Tapio Pitkäranta & Leena Pitkäranta · Aalto-yliopisto · 2026
Agentic Discovery & Agentic Engineering
Miten tekoälyagentit muuttavat ohjelmistokehityksen elinkaaren: kun rakentaminen halpenee, perinteinen kuusivaiheinen SDLC tiivistyy kahdeksi vaiheeksi.
Agentic Discovery
oppimisnopeus · ajettava probe oikean ongelman löytämiseksi
Tutkii, miten johtajien ja tiimien kognitiiviset vinoumat ja tunteet ohjaavat strategisia päätöksiä ja muutoksia, kuten tekoälyn käyttöönottoa. Julkaissut mm. Strategic Management Journalissa ja Academy of Management Annalsissa; kuusi kansainvälistä SMS- ja AoM-palkintoa.
Kuva: Pitkäranta & Pitkäranta 2026. Kypsyystasot ovat kvalitatiivinen arvio, eivät mittaus; vaiheiden alla olevat tutkimukset ankkuroivat arvion (napauta nimeä).
Agentic Discovery paperin §2
Ongelma ja ratkaisu yhteisenä hakuna
Etsi molempia yhtä aikaa
Ongelmaa ei lyödä lukkoon ennen ratkaisua. Discovery etsii oikeaa ongelmaa ja sopivaa ratkaisua samanaikaisesti.
Opi probesta
Sidosryhmä käyttää probea, ja hänen palautteensa kertoo, mikä ongelma todella on.
Rakentaminen on nyt halpaa
Agenttien ansiosta proben rakentaminen maksaa yhtä vähän kuin ongelman kuvaaminen, joten kannattaa rakentaa oppiakseen.
Lähteet
Johdanto
Agentic Discovery & Engineering kokonaiskuva
Kaksitoista kerrosta: agentit löytävät, rakentavat ja ajavat
Lähteet
Johdanto
Ajankäyttö havainnollistus, ei mittaus
Koodaus kutistuu, ongelma ja validointi kasvavat
Perinteinen SDLC
Suurin osa ajasta kuluu koodin kirjoittamiseen.
Vaatimukset
Design
Koodaus
Testaus
Validointi
Julkaisu
Agenttinen SDLC
Aika siirtyy ongelman löytämiseen ja validointiin.
probet · ongelman muotoilu
Agentic Discovery
AGENTIT RINNAKKAIN
Design · koodaus · testaus
ihmisportit · V(s)
Validointi
Julkaisu
AGENTIC DISCOVERY
AGENTIC ENGINEERING
Palikan koko kuvaa ihmisen huomion painopistettä. Kun agentit tekevät designin, koodin ja testit rinnakkain, ihmisen työ siirtyy kahteen päähän: oikean ongelman löytämiseen probeilla (Agentic Discovery) ja tuloksen validointiin porteilla (Agentic Engineering).
Lähteet
Johdanto
Väliosio · lokakuu 2026
AI-katsaus: missä olemme nyt
Benchmarkit, agentit ja havainnot vuodelta 2026: mitä mittarit sanovat, missä ne loppuvat kesken ja mitä se tarkoittaa agenttiselle tuotekehitykselle.
Luvut tarkistettu primäärilähteistä 12.10.2026; toimittajien omat ilmoitukset merkitty.
AI-katsaus
Tekoälykatsaus kehitys arjessa
Jos katsot tekoälyä avoimin mielin, kuin lapsi
Lapset eivät kysy, mitä tekoäly ei osaa. He tekevät sillä asioita.
2023 4-vuotias tekee iltasatuja tekoälyn kanssa
2025 8-vuotias luo 3D-pelin tunneissa
2026 11-vuotias perustaa pelifirman
AI-katsaus
METR sama data lineaarisella asteikolla
Lineaarisesti katsottuna lähes kaikki kasvu on viimeisen vuoden aikana
Edellisen kalvon logaritminen asteikko näyttää tasaisen tuplaantumisen suorana. Lineaarisella asteikolla sama eksponentti näkyy jääkiekkomailana: vuoteen 2024 asti kaikki mallit jäivät alle tunnin, keväällä 2026 kärki ohitti 16 tunnin mittauskaton. Pystyviivat ovat METR:n luottamusvälejä; nuoli ylös = väli jatkuu kuvan yli.
Lähteet
AI-katsaus
Tekoälykatsaus kehitysvauhti
Koskeeko tekoälymuutos lähinnä ohjelmointia?
YouTube-hakutuloksia: vasemmalla artistin virallinen video, oikealla tekoälyn tekemä lip sync -cover (#aimusic).
Ei.
Kokeile illalla
Hae YouTubesta suosikkiartistisi nimellä ja tunnisteella #aimusic. Tekoälymusiikki on jo arkea luovalla alalla.
Sama pätee tietotyöhön
Seuraava kalvo: tekoälyn tulokset todellisissa asiantuntijatehtävissä 44 ammatissa.
