscenza, stanno diventando indispensabili, anche se sono ancora adolescenti un po' caotici. Non otterrete un ingegnere IA completamente autonomo a breve, ma avrete strumenti che amplificano drasticamente il vostro team esistente. Il problema dello “slop” IA è reale e conferma ciò che già sappiamo: gli strumenti IA sono fantastici per compiti di routine, ben definiti (come il monitoraggio o la risposta a domande tecniche), ma crollano di fronte a problemi complessi, sfumati o creativi. Questo significa che i vostri esperti umani non spariranno; spenderanno semplicemente meno tempo su lavori di routine e più tempo su decisioni strategiche guidate dal “gusto” che l'IA non può avere. Per i piccoli team è cruciale: potete estendere il vostro talento, ma dovete assolutamente avere una supervisione umana per intercettare gli inevitabili errori IA e guidare gli strumenti in modo efficace. Non aspettatevi magia; aspettatevi co‑piloti potenti, ma spesso goffi.
Open-source Hermes Agent is coming to Microsoft Teams, allowing workers to package successful AI workflows into team-wide reusable skills.

Reson8 open-sourced Rumble-2-Flash, a 0.5B parameter ASR model for 40+ languages that outperforms models up to 60x larger, with Apache 2.0 licensing.

Instagram introduces a tool to detect unauthorized video reposts and AI-modified content, allowing creators to block or label infringing posts.

Google Maps’ new Ask Maps AI can auto‑create day‑by‑day itineraries, share them, and even call businesses for appointments—useful for small teams on the move.

Commenti