Acelerar la investigación: una mirada desde OpenAI

Creemos que, para beneficiar a toda la humanidad, la IAG debe gobernarse democráticamente. Esto exige un debate público informado sobre las capacidades, los riesgos y las salvaguardas de los sistemas de IA avanzados. Las personas de todo el mundo deben comprender la posible evolución de la IA de vanguardia para influir en su desarrollo.

La transparencia sobre riesgos, incidentes y salvaguardas específicos es necesaria, pero no suficiente. El público también debe entender cómo evolucionan los sistemas más capaces y cómo impulsan la investigación en laboratorios de vanguardia.

Buscamos crear de forma segura un investigador automatizado de IA que, bajo supervisión humana, impulse mejoras iterativas en aprendizaje profundo y alineación. Según nuestras mediciones, alcanzamos la meta anunciada⁠(se abre en una nueva ventana) el otoño pasado de contar con un pasante de investigación automatizado para septiembre de este año. Por “pasante de investigación” entendemos un sistema que realiza tareas bien definidas bajo dirección humana, incluso algunas que a un investigador capacitado le tomarían días. Avanzamos firmemente hacia la creación de un investigador automatizado de IA para marzo de 2028.

Este año, el trabajo diario de los investigadores de OpenAI cambió sustancialmente. Usan agentes de programación todo el día, a menudo en sesiones simultáneas. El uso total crece rápidamente, más que en otros equipos de OpenAI. Los investigadores aportan código más rápido y ejecutan más experimentos. También cambia cómo usan los agentes: estos abordan tareas cada vez más complejas y las resuelven con mayor frecuencia. La investigación en IA tiene muchos posibles cuellos de botella; probablemente su avance general no siga el ritmo de estas métricas específicas. En conjunto, estos hallazgos coinciden con nuestra impresión interna de que las herramientas con agentes aceleran significativamente la investigación. Las personas aún fijan las prioridades, eligen qué ideas y resultados explorar y deciden si ampliar, pausar o desplegar sistemas.

Creemos que la investigación automatizada de IA, si es responsable, producirá modelos que mejoren el bienestar humano e impulsen la misión de OpenAI. Puede reducir el costo de la inteligencia avanzada para beneficiar a personas de todo el mundo. La impulsamos, en parte, porque podría ayudarnos a resolver la alineación y crear defensas ante una IA cada vez más capaz. Un investigador automatizado de IA también puede investigar seguridad o alineación. Sistemas más capaces y alineados podrían proteger infraestructura crítica, defendernos de agentes de IA peligrosos y crear nuevas protecciones.

Son razones para desarrollar capacidades útiles de investigación automatizada, pero no implican que debamos buscar necesariamente una RSI rápida. La decisión de avanzar y cómo hacerlo debe depender de preservar el control humano y de decisiones democráticas informadas sobre beneficios y riesgos.

Aún no sabemos cómo alcanzar de forma segura una RSI plena y alineada. Trabajamos para ampliar las medidas de alineación y seguridad junto con las capacidades. Pero no podemos asumir que avanzarán al mismo ritmo; los sistemas más capaces pueden ser más difíciles de monitorear. La alineación y la seguridad son centrales, empezando por medir y mitigar los problemas actuales de los sistemas de codificación con agentes. Si avanzar supone un riesgo inaceptable, actuaremos, incluso reduciendo o deteniendo el desarrollo o despliegue de sistemas que no podamos proteger suficientemente.

Tras el incidente de Hugging Face, cumplimos este compromiso⁠: pausamos el entrenamiento por refuerzo (RL) de los últimos modelos destinados al despliegue, reforzamos y sometimos a pruebas adversarias nuestros entornos y ampliamos el monitoreo. No se detuvo toda la investigación: algunas cargas de trabajo se reanudaron con controles reforzados; otras siguieron pausadas. Elevamos los estándares e integramos más la seguridad en el ciclo de vida del modelo, exigiendo mayor evidencia de alineación durante todo el entrenamiento.

Hoy detallamos cómo los sistemas con agentes contribuyeron a nuestro avance hacia la RSI en los últimos meses. Estos sistemas son nuevos y cambian rápidamente; nuestras mediciones aún son preliminares. Compartimos estos resultados y métodos para informar al público, fomentar la divulgación y promover estándares comunes de medición.

Como expresamos en nuestro plan de políticas para la IA de vanguardia⁠, creemos que las empresas, incluida OpenAI, deberían estar obligadas a informar públicamente sus avances hacia la RSI. Aun sin esa obligación, seguiremos siendo transparentes sobre nuestros avances hacia la RSI. Adaptaremos nuestro enfoque al mejorar nuestras mediciones y conocimientos, sin dejar de proteger la seguridad y la información confidencial.

A principios de año, el investigador situado en la mediana de uso de agentes en OpenAI los usaba poco para programar. A mediados de agosto, ya los integraba a diario y consumía más de $600 de inferencia por día, a precios de la API. El usuario del percentil 90 de nuestra organización de investigación consume ahora más de $7000 en tokens diarios.

Antes de junio de 2026, el tiempo total de ejecución de agentes en investigación era inferior al trabajo humano total. Eso ya cambió. A mediados de agosto, tomando jornadas estándar de 8 horas, investigación utiliza en total 3,1 jornadas de agentes por cada jornada humana.