AI-katsaus
OpenAI · Google DeepMind tutkimustason matematiikka 7/2024 → 10/2026
Matematiikka: aitoja läpimurtoja ja vetäytymisiä samassa vuodessa
Mikä muuttui: 5/2026 tekoäly ratkaisi ensimmäistä kertaa alan keskeisen avoimen ongelman, ja tulos kesti ihmisten tarkistuksen. FrontierMath taso 4: 31 % → lähes 100 % vuoden 2026 aikana.
Mikä ei muuttunut: väitetty raja nousee nopeammin kuin todennettu. Tarkistus on pullonkaula: ”no human has read it, and no human is going to read it” (Bloom).
Lähteet
AI-katsaus
OpenAI GDPval 9/2025 → 4/2026
Asiantuntijatyö: 12 %:sta yli 80 %:iin puolessatoista vuodessa
Ensimmäisenä 50 %:n yli meni Claude Sonnet 4.5 (9/2025). Mittari jäätyi huhtikuussa 2026: GPT-5.5:n jälkeen yksikään uusi malli (GPT-5.6, GPT-6, Claude Opus 5.x) ei ole raportoinut alkuperäistä voitto-tai-tasapeli-lukua. Varaukset: tehtävät ovat tarkasti määriteltyjä ja kertaluonteisia; arvioijien yksimielisyys noin 71 %; vuoden 2026 luvut ovat OpenAI:n omia; vaikeammalla GDPval+:lla kärki on noin 22 %.
Seuraaja: GDPval-AA (9/2026)
Riippumaton uusinta samoilla 220 tehtävällä: agenttiympäristö, kielimallituomari, Elo-pisteet. Kärjessä Claude Opus 5.5: 1866 ±26 Elo. Elo ja prosentti eivät ole samaa asteikkoa, ja asteikkoa on uudistettu kolmesti, joten lukua ei voi piirtää yllä olevaan kaavioon.
Lähteet
AI-katsaus
Benchmarkien saturaatio kärkitulokset 10/2026 · napauta testin nimeä
Vaikeimmatkin testit lähestyvät kattoa
Vuoden 2025 ”vaikeimmat”
ARC-AGI-2, FrontierMath ja HLE olivat vuoden 2025 kovimpia testejä; nyt kaksi niistä on yli 90 %:ssa.
Harness taas
ARC-AGI-3: sama malli 62,7 % vakio-harnessilla ja 99,9 % toisella. Pelkkä mallin nimi ei kerro tulosta.
Seuraus
Uudet mittarit siirtyvät todelliseen työhön ja pitkiin tehtäviin (GDPval, Terminal-Bench, METR:n Expenditure Horizon).
Lähteet
AI-katsaus
Epoch AI Epoch Capabilities Index · paras malli kunakin hetkenä
Avoimet mallit seuraavat muutaman kuukauden viiveellä
Avoimen kärjen muodostavat kiinalaiset mallit (DeepSeek, Qwen, Kimi, GLM); parhaat länsimaiset avoimet (gpt-oss, Llama 4) ovat 17–24 pistettä jäljessä. Artificial Analysis -indeksillä ero kapeni vuodessa noin 13 pisteestä 3–6 pisteeseen, mutta vaikeimmissa agenttitehtävissä se on yhä noin 15 pistettä.
Lähteet
AI-katsaus
Kyselyt ja PR-data Stack Overflow · JetBrains · MSR 2026
Koodausagentit ovat jo arkea, ja Claude Code johtaa käytössä
Käyttö töissä
JetBrains (yli 15 000 kehittäjää, 5–7/2026): 90 % käyttää koodausagentteja töissä viikoittain, 68 % päivittäin. Claude Code 18 % → 39 % ja Codex 3 % → 16 % puolessa vuodessa; Cursor 18 % → 12 %.
Kyselyt mittaavat käyttöä, eivät laatua; PR-hyväksyntä sekoittaa agentin laadun ja käyttötavan.
Lähteet
AI-katsaus
Osa 0
Agentic Discovery & Engineering: paperin teoriat, kuvat ja tulokset
Pitkäranta & Pitkäranta (Aalto, 2026). Kaksivaiheinen SDLC, Probe, 12 formaalia kehystä, 33 traditiota ja 69 proben kenttäaineisto. Kaikki muut osat peilataan tähän kehykseen.
Lähteet
Agentic Discovery -paperi
Paperin kuva 2 · 8 traditiota §2.1
Raja ongelma- ja ratkaisualueen välillä muuttuu läpäiseväksi
Kaikkien näiden kuvien piilotettu oletus on, että ongelma voidaan ymmärtää ennen kuin artefaktia on olemassa.
Lähteet
Agentic Discovery -paperi
Paperin kuva 3 · 7 traditiota §2.2
Virhe ylimmällä tasolla maksaa eniten: luotaa jokainen taso
Visio on halpa muuttaa, mutta kallis ajautua harhaan, koska virhe kaskadoituu alas. Ominaisuus on kallis muuttaa, mutta harhautuminen jää paikalliseksi. Probe testaa jokaista korkeutta.
