وكلاء البرمجة في OpenAI يكلّفون $2400 يوميًا للباحث الواحد بحسب تسعير API
احتسبت OpenAI كم كانت ستكلّف وكلاء البرمجة الخاصة بها لو دفعت ثمن الرموز (التوكنات) وفق التسعير العلني لـ API، مثل أي عميل عادي. والنتيجة $2400 يوميًا للباحث المتوسط في أكتوبر (بزيادة 62% عن سبتمبر)، و$23 000 لأكثر 10% من الباحثين نشاطًا. ينجح الوكلاء في مراقبة التدريب في 79% من الحالات، لكنهم يكتبون شيفرة أنظمة الاستدلال (inference) بنجاح في 25% فقط. الخلاصة العملية: أسندوا المهام الروتينية إلى الوكلاء، واتركوا مراجعة الشيفرة المعقدة للبشر.
معالج بواسطة الذكاء الاصطناعي من The Decoder؛ بتحرير Hamidun News
حتى الآن، لم يكن بالإمكان سوى التخمين في الكلفة الفعلية لتشغيل وكلاء البرمجة في تطوير جاد. أما الآن فلدى OpenAI أرقام من داخل مطبخها. تخيّل أنك تشغّل وكيلًا شبيهًا بـ Codex على مستودعك وتدفع مقابل كل رمز (توكن) وفق تسعير API المعتاد. بهذه الطريقة أعادت الشركة احتساب عمل وكلائها الداخليين: الباحث المتوسط كان سيحرق في أكتوبر رموزًا بقيمة $2400 يوميًا، وأكثر 10% من الموظفين نشاطًا كانوا سيحرقون رموزًا بقيمة $23 000. OpenAI لا تدفع هذه المبالغ فعليًا، فهي معادل نظري، لكنه يُظهر حجم الظاهرة: لقد صار الوكلاء أداة العمل الرئيسية. وفي تقريرها الثاني عن تسريع الأبحاث الداخلية، تحاول الشركة أيضًا رصد علامات التحسين الذاتي التكراري (RSI)، أي الحالة التي يسرّع فيها الذكاء الاصطناعي إنشاء الأجيال التالية من الذكاء الاصطناعي.
كم يكلّف ذلك بالرموز
يستند الحساب إلى الأسعار المعلنة لـ API. كان الباحث المتوسط سيستهلك في أكتوبر رموزًا بقيمة $2400 يوميًا، أي بزيادة 62% عن الشهر السابق. أما لدى أكثر 10% من المستخدمين نشاطًا، فقد تضاعف هذا المبلغ النظري ليبلغ $23 000 يوميًا. ويعمل الوكلاء في الغالب على التواصل والشيفرة.
وهناك أيضًا تحويل إلى وقت. فإذا جمعنا كل ما يفعله الوكلاء، يقابل كل باحث نحو 5.7 يوم عمل من ثماني ساعات في كل يوم تقويمي. وفي فرق ما قبل التدريب وما بعد التدريب للنماذج يبلغ الرقم نحو ثمانية. وفي ذروة النشاط، شغّل أكثر من ثلثي الموظفين الخاضعين للمتابعة أربعة وكلاء على الأقل بالتوازي.
وفي سبتمبر، تجاوز المعادل النظري لعمل الوكلاء بحسب تسعير API ضعفَي النفقات المعتادة على رواتب الباحثين. لكن هناك تحفظًا: الأسهم غير داخلة في الحساب، وهي تشكّل 70–80% من إجمالي التعويضات في OpenAI. وبالنسبة إلى مجمل الحوسبة البحثية في الشركة، فإن حصة الوكلاء متواضعة: 2% فقط. والخلاصة بسيطة للفرق التي تعتمد الوكلاء: أصبحت الرموز قابلة للمقارنة بصندوق الأجور، ومن الأجدى إدراجها كبند مستقل في الميزانية.