Otra perspectiva es cuántos investigadores usan flujos muy concurrentes, por ejemplo, con 4 o más agentes simultáneos. Como se ve abajo, esa cifra aumenta. Las cifras incluyen los máximos diarios de agentes iniciados por el usuario y de subagentes creados a partir de ellos.

Gran parte de la investigación en IA exige mucho trabajo para integrar mejoras de inteligencia o rendimiento en nuestros modelos principales. El avance exige que todas las etapas funcionen: diseñar mejoras, crear evaluaciones e infraestructura para probarlas a escala, detectar errores o conductas inseguras o desalineadas durante el entrenamiento e integrar las mejores ideas en una ejecución principal. Una falla en cualquier etapa puede limitar todo el ciclo.

Escribir código y ejecutar experimentos son actividades centrales; vemos evidencia de que ambas se aceleran.

Estos datos son relativamente fáciles de medir, pero difíciles de interpretar. A medida que avance la automatización, las tareas menos automatizables absorberán más esfuerzo y serán los principales cuellos de botella. El cómputo también limita el progreso y podría cobrar importancia al reducirse otros cuellos de botella.

En 2026 aumentaron los experimentos por experimentador activo. Agosto marcó un máximo desde enero de 2025, cuando empezamos a medir. Esto se correlaciona con la adopción de Codex, aunque el cómputo disponible también creció mucho desde 2025.

Las impresiones y los datos internos indican que cada vez se delegan más tareas de mayor nivel y horizonte temporal a los agentes de programación.

Para entender esta tendencia, analizamos el uso reciente en investigación con una taxonomía recién publicada⁠(se abre en una nueva ventana) por Epoch AI sobre el trabajo del ciclo de I+D de IA. Inspirada en el sistema O*NET de clasificación laboral, esta taxonomía específica de I+D de IA de vanguardia divide el proceso en seis fases:

1. Decidir: en qué trabajar, qué continuar y dónde asignar recursos

2. Diseñar: ideas de investigación y especificaciones técnicas

3. Construir: código y conjuntos de datos

4. Ejecutar: entrenamiento, evaluaciones, hardware y servicio

5. Analizar: experimentos, modelos, despliegue y trabajo externo

6. Comunicar: hallazgos, comentarios, estado y decisiones

Abajo clasificamos los tokens de los agentes de programación según esta taxonomía.

Todas las categorías crecieron entre enero y agosto de 2026. En enero predominaba el código de investigación e infraestructura. Esa categoría creció, pero también otras, especialmente la ayuda técnica y el monitoreo de ejecuciones. La planificación de alto nivel aún representa una fracción mínima de los tokens de salida de los agentes.

Según relatos de colegas, los agentes destacan al resolver problemas de infraestructura interna, un importante cuello de botella. Varios equipos que ofrecían asesorías para resolver problemas de experimentos registraron menor asistencia en 2026. Uno las suspendió para enfocarse en otras mejoras del sistema.

Aquí graficamos las publicaciones iniciales diarias en un canal interno principal donde los investigadores solicitan soporte técnico a otros equipos. Hasta donde sabemos, la menor actividad no se compensó con consultas en otro canal de soporte atendido por personas. La caída del tráfico concuerda con este cambio general.

También podemos estudiar si los agentes resuelven las tareas que les piden los investigadores. Un clasificador con agentes muestra que, de enero a julio, el éxito aumentó en varios niveles de dificultad, estimados por el tiempo humano requerido, para tareas con resultado verificable. Sin embargo, los agentes aún necesitan mucha orientación humana, sobre todo en tareas más complejas. En los últimos 6 meses, más de la mitad de las tareas exitosas de 4-8 horas requirieron al menos 1 intervención.

El avance hacia sistemas más capaces para una IAG segura y beneficiosa también dependerá de las salvaguardas necesarias para ese trabajo. Nuestra evaluación de las salvaguardas necesarias puede cambiar a medida que conozcamos mejor los riesgos.

Como hemos explicado,⁠ recientemente actualizamos nuestros estándares de monitoreo, alineación y seguridad. Aquí mostramos cómo las restricciones recientes afectaron un aspecto de la actividad de investigación.

El 20 de julio, tras descubrir que unos agentes habían comprometido nuestra infraestructura de investigación, suspendimos temporalmente el servicio de contenedores utilizado para el entrenamiento y luego lo restablecimos con importantes restricciones adicionales.

Esto provocó una fuerte caída del cómputo de entrenamiento con RL mientras los equipos reconfiguraban sus flujos de trabajo para operar en el entorno de investigación reforzado. El gráfico anterior incluye la pausa de dos semanas del aprendizaje por refuerzo en nuestros modelos más recientes destinados al despliegue. En los experimentos de RL de clase Astra entre el 20 de julio y el 6 de agosto, la mayoría de las ejecuciones, medidas por asignación de GPU, se destinaron a probar la implementación de mejoras de seguridad y protección.

El 7 de agosto, la evidencia preliminar de que Astra podría tener capacidades cibernéticas críticas⁠ según nuestro Marco de preparación⁠(se abre en una nueva ventana) dio lugar a restricciones de seguridad adicionales específicas del modelo, que exigían ejecutar Astra en entornos de investigación de mayor seguridad. La semana siguiente, la asignación de GPU a la clase Astra cayó otro 59