Lähteet
Agentic Discovery -paperi
Paperin kuva 5 · 12 mallia §2.4
Roycen vesiputous agenttisella kerroksella
Royce (1970): puhdas sekvenssi ”on riskialtis ja kutsuu epäonnistumista”.
Lähteet
Agentic Discovery -paperi
Ydinväite paperin tiivistelmä ja §4
PDLC tiivistyy kahteen vaiheeseen
Agentic Discovery
Agentic Engineering
Optimoi
oppimisnopeutta
tuotantoluotettavuutta
Tuotos
kertakäyttöinen probe
tuotantotason koodi
Speksi
poimitaan probesta
syöte
Sykli
minuutteja–tunteja
päiviä–sprinttejä
Lähteet
Lähde: Agentic Discovery -paperi · talk-deck
Osio
Agenttinen Luotain
Agentic Discoveryn instrumentti: agentin sidosryhmän omista sanoista rakentama, ajettava ja kertakäyttöinen luotain ongelma-avaruuteen. Mitä se on, miksi se pitää ajaa eikä lukea, ja miten se oppii ongelmasta.
Lähteet
Agenttinen Luotain
Määritelmä paperin §3.1 · editio 13.10.2026
Probe: luotain ongelma-avaruuteen
“Probe on sidosryhmän itse ajettavissa oleva ilmentymä ehdokasratkaisusta ilmaistuun kipuun. Se on tarkoituksella kertakäyttöinen: sen tehtävä on vahvistaa tai kumota kipu, ei olla tuotantovalmis.”
Luotain selvittää reunaehdot ulkoa sisään, sisältä ulos tai välistä
Ulkoa sisään
Aloitetaan uudesta AI-prosessista ulkokehällä. Probe näyttää, mitä integraatioita ja ytimen osia oikeasti tarvitaan.
Välistä
Aloitetaan integraatiokerroksesta (API:t, liittimet). Luotain testaa, mitä voi muuttaa koskematta ytimeen.
Sisältä ulos
Haastatellaan ja heijastetaan nykyprosessi simulaationa ytimestä. Polut ulkokehälle ehdotetaan sen pohjalta; säännellyissä ympäristöissä tämä helpottaa käyttöönottoa.
Reunaehto on osa, jota ei voi tai kannata muuttaa: legacy-IT, sääntely, data. Luotain kertoo, mitkä reunaehdot ovat todellisia, eli mitkä osat säästetään ja mistä voidaan luopua. Epäonnistunut probe maksaa vain ulkokehällä.
Lähteet
Agenttinen Luotain
Kirjallisuuskatsaus · lokakuu 2026
Agentic Search & Agentic Information Retrieval
Miten käsite määritellään akateemisissa lähteissä: määritelmät, formaalit mallit ja taksonomiat noin 35 lähteestä.
Zhang ym. 2024 · Huang ym. 2025 · Xi ym. 2025 · Lin ym. 2025 · Shi ym. 2025 · Search-R1 · ReAct · …
Lähteet
Agentic Search -määritelmät
Käsitekartta tämän kalvosarjan synteesi
Agentic Study ⊃ Agentic Analysis ⊃ Agentic Search
Jokainen ulompi kerros kutsuu sisempää aliohjelmana ja päättää itse, milloin kutsua uudelleen. Kerrokset vastaavat Marchioninin (2006) kolmea hakutoimintaa ja PRISMA 2020 -katsauksen vaiheita; kerrosjako on oma synteesimme, ei yksittäisen lähteen termistöä.
Päättää monivaiheisesti, milloin, mitä, mistä ja miten haetaan ja milloin lopetetaan.
evidenssi E
Lookup
I · Agentic Search
Plan · Act · Reflect
tunnistus
Agentic Analysis
Arvioi, poimii, vertaa ja yhdistää haun tulokset; voi hakea lisää, jos evidenssi ei riitä.
löydökset F + provenienssi
Learn
I:n ”extracting” + II:n synteesi
Select · Generate
seulonta, arviointi
Agentic Study
Muotoilee alakysymykset qi, ajaa monta haku- ja analyysikierrosta budjetissa B, syntetisoi ja raportoi.
raportti R
Investigate
II Integrated Research · III AI Scientist
koko silmukka toistuvana
synteesi, raportointi
Rajat. Search ↔ Analysis: muuttaako askel evidenssijoukkoa E (haku) vai tulkintaa F (analyysi)? Analysis ↔ Study: onko kysymys annettu (analyysi) vai muotoileeko agentti itse alakysymykset ja raportin (study)? Shi ym. eivät erottele analyysia omaksi vaiheekseen; se on tämän synteesin lisäys.
Lähteet
Agentic Search · Johdanto
Osio
Agentic Discovery: kokeet
Mitä teimme ja mitä mittasimme: tutkimusasetelma (DSRM), istuntoprotokolla, kahdeksan kenttätapahtumaa kahdessa organisaatiossa (Kokeilu A, 69 probea) ja prosessisimulaatiot terveydenhuollossa (Kokeilu B).