أين ينجح الوكلاء وأين يخفقون
بين مارس وأكتوبر، ارتفعت النسبة التقديرية للمهام التي تستغرق 2–4 ساعات ويحلّها الوكيل بنفسه دون تدخل بشري من 23% إلى 46%. أما في المهام التي تستغرق 4–8 ساعات، فقد ارتفع المؤشر من 13% إلى 35%.
ويُظهر التصنيف بحسب تصنيفية Epoch AI ميلًا نحو المهام البسيطة. فالوكلاء يراقبون عمليات التدريب بنجاح في 79% من الحالات، ويجيبون عن الأسئلة التقنية بمفردهم في 72%. لكن إنشاء بيئات لتقييم النماذج والتعلّم المعزَّز ينجح في 29% فقط من الحالات، وكتابة الشيفرة لأنظمة الاستدلال وخدمة النماذج في 25%. وبعبارة مبسطة: يستطيع الوكيل تقريبًا أن يفحص منحنى التدريب أو يجيب عن سؤال بنفسه، لكنه لا يستطيع حتى الآن بناء بنية تحتية معقدة دون إنسان.
ماذا يقول الباحثون أنفسهم
استطلاع شمل 101 موظف في OpenAI غير تمثيلي، لكنه دالّ. كانت الإجابة الوسيطة أن الباحثين يفضّلون التخلي عن 40% من كوادر فريقهم أو عن 30% من قدراتهم الحاسوبية على البقاء ثلاثة أشهر دون وكلاء البرمجة الحاليين. وفي استطلاع سريع منفصل شمل 28 شخصًا، فضّل 27 منهم أحدث نموذج داخلي على مهندس متوسط المستوى.
وظهر الوجه الآخر في مقابلات مع عشرة باحثين. فبحسب قولهم، تفتقر النماذج إلى «الذوق»: فهي تميّز الفكرة العلمية القوية بصعوبة، ولا تستشعر جودة الشيفرة والبيانات. ويقع الوكلاء في خطوات زائدة، ويفترضون افتراضات خاطئة عند التحليل، ويرسلون تعديلات ضعيفة على الشيفرة مع مخرجات بيانات رديئة، أي ما يُعرف بـ«AI slop». ومن دون رقابة بشرية مشدّدة، تُهدر الحوسبة.
وبحسب الفرق المشمولة بالاستطلاع، فإن الأفكار المفهومية الرئيسية لنموذجَي GPT-6 Astra وGPT-6.2 Astra ابتكرها بالكامل أشخاص من فريقَي ما بعد التدريب والسلامة. وفي مرحلة ما قبل التدريب لـ GPT-6.2 Astra فقط، قال بعض الباحثين إنهم حصلوا على أفكار مهمة من حوارهم مع Codex.
كيف نقرأ هذه الأرقام
تحذّر OpenAI نفسها من أن بيانات التعاون بين البشر والذكاء الاصطناعي قد لا تمتد بصورة خطية. وتشير الشركة إلى الطفرات السريعة الأخيرة للذكاء الاصطناعي في الرياضيات، وترى أن قفزات مماثلة ممكنة في أبحاث التعلّم العميق حين تصبح النماذج أكثر استقلالية.
أما السياق فهو التالي. قدّرت منظمة METR مؤخرًا، بعد أحد عشر أسبوعًا من المراقبة داخل Anthropic المنافسة، أن استخدام الذكاء الاصطناعي هناك ضاعف وتيرة التطوير تقريبًا. وفي مطلع سبتمبر، أعلنت OpenAI في تقريرها الأول تحقيق هدفها المتمثل في متدرّب ذكاء اصطناعي مؤتمت للأبحاث. وحذّر كبير العلماء ياكوب باخوتسكي (Jakub Pachocki)، في النص المرافق، من خطر فقدان السيطرة، بعد تدقيق كشف عن ثغرات عديدة في منظومة الرقابة.
