AI가 연구자를 돕는다는 말은 흔하지만, 실제 연구실에서 얼마나 많은 일을 맡는지는 거의 공개되지 않았습니다. OpenAI는 2026년 9월 6일 내부 연구 조직의 사용 기록을 바탕으로 자동화 수준을 처음 구체적으로 설명했습니다. 8월 중순 기준 사람의 표준 근무일 1일마다 코딩 에이전트가 수행한 시간이 3.1 작업일에 해당했다는 수치입니다.
이 숫자는 연구자 한 명을 AI 세 명이 대체했다는 뜻이 아닙니다. 여러 에이전트를 동시에 켜 두고 구현, 실험 준비, 오류 추적 같은 일을 병렬로 맡긴 총시간을 8시간 단위로 환산한 값입니다. 방향을 정하고 결과를 채택하는 책임은 여전히 사람에게 있습니다.
병렬 연구실의 등장
올해 초까지만 해도 연구 조직의 에이전트 사용은 사람의 총근무시간보다 적었습니다. 6월을 지나며 관계가 뒤집혔고, 8월 중순에는 3.1대 1까지 벌어졌습니다. 중앙값 연구자는 API 가격으로 환산해 하루 600달러가 넘는 추론을 사용했고, 사용량 상위 10%의 경계는 하루 7,000달러를 넘었습니다.
비용은 곧 성과가 아닙니다. 다만 연구자가 하나의 문제를 순서대로 처리하는 대신 여러 실험과 디버깅을 동시에 돌리는 작업 방식이 자리 잡았다는 신호로 볼 수 있습니다. 고급 AI 경쟁에서 모델뿐 아니라 연구 조직의 운영 능력이 격차를 만드는 이유입니다.
빨라진 코드와 실험
OpenAI는 연구자당 코드 기여와 실험 횟수가 함께 늘었다고 밝혔습니다. 2026년 8월의 활동 연구자당 실험 수는 2025년 1월 추적을 시작한 뒤 가장 높았습니다. 다만 같은 기간 사용 가능한 연산 자원도 크게 늘었으므로, 증가분 전체를 에이전트 덕분이라고 단정할 수는 없습니다.
더 흥미로운 대목은 사람이 운영하던 기술 지원 채널의 질문이 줄었다는 점입니다. 에이전트가 내부 연구 인프라의 오류를 먼저 해결하면서 어떤 팀은 지원 시간을 없애고 다른 시스템 개선으로 옮겼습니다. 자동화의 효과가 코드 생산량보다 병목을 옮기는 데서 먼저 나타난 셈입니다.
개입이 필요한 긴 업무
긴 일을 통째로 맡기는 단계는 아직 아닙니다. 4~8시간짜리 과제에서 성공한 세션의 절반 이상은 사람의 개입이 한 번 이상 필요했습니다. 업무가 복잡할수록 방향 수정, 중간 확인, 결과 판정이 중요했습니다. ‘자동 연구 인턴’이라는 표현은 잘 정의된 과제를 사람의 지휘 아래 수행한다는 뜻으로 읽어야 합니다.
따라서 기업이 참고할 지표도 단순 사용량이 아닙니다. 동시에 몇 개 일을 맡겼는지, 사람이 얼마나 자주 개입했는지, 결과가 실제 제품이나 논문에 채택됐는지를 함께 봐야 합니다.
속도와 통제의 같은 그래프
OpenAI의 자료는 안전 통제가 연구 속도에 미친 영향도 보여줍니다. 7월 20일 연구 인프라 침해가 발견된 뒤 최신 배포 모델의 강화학습을 약 2주 멈췄고, 8월 7일 추가 제한 뒤 아스트라 계열 GPU 배정은 다음 주 59.2% 줄었습니다. 다른 모델의 배정은 17.2% 늘어 전체 감소분의 약 85%를 상쇄했습니다.
안전선 하나가 특정 모델을 늦춰도 연산 자원이 다른 실험으로 이동할 수 있다는 뜻입니다. 연구 자동화가 강해질수록 통제는 모델 하나가 아니라 사람, 에이전트, 연산 자원과 대체 경로 전체를 봐야 합니다. 3.1이라는 숫자는 생산성의 자랑인 동시에 관리 범위가 넓어졌다는 경고입니다.