Lähteet
Kokeet
Käytännössä istunto · kokeilut · mittarit
Kipu sisään, ajettava probe ulos, minuuteissa
Yksi istuntokierros
1Dreamer
Kerro kipu tai idea
Työntekijä kertoo omin sanoin, mikä työssä hiertää tai mitä hän toivoisi. Keskimäärin noin 34 sanaa.
→
2Orchestrator
Muotoile ja tarkista
Tutkija muotoilee toiveen agentille, tarkistaa sen turvallisuuden ja pitää jonon järjestyksessä.
→
3Agentti
Rakenna ja julkaise
Claude Code rakentaa toimivan proben ja julkaisee sen omaan osoitteeseensa. Minuutteja, ruuhkassa noin 1,7 min / probe.
→
4Dreamer
Käytä ja anna palautetta
Kokeilija avaa proben omalla laitteellaan heti salissa. Palaute on operatiivista (”tallennus kahdesti ei toimi”), ja seuraava kierros alkaa.
Kokeilu A · kenttä
8 tapahtumaa neljässä viikossa: kiertue organisaation A seitsemässä toimipisteessä (49 probea) ja yhden päivän työpaja organisaatiossa B (20 probea). Yhteensä 69 probea ja noin 142 000 riviä koodia.
Mitä mittasimme
Aika ensimmäiseen probeen (minuutteja), julkaistavuus (69/69), speksistä koodiin (1 : 56), paluu (7/8 toimipistettä), turvallisuus (0 poikkeamaa) ja missä pullonkaula on.
Tutkimusasetelma on design science (DSRM): rakensimme toimintatavan, kokeilimme sitä aidoissa organisaatioissa ja arvioimme sitä ennalta asetettuja tavoitteita vasten. Yksityiskohdat ovat seuraavilla kalvoilla.
Lähteet
Kokeet
Kokeilu A 8 tapahtumaa aikajärjestyksessä · §6.1 · §7.4
Neljässä viikossa 69 probea ja noin 142 000 riviä koodia
Palkki = tapahtuman probet, yhtenäinen viiva = probejen kertymä, katkoviiva = generoidun koodin kertymä (kLOC). Ympyrä = kalenterikutsun saaneet (yhteensä noin 310; kutsuttu ei ole sama kuin paikalla ollut: T8:ssa salissa oli noin 50). Kaksi suurinta tapahtumaa tuottivat 46 probea 69:stä.
Lähteet
Kokeet
Pullonkaulan siirtymä C5 · §6.5 · §7.4
Pullonkaulasta eroon orkestroidulla Agentic Engineeringillä
Tapahtumat 1–4
2–4 rinnakkaista pyyntöä, ja kaikki rakennettiin livenä. Rajoite oli tuotantokapasiteetti.
Tapahtuma 5
7 pyyntöä, jolloin Orchestratorista tuli pullonkaula.
Suurimmat
Noin 100 kutsuttua. Org B: 18/20 probea 31 minuutissa. Rajoitteena on ideoiden tarjonta ja validointi.
Työajan nopeutuskerroin noin 570× (10× laatualennuksella 37–65×). Perinteinen arvio noin 2 370 henkilötyöpäivää vs. noin 33 h promptien kirjoittamista.
Lähteet
Kokeet
Paperin kuva 8 §3.4 · §5
Dreamer, Orchestrator, Agent ja kaksi turvaporttia
Dreamer: sidosryhmä, luonnollinen kieli tai ääni · Orchestrator: muotoilee pyynnön, turvaportti S ja kuratointi (roolin ohittaminen on antipattern) · AI Agent: oma tarkistus (portti AS, AGENT_SAFETY.md), rakentaminen, julkaisu ja raportointi. 0 turvallisuuspoikkeamaa 69 generoinnissa.
Suuntasimme menetelmän Suomen julkiseen terveydenhuoltoon. Agenttinen haku ja analyysi rakensivat syötteen, ja syötteestä generoitiin yksi probe jokaista simulaatiota kohden: 173 nykytilan ja tekoälyversion simulaatiota.
Terveydenhuolto
Menetelmä haku · analyysi · probet
Agenttisesta hausta 173 probeen yhdessä yössä
Ensimmäinen kokonainen versio valmistui noin kahdessa tunnissa ja lopullinen täydennyksineen ja verifiointeineen noin seitsemässä (12.–13.10.2026). Kerrokset vastaavat Agentic Search -osion käsitekarttaa.
Tuttu vaiva, tuttu lääke, silti neljä päivää ja 250 €
1
Kaksi odotusta
vastaanotto ja laboratoriotulokset, kumpikin 1–2 päivää; potilas sairaana koko ajan.
2
Lääkäri aloittaa alusta
aiemmat keuhkoputkentulehdukset, astmadiagnoosi ja hoitovaste ovat jo tiedossa, mutta niitä ei käytetä valmisteluun.
3
Hinta rutiinista
250 € (lääkäri 160 €, laboratorio 90 €) työnantajalle asiasta, jonka hoito on joka kerta sama.
