Laden...

De eigen onderzoekers van OpenAI raken serieus verslaafd aan hun interne AI‑codeeragenten en waarderen deze tools meer dan een aanzienlijk deel van hun menselijke collega's of rekenkracht. Deze diepgaande blik op hun interne operaties biedt een fascinerende, zij het soms rommelige, kijk op de toekomst van AI‑ondersteunde ontwikkeling.
The Decoder, verwijzend naar OpenAI's eigen interne rapport, onthult een enorme toename in het gebruik van interne tools zoals Codex en Dots. Alleen de theoretische tokenkosten zijn oogverblindend: een gemiddelde onderzoeker zou in oktober $2.400 aan tokens per dag hebben verbruikt, een stijging van 62 % ten opzichte van de vorige maand. Voor de bovenste 10 % van de gebruikers verdubbelde dat cijfer tot een verbluffende $23.000 per dag. Deze agenten draaien effectief 5,7 werkdagen per onderzoeker per kalenderdag, en nog meer in pre‑ en post‑trainingsteams, waarbij meer dan tweederde van de gevolgd onderzoekers tijdens piekgebruik minstens vier agenten gelijktijdig laat draaien.
OpenAI berekende dat het theoretische API‑equivalent van deze agentruntime twee keer zo hoog was als de reguliere salariskosten van onderzoekers in september, hoewel dit volgens The Decoder geen aandelenpakketten omvat, die een groot deel van de compensatie bij OpenAI uitmaken. Ondanks dit intensieve gebruik vertegenwoordigde interne agentactiviteit slechts 2 % van de totale onderzoeksrekenkracht van het bedrijf.
De succespercentages voor autonome agenten die zonder menselijk ingrijpen werken aan taken van twee tot vier uur stegen van 23 % in maart naar 46 % in oktober, terwijl taken van vier tot acht uur een stijging zagen van 13 % naar 35 %, meldt The Decoder, met verwijzing naar OpenAI. Een taxonomische analyse van Epoch AI toont echter aan dat deze systemen voornamelijk eenvoudige taken afhandelen. Zo monitoren ze trainingsruns 79 % van de tijd en beantwoorden ze technische vragen zelfstandig 72 % van de tijd. Maar bij complexere engineering – zoals het bouwen van evaluatie‑ en reinforcement‑learning‑omgevingen of het schrijven van code voor inferentie‑ en serveersystemen – dalen de succespercentages aanzienlijk tot respectievelijk 29 % en 25 %.
In een interne, niet‑representatieve enquête onder 101 medewerkers gaven onderzoekers, volgens The Decoder, aan liever 40 % van het teampersoneel of 30 % van de rekencapaciteit op dan drie maanden zonder deze codeeragenten te gaan. Een aparte snelle peiling onder 28 medewerkers toonde aan dat 27 de nieuwste interne model verkozen boven een menselijk ingenieur van midden‑carrière.
Kwalitatieve interviews met tien onderzoekers benadrukten echter de nadelen. Deze modellen missen vaak "smaak" voor goede onderzoeksideeën, code en datakwaliteit. Ze raken afgeleid, maken foutieve aannames en produceren "AI‑slop" – inferieure codewijzigingen en onbruikbare data‑artefacten. Nauw menselijk toezicht is cruciaal om het verspillen van rekencycli te voorkomen, stelt The Decoder. Interessant genoeg kwamen de belangrijkste conceptuele ideeën voor OpenAI's aankomende GPT‑6 Astra en GPT‑6.2 Astra uitsluitend van mensen, waarbij alleen individuele onderzoekers belangrijke inzichten verkregen via dialoog met Codex tijdens de pre‑training van GPT‑6.2 Astra.
Oké, kleine ondernemers en teamleiders, dit is niet alleen zelfgenoegzame blikken van een tech‑gigant. Dit is een kijkje achter de schermen van waar AI‑ontwikkeling naartoe gaat, en wat je kunt verwachten van toekomstige AI‑tools voor je eigen teams. Het opvallende feit — dat de eigen onderzoekers van OpenAI deze AI‑agenten meer waarderen dan bijna de helft van hun menselijke collega's — moet je aandacht trekken. Het toont aan dat zelfs met alle 'AI‑slop' en verspilde rekenkracht, de productiviteitswinst zo significant is.
Wat dit mij vertelt, is dat AI‑codeerassistenten, en daarmee AI‑agenten voor ander kenniswerk, onmisbaar worden, zelfs als ze nog rommelige tieners zijn. Je zult niet snel een volledig autonome AI‑ingenieur krijgen, maar je krijgt wel tools die je bestaande team drastisch versterken. Het 'AI‑slop'-probleem is echt, en het bevestigt wat we al weten: AI‑tools zijn fantastisch voor routinematige, duidelijk gedefinieerde taken (zoals monitoren of technische vragen beantwoorden), maar ze vallen volledig uit elkaar bij complexe, genuanceerde of creatieve problemen. Dit betekent dat je menselijke experts niet verdwijnen; ze besteden gewoon minder tijd aan saaie klusjes en meer tijd aan strategische, door 'smaak' gedreven beslissingen die AI niet kan maken. Voor kleine teams is dit cruciaal: het betekent dat je je talent verder kunt inzetten, maar je moet absoluut menselijk toezicht hebben om de onvermijdelijke AI‑fouten op te vangen en de tools effectief te sturen. Verwacht geen magie; verwacht krachtige, maar vaak onhandige, co‑piloten.
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.

Reacties