---
id: "authored/58106212-7863-4a45-afb7-2ddd4513dba5"
title: "AI 연구 자동화와 가속을 읽는 자료: Anthropic, OpenAI, METR"
description: "연구 자동화 단계와 에이전트 사용량, METR의 가속 평가를 구분하고 나비에–스토크스 해법 발표의 검증 범위를 정리한다."
kind: "llm-wiki"
published: "2026-11-15T23:21:30.145Z"
updated: "2026-11-15T23:32:08.273Z"
tags: ["AI","머신러닝"]
url: "https://www.readiz.com/llm-wiki/ai-rd-automation-acceleration-evidence/"
markdownUrl: "https://www.readiz.com/llm-wiki/ai-rd-automation-acceleration-evidence/index.md"
generatedBy: "llm"
humanReviewed: false
wikiFolder: "개발·기술/AI"
folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI"
---

# AI 연구 자동화와 가속을 읽는 자료: Anthropic, OpenAI, METR

AI 연구 자동화를 읽을 때는 에이전트의 사용량, 작업을 맡는 수준, 모델의 개선 속도를 나누어 측정한다. 세 지표를 연결하면 AI가 연구 과정에 얼마나 들어왔는지와 실제 성과가 얼마나 빨라졌는지를 살펴볼 수 있다.

## Anthropic R\&D Automation Index

[Measurements for understanding the pace of AI development inside frontier labs](https://www.anthropic.com/institute/measuring-pace-of-ai-development)는 Anthropic 내부 연구개발 작업을 Epoch AI의 자동화 단계 AL0부터 AL5까지로 분류한다.

| 단계         | AI가 맡는 범위           | 사람의 역할         |
| ---------- | ------------------- | -------------- |
| AL3: 협업    | 큰 작업 단위를 수행         | 진행 과정에 긴밀하게 지시 |
| AL4: 주도    | 작업 대부분을 처음부터 끝까지 수행 | 상위 수준의 지시와 감독  |
| AL5: 완전 자율 | 사람의 개입 없이 수행        | 작업에 개입하지 않음    |

2026년 8월 측정에서 AL4는 26%, AL3 이상은 90%를 넘었고, 측정 대상의 AL5는 0%였다. 2월의 AL4 비중은 1% 미만이었다. 모델의 평가와 작업에 대한 사람 시간 가중치가 들어가는 자체 지수이므로, 다른 연구소와 비교하려면 분류와 가중치 방법을 맞춰야 한다.

![Anthropic 내부 모델 연구개발 작업의 자동화 수준별 월간 비중. AI 주도 단계는 2026년 8월 26%다.](https://www.readiz.com/assets/authored/58106212-7863-4a45-afb7-2ddd4513dba5/3ef66506-277c-418f-8ab2-a1cafa2d482e.webp)

*2025년 8월부터 2026년 8월까지의 자동화 수준별 비중. 세로 막대는 90% 측정 구간이며, AL4는 사람의 감독을 포함한다. [Anthropic 원본](https://www.anthropic.com/institute/measuring-pace-of-ai-development)*

## OpenAI의 에이전트 사용량

OpenAI가 2026년 9월 6일 공개한 [Research acceleration: The view inside OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/)는 연구 조직의 에이전트 투입과 업무 변화를 다룬다.

2026년 8월 중순 기준 연구 조직의 사용량 중앙값은 하루 600달러 이상, 사용량 90백분위는 하루 7,000달러 이상의 추론 토큰에 해당했다. 금액은 API 가격으로 환산한 사용량이다. 실제 내부 현금 비용, 연구자의 인건비 절감액, 연구 결과의 가치는 각각 별도 지표다.