≈ 4 pv
kokonaiskesto
250 €
kustannus
5
ihmisen tekemää vaihetta
0
vaihetta, joissa historia valmistelee
Lähteet
Terveydenhuolto
Simulaatio · mahdollinen tulevaisuus s* sama potilas, rajoitteet höllennetty
Täysin agenttisena: 42 minuuttia ja 40 €, potilaalle kaksi käyntiä
Mitä höllennettiin (κ → s*)
Sääntely: CE-merkitty ohjelmistoagentti (lääkinnällinen laite) saa uusia reseptin tunnetussa, diagnosoidussa vaivassa. Data: Kanta-historia on agentin käytössä ennen keskustelua. Laskutus: Kelan agenttipalvelu ja julkinen laboratorio sektorirajan yli. Turvaportti: sertifioitu laadunvarmistus auditoi jokaisen päätöksen; poikkeama ohjaa lääkärille.
≈ 4 pv → 42 min
kokonaiskesto
250 € → 40 €
kustannus
Tämä on mahdollinen tulevaisuus, ei nykyinen käytäntö: Suomessa reseptin uusii tänään lääkäri, ei ohjelmistoagentti. Juuri siksi se on probe: sidosryhmä näkee, mitkä rajoitteet κ ovat todellisia ja mitä niiden höllentäminen arvoltaan V(p; s₀) tuottaisi.
Lähteet
Terveydenhuolto
Mittarit mitä agentit tekivät
Agenttinen haku numeroina
129
ala-agenttia käynnistetty, enintään 20 rinnakkain
~970
lähdettä luettu; 924 päätyi viitteiksi
6 589
sanatarkkaa lainausta lukujen tueksi
~4 400
datapistettä luokiteltu A–E
~710
korjausta kolmessa verifiointikierroksessa
~7 h
alusta valmiiseen; ensimmäinen versio ~2 h
Suurin aukko näkyy alimmassa palkissa: nykytilan kestot ovat pääosin harkintaa. Juuri tämän tiedon ongelmaa validoiva probe hakee ihmisiltä.
Lähteet
Terveydenhuolto
Osio
Yhteenveto
Kalvosarjan sisältö kahdella kalvolla: mitä väitämme, millä näytöllä, ja mitä se tarkoittaa tuotekehitykselle.
Yhteenveto
Yhteenveto 1/2 tilanne · väite · instrumentti · näyttö · moottori
Rakentaminen halpeni, joten oikean ongelman löytäminen on uusi pullonkaula
1
Tilanne
Agenttinen aalto syttyi koodin kirjoittamisesta. Alavirran Agentic Engineering vakiintuu nopeasti: koodausagentit ovat arkea, ja katselmointi, testaus ja julkaisu seuraavat. Ylävirran Agentic Discovery on vähiten vakiintunut, ja siinä on eniten tutkittavaa.
2
Ydinväite
Kun toteuttaminen halpenee, SDLC tiivistyy kahteen vaiheeseen: Agentic Discovery löytää oikean ongelman (oppimisnopeus) ja Agentic Engineering rakentaa sen oikein (tuotantoluotettavuus). Niiden välinen sauma on validoitu speksi.
3
Instrumentti
Agenttinen luotain (probe) on ajettava, kertakäyttöinen luotain ongelma-avaruuteen: ongelmaa validoiva tai ratkaisua ehdottava. Se pitää ajaa, ei lukea, ja se paljastaa myös reunaehdot.
4
Näyttö
8 kenttätapahtumaa, 2 organisaatiota, 69 probea ja noin 142 000 riviä koodia neljässä viikossa. Intentiosta koodiin keskimäärin 1 : 56 (enintään 1 : 467). Pullonkaula siirtyi tuotannosta orkestrointiin ja sitten ideoiden tarjontaan ja validointiin.
5
Moottori
Discovery on agenttista hakua avaruudessa 𝒫 × 𝒮. Agentic Search ⊂ Analysis ⊂ Study; ihminen toimii kysy–toimi-porttina, ja autonomia on suunnitteluvalinta, ei kyvykkyys.
Associate Professor, Industrial Engineering and Management, Aalto
Studies how leaders’ and teams’ cognitive biases and emotions shape strategic decisions and change such as AI adoption. Published in e.g. Strategic Management Journal and Academy of Management Annals; six international SMS and AoM awards.
Figure: Pitkäranta & Pitkäranta 2026. Maturity levels are a qualitative estimate, not a measurement; the studies under the phases anchor it (tap a name).
Agentic Discovery paper §2
Problem and solution as a joint search
Search both at once
The problem is not fixed before the solution. Discovery looks for the right problem and a fitting solution at the same time.
Learn from the probe
A stakeholder uses the probe, and their feedback shows what the problem really is.
Building is now cheap
With agents, building a probe costs about as much as describing the problem, so it pays to build in order to learn.
Sources
Introduction
Agentic Discovery & Engineering the whole picture
Twelve layers: agents discover, build and run
Sources
Introduction
Time allocation illustrative, not measured
Coding shrinks; the problem and validation grow
Traditional SDLC
Most of the time is spent writing code.