ماذا نفعل عمليًا؟ أولًا، قيسوا نسبة التعديلات المقبولة لا حجم تشغيل الوكلاء، فالرموز صارت تكلّف بمستوى الرواتب. ثانيًا، أسندوا إلى الوكلاء المراقبة والاستفسارات والمهام النمطية التي يقترب فيها النجاح من 70–80%. ثالثًا، أبقوا شيفرة البنية التحتية وبيئات التقييم واختيار اتجاهات البحث تحت مراجعة بشرية، وإلا فستحصلون على «AI slop» وحوسبة محروقة. ولا تنسوا مصدر البيانات: التقرير كتبته OpenAI نفسها، والاستطلاعات صغيرة وغير تمثيلية.
- 19 نوفمبر 2026إنفوستارت تربط Yandex Direct وYandex Metrica وWordstat بـ ChatGPT: 6 أوامر ووصول مشترك
- 19 نوفمبر 2026تقييم حصتي Amazon وGoogle في Anthropic بنحو 308 مليار دولار عند الطرح العام بسعر 83 دولارًا للسهم
- 19 نوفمبر 2026Gemini 4 Neon من Google تعمل بسرعة تبلغ ضعف Carbon تقريبًا وبتكلفة أقل بنسبة 17% للمهمة الواحدة
- 19 نوفمبر 2026«Смысл.ИИ»: بناء RAG وكيلي على مستندات الشركة باستخدام Kotlin دون Python
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كم يكلّف ذلك بالرموز؟
يستند الحساب إلى الأسعار المعلنة لـ API. كان الباحث المتوسط سيستهلك في أكتوبر رموزًا بقيمة $2400 يوميًا، أي بزيادة 62% عن الشهر السابق. أما لدى أكثر 10% من المستخدمين نشاطًا، فقد تضاعف هذا المبلغ النظري ليبلغ $23 000 يوميًا. ويعمل الوكلاء في الغالب على التواصل والشيفرة. وهناك أيضًا تحويل إلى وقت. فإذا جمعنا كل ما يفعله الوكلاء، يقابل كل باحث نحو 5.7 يوم عمل من ثماني ساعات في كل يوم تقويمي. وفي فرق ما قبل التدريب وما بعد التدريب للنماذج يبلغ الرقم نحو ثمانية.
ما أبرز التفاصيل حول أين ينجح الوكلاء وأين يخفقون؟
بين مارس وأكتوبر، ارتفعت النسبة التقديرية للمهام التي تستغرق 2–4 ساعات ويحلّها الوكيل بنفسه دون تدخل بشري من 23% إلى 46%. أما في المهام التي تستغرق 4–8 ساعات، فقد ارتفع المؤشر من 13% إلى 35%. ويُظهر التصنيف بحسب تصنيفية Epoch AI ميلًا نحو المهام البسيطة. فالوكلاء يراقبون عمليات التدريب بنجاح في 79% من الحالات، ويجيبون عن الأسئلة التقنية بمفردهم في 72%. لكن إنشاء بيئات لتقييم النماذج والتعلّم المعزَّز ينجح في 29% فقط من الحالات، وكتابة الشيفرة لأنظمة الاستدلال وخدمة النماذج في 25%.
ما أبرز التفاصيل حول ماذا يقول الباحثون أنفسهم؟
استطلاع شمل 101 موظف في OpenAI غير تمثيلي، لكنه دالّ. كانت الإجابة الوسيطة أن الباحثين يفضّلون التخلي عن 40% من كوادر فريقهم أو عن 30% من قدراتهم الحاسوبية على البقاء ثلاثة أشهر دون وكلاء البرمجة الحاليين. وفي استطلاع سريع منفصل شمل 28 شخصًا، فضّل 27 منهم أحدث نموذج داخلي على مهندس متوسط المستوى. وظهر الوجه الآخر في مقابلات مع عشرة باحثين. فبحسب قولهم، تفتقر النماذج إلى «الذوق»: فهي تميّز الفكرة العلمية القوية بصعوبة، ولا تستشعر جودة الشيفرة والبيانات.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.