![OpenAI 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량. 세로축은 달러이며 가로축에는 2026년 1월, 3월, 5월, 7월이 표시돼 있다.](https://www.readiz.com/assets/authored/58106212-7863-4a45-afb7-2ddd4513dba5/8256fa6b-4fb6-4ad7-bb97-d3e7c1081937.webp)

*[파텔 원문](https://www.dwarkesh.com/p/rsi) 첫 도표의 왼쪽 OpenAI 부분. 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량을 달러로 표시했다. 금액은 [OpenAI 발표](https://openai.com/index/research-acceleration-view-inside-openai/)의 API 가격 환산 기준.*

이 자료는 에이전트 활용이 늘어나는 정도를 파악할 때 쓴다. 성과를 비교하려면 실험 완료 수와 품질, 다음 모델에 통합된 개선, 전체 연구 주기의 변화까지 함께 확인한다.

## METR의 Anthropic 연구 가속 평가

METR의 [2026년 11월 5일 보고서](https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/)는 8월 12일부터 10월 29일까지 Anthropic 내부 자료에 접근해 진행한 평가를 설명한다.

평가에 참여한 다수 연구자는 2026년 10월 시점의 잘 정의된 과제에 대한 역량 개선 속도가 2024년 3월부터 2025년 10월까지의 약 두 배일 가능성이 높다고 판단했다. 그 판단에 영향을 준 AECI 추세의 가속 추정치는 1.9배, 95% 신뢰구간은 1.5배에서 2.8배였다.

이 수치는 연구소 전체 생산성을 직접 계량한 값과 구별한다. 평가 분포에 대한 과적합과 측정 방법의 영향, 계산 자원 등 다른 투입의 변화가 남아 있다. 보고서는 AI 활용이 가속의 상당 부분을 설명할 가능성이 높다고 평가하지만, AI만의 인과효과를 실험적으로 분리한 것으로 읽지는 않는다.

## 나비에–스토크스 발표를 인용하는 범위

[OpenAI의 2026년 9월 8일 발표](https://openai.com/index/navier-stokes-solution/)는 내부 모델 기반 에이전트가 나비에–스토크스 밀레니엄 문제의 공식 정식화 중 C와 D에 해당하는 해법을 만들었다고 설명한다. 최초 에이전트 실행은 9월 1일, 해법 도달은 9월 5일로 약 88시간이 걸렸고 Lean 형식화와 검증에 17시간이 추가됐다.

연구진이 중간 결과를 보고 자원을 재배치하고 그룹 사이의 성과를 연결했다. 따라서 사람의 개입 수준을 함께 적어야 자율 연구 능력을 정확히 설명할 수 있다.

[클레이 수학연구소의 9월 11일 발표](https://www.claymath.org/news/navier-stokes-announcement/)는 해법이 나온 것으로 보인다는 소식을 환영하며 성과의 평가와 공로 인정 절차를 설명했다. [상의 규칙](https://www.claymath.org/millennium-problems/rules/)은 적격 매체 출판, 출판 후 최소 2년 경과, 수학계의 일반적 수용을 심사 선행 조건으로 둔다. 해법 발표와 형식 검증을 밀레니엄 상의 공식 수상으로 바꾸어 인용하지 않는다.

## 재귀적 자기 개선 전망과 연결하기

Dwarkesh Patel의 [The avalanche that hit math is coming for AI development](https://www.dwarkesh.com/p/rsi)는 2026년 11월 13일 표기의 전망 에세이다. AI 연구 자동화가 더 좋은 모델을 만들고, 그 모델이 다음 연구를 가속하는 재귀적 자기 개선을 논한다. 연구 자동화의 관측 자료와 향후 초지능 시점에 대한 저자의 예측은 구분해 인용한다.

대리 지표를 이용한 연구에서는 고정된 계산량에서의 평가 성능, 목표 성능까지 필요한 학습량, 추론 지연과 메모리를 측정할 수 있다. 비교 조건에 대한 세부 자료는 [AI 서빙의 지연과 용량](https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/)과 [루프 트랜스포머의 효율 비교](https://www.readiz.com/llm-wiki/looped-transformers-recurrent-depth-source-guide/)를 참고한다.

관측값을 갱신할 때는 발표일과 실제 관측 기간, 자동화 단계의 정의, 사람의 개입, 계산 자원과 평가 조건을 함께 남긴다. 이 정보가 있어야 연구 투입의 증가와 연구 결과의 가속을 같은 흐름 안에서 비교할 수 있다.

---

> LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다.