Reqs
Design
Coding
Testing
Validation
Deploy
Agentic SDLC
Time shifts to finding the problem and validating.
probes · problem framing
Agentic Discovery
AGENTS IN PARALLEL
Design · coding · testing
human gates · V(s)
Validation
Deploy
AGENTIC DISCOVERY
AGENTIC ENGINEERING
Block size shows where human attention goes. When agents do design, code and tests in parallel, human work moves to the two ends: finding the right problem with probes (Agentic Discovery) and validating the result at gates (Agentic Engineering).
Sources
Introduction
Interlude · October 2026
AI status: where we are now
Benchmarks, agents and observations from 2026: what the yardsticks say, where they run out, and what that means for agentic product development.
Figures checked against primary sources on 12 Oct 2026; vendor self-reports are marked.
AI status
AI overview progress in everyday life
Look at AI with an open mind, like a child
Children do not ask what AI cannot do. They make things with it.
2023 a 4-year-old makes bedtime stories with AI
2025 an 8-year-old builds a 3D game in hours
2026 an 11-year-old founds a game studio
AI status
METR the same data on a linear scale
Software engineering: On a linear scale, almost all the growth is in the last year
The previous slide’s log scale shows steady doubling as a straight line. On a linear scale the same exponential is a hockey stick: until 2024 every model stayed under an hour; in spring 2026 the frontier passed the 16-hour measurement ceiling. Vertical bars are METR’s confidence intervals; an arrow up = the interval continues beyond the chart.
Sources
AI status
AI overview pace of progress
Is the AI shift mostly about programming?
YouTube results: left, the artist’s official video; right, an AI-made lip-sync cover (#aimusic).
No.
Try it tonight
Search YouTube for your favourite artist with the tag #aimusic. AI music is already everyday in the creative industries.
The same holds for knowledge work
Next slide: AI results on real expert tasks across 44 occupations.
AI status
OpenAI · Google DeepMind research-level mathematics 7/2024 → 10/2026
Mathematics: genuine breakthroughs and retractions in the same year
What changed: 5/2026 AI for the first time solved a central open problem of a field, and it survived human verification. FrontierMath Tier 4: 31% → nearly 100% during 2026.
What did not change: the claimed frontier rises faster than the verified one. Verification is the bottleneck: “no human has read it, and no human is going to read it” (Bloom).
Sources
AI status
OpenAI GDPval 9/2025 → 4/2026
Expert work: from 12% to over 80% in eighteen months
Claude Sonnet 4.5 was first above 50% (9/2025). The metric froze in April 2026: after GPT-5.5 no new model (GPT-5.6, GPT-6, Claude Opus 5.x) has reported the original win-or-tie figure. Caveats: tasks are precisely specified and one-shot; grader agreement about 71%; 2026 numbers are OpenAI’s own; on the harder GDPval+ the top is about 22%.
Successor: GDPval-AA (9/2026)
An independent re-run of the same 220 tasks: agentic harness, LLM judge, Elo scores. Leader Claude Opus 5.5: 1866 ±26 Elo. Elo and percentage are different scales, and the scale has been re-anchored three times, so it cannot be drawn on the chart above.
Sources
AI status
Benchmark saturation top scores 10/2026 · tap a test name
Even the hardest tests are nearing the ceiling
The “hardest” of 2025
ARC-AGI-2, FrontierMath and HLE were the toughest tests of 2025; two are now above 90%.
The harness again
ARC-AGI-3: the same model scores 62.7% with the standard harness and 99.9% with another. A model name alone does not tell the result.
Consequence
New yardsticks move to real work and long tasks (GDPval, Terminal-Bench, METR’s Expenditure Horizon).
Sources
AI status
Epoch AI Epoch Capabilities Index · best model at each date
Open-weight models follow a few months behind
The open frontier is Chinese (DeepSeek, Qwen, Kimi, GLM); the best Western open models (gpt-oss, Llama 4) are 17–24 points behind. On the Artificial Analysis index the gap shrank in a year from about 13 to 3–6 points, but on the hardest agentic evals it is still about 15.
Sources
AI status
Surveys and PR data Stack Overflow · JetBrains · MSR 2026
Coding agents are everyday work, and Claude Code leads in use
Use at work
JetBrains (15,000+ developers, 5–7/2026): 90% use coding agents at work weekly, 68% daily. Claude Code 18% → 39% and Codex 3% → 16% in half a year; Cursor 18% → 12%.
Is the agent’s PR accepted?
MSR 2026, 7,156 PRs (2025 data): Codex 77.9%, Cursor 74.5%, Claude Code 71.9%, Copilot 68.0%, Devin 61.6%. Human PRs in popular repos 76.8%.
Surveys measure use, not quality; PR acceptance mixes agent quality with how the agent is used.
Sources
AI status
Part 0
Agentic Discovery & Engineering: the paper’s theories, figures and results
Pitkäranta & Pitkäranta (Aalto, 2026). Two-phase SDLC, the Probe, 12 formal frames, 33 traditions and a 69-probe field corpus. Every other part maps onto this frame.
Sources
Agentic Discovery paper
Paper Fig. 2 · 8 traditions §2.1
The seam between problem and solution domain becomes permeable
Hidden premise of all these visuals: the problem can be understood before any artefact exists.
Sources
Agentic Discovery paper
Paper Fig. 3 · 7 traditions §2.2
Mistakes at the top cost the most: probe every layer
Vision: cheap to change, expensive to misalign (cascades). Feature: expensive to change, misalignment stays local. A probe tests every altitude.
Sources
Agentic Discovery paper
Paper Fig. 5 · 12 models §2.4
Royce’s waterfall with an agentic overlay
Royce (1970): pure sequence “is risky and invites failure”.
Sources
Agentic Discovery paper
Core thesis abstract and §4
The PDLC collapses into two phases
Agentic Discovery
Agentic Engineering
Optimises
learning velocity
production reliability
Output
throwaway-grade probe
production-grade code
Spec
extracted from the probe
an input
Cycle
minutes–hours
days–sprints
Sources
Source: Agentic Discovery paper · talk-deck
Section
Agentic Probe
The instrument of Agentic Discovery: a runnable, throwaway probe into the problem space, built by an agent from the stakeholder’s own words. What it is, why it must be run rather than read, and how it learns about the problem.
Sources
Agentic Probe
Definition paper §3.1 · edition 2026-10-13
The Probe: a sounding into the problem space
“A Probe is a stakeholder-runnable instance of a candidate solution to a stated pain. It is throwaway-grade by design --- its job is to validate or falsify the pain, not to be production-ready.”
Forms
working software · process simulation · walkable future scenario · mixed renderable
Sources
Agentic Probe
Paper Fig. 1 §3.2
Problem-validating and solution-proposing probes
Sources
Agentic Probe
Paper Fig. 6 §3.3 · §6.8
The probe maps constraints outside-in, inside-out or in between
Outside-in
Start with a new AI process in the outer ring. The probe shows which integrations and core parts are really needed.
Middle-out
Start from the integration layer (APIs, connectors). The probe tests what can change without touching the core.
Inside-out
Interview and reflect the current process as a simulation of the core, then propose paths outward; in regulated settings this eases adoption.
A constraint is a part that cannot or should not change: legacy IT, regulation, data. The probe reveals which constraints are real, i.e. which parts to keep and which to let go. A failed probe costs only in the outer ring.
Sources
Agentic Probe
Literature review · October 2026
Agentic Search & Agentic Information Retrieval
How the concept is defined in the academic literature
Zhang et al. 2024 · Huang et al. 2025 · Xi et al. 2025 · Lin et al. 2025 · Shi et al. 2025 · Search-R1 · ReAct · …
Sources
Defining Agentic Search
Concept map this deck’s synthesis
Agentic Study ⊃ Agentic Analysis ⊃ Agentic Search
Each outer layer calls the inner one as a subroutine and decides itself when to call it again. The layers match Marchionini’s (2006) three search activities and the PRISMA 2020 review stages; the layering is our synthesis, not any single source’s terminology.
Decides over many steps when, what, where and how to search, and when to stop.
evidence E
Lookup
I · Agentic Search
Plan · Act · Reflect
identification
Agentic Analysis
Appraises, extracts, compares and combines search results; may search again if evidence is insufficient.
findings F + provenance
Learn
I “extracting” + II synthesis
Select · Generate
screening, appraisal
Agentic Study
Poses sub-questions qi, runs many search and analysis rounds within budget B, synthesises and reports.
report R
Investigate
II Integrated Research · III AI Scientist
the whole loop, repeated
synthesis, reporting
Boundaries. Search ↔ Analysis: does a step change the evidence set E (search) or the interpretation F (analysis)? Analysis ↔ Study: is the question given (analysis) or does the agent pose its own sub-questions and report (study)? Shi et al. do not separate analysis as a phase; that is this synthesis’s addition.
Sources
Agentic Search · Introduction
Section
Agentic Discovery: experiments
What we did and what we measured: the research design (DSRM), the session protocol, eight field engagements with two organisations (Experiment A, 69 probes) and process simulations in healthcare (Experiment B).
Sources
Experiments
In practice session · experiments · measures
A pain in, a runnable probe out, in minutes
One session round
1Dreamer
State a pain or an idea
An employee says in their own words what hurts in their work or what they wish for. About 34 words on average.
→
2Orchestrator
Shape and check
The researcher turns the wish into a prompt, checks it is safe and keeps the queue in order.
→
3Agent
Build and deploy
Claude Code builds a working probe and deploys it to its own URL. Minutes; about 1.7 min per probe in a burst.
→
4Dreamer
Use it and react
The stakeholder opens the probe on their own device in the room. Feedback is operational (“save twice fails”), and the next round starts.
Experiment A · field
8 engagements in four weeks: a tour of Organisation A’s seven offices (49 probes) and a one-day workshop at Organisation B (20 probes). 69 probes and ~142,000 lines of code in total.
What we measured
Time to first probe (minutes), deployability (69/69), spec to code (1 : 56), re-engagement (7/8 sites), safety (0 incidents) and where the bottleneck sits.
The research design is design science (DSRM): we built the way of working, tried it in real organisations and evaluated it against objectives set in advance. Details on the following slides.
Sources
Experiments
Experiment A 8 engagements in calendar order · §6.1 · §7.4
69 probes and ~142,000 lines of code in four weeks
Bar = probes per engagement, solid line = cumulative probes, dashed line = cumulative generated code (kLOC). Circle = people invited (≈ 310 in total; invited is not attended: about 50 were in the room at T8). The two largest engagements produced 46 of the 69 probes.
Sources
Experiments
Bottleneck shift C5 · §6.5 · §7.4
Getting rid of the bottleneck with orchestrated agentic engineering
Events 1–4
2–4 parallel requests, all built live: production capacity binds.
Event 5
7 requests: the Orchestrator becomes the bottleneck.
Largest
~100 invited; Org B 18/20 probes in 31 min: idea supply and validation bind.
Speed multiplier ~570× on work time (37–65× with a 10× quality discount); ~2,370 person-days traditional vs ~33 h of prompt writing.
Sources
Experiments
Paper Fig. 8 §3.4 · §5
"Probe factory": Dreamer, Orchestrator, Agent and two safety gates
Dreamer: stakeholder, natural language or voice · Orchestrator: shapes the prompt, safety gate S, curates (skipping it is an anti-pattern) · AI Agent: self-check (gate AS, AGENT_SAFETY.md), build, deploy, report. 0 safety incidents in 69 generations.
Categories: weather 10, wellness 8, office services 7, productivity 7, dev tools 7… Weather is 45% of Org B.
Sources
Experiments
Section
Agentic Discovery in healthcare
We pointed the method at Finnish public healthcare. Agentic search and analysis built the input, and the input generated one probe per simulation: 173 simulations of today’s process and its AI version.
Healthcare
Method search · analysis · probes
From agentic search to 173 probes in one night
The first complete version was ready in about two hours, the final one with its complement wave and verification in about seven (12–13 Oct 2026). The layers match the concept map in the Agentic Search part.
A familiar condition and a familiar drug, still four days and €250
1
Two waits
the appointment and the lab results, 1–2 days each; the patient is ill throughout.
2
The doctor starts from scratch
earlier bronchitis, the asthma diagnosis and the treatment response are already on record but are not used to prepare.
3
The price of a routine
€250 (doctor €160, lab €90) to the employer for a case whose treatment is the same each time.
≈ 4 days
total duration
250 €
cost
5
steps done by people
0
steps where the history prepares the case
Sources
Healthcare
Simulation · possible future s* same patient, constraints relaxed
Fully agentic: 42 minutes and €40, two errands for the patient
What was relaxed (κ → s*)
Regulation: a CE-marked software agent (a medical device) may renew a prescription for a known, diagnosed condition. Data: the Kanta history is available to the agent before the conversation. Billing: a Kela agent service and a public lab across the sector boundary. Safety gate: certified quality assurance audits every decision; an anomaly routes to a doctor.
≈ 4 days → 42 min
total duration
250 € → 40 €
cost
This is a possible future, not today’s practice: in Finland a prescription is renewed by a doctor today, not by a software agent. That is exactly why it is a probe: the stakeholder sees which constraints κ are real and what relaxing them would be worth, V(p; s₀).
Sources
Healthcare
Metrics what the agents did
Agentic search in numbers
129
sub-agents launched, up to 20 in parallel
~970
sources read; 924 ended up cited
6,589
verbatim quotes backing the numbers
~4,400
data points graded A–E
~710
corrections in three verification rounds
~7 h
start to finish; first version ~2 h
The biggest gap shows in the bottom bar: today’s durations are mostly judgement. That is exactly what a problem-validating probe collects from people.
Sources
Healthcare
Section
Summary
The deck in two slides: what we claim, on what evidence, and what it means for product development.
Building got cheap, so finding the right problem is the new bottleneck
1
Where we are
The agentic wave ignited in writing code and spreads from there both ways. Downstream, Agentic Engineering is maturing fast: coding agents are everyday tools, and review, test and release are following. Upstream, Agentic Discovery is the least established and has the most to explore.
2
Core claim
When execution gets cheap, the SDLC collapses into two phases: Agentic Discovery finds the right problem (learning velocity) and Agentic Engineering builds it right (production reliability). The seam between them is the validated spec.
3
Instrument
The agentic probe is a runnable, throwaway instrument into the problem space: problem-validating or solution-proposing. It must be run, not read, and it also reveals the constraints.
4
Evidence
8 field engagements, 2 organisations, 69 probes and ~142,000 lines of code in four weeks. Intent-to-code 1 : 56 on average (up to 1 : 467). The bottleneck moved from production to orchestration, then to idea supply and validation.
5
Engine
Discovery is agentic search over 𝒫 × 𝒮. Agentic Search ⊂ Analysis ⊂ Study; the human acts as an ask-or-act gate, and autonomy is a design choice, not a capability.
Sources
Summary
Goldratt & Cox 1984 Theory of Constraints · paper C5 · §7.4
The bottleneck moves, and we have only scratched the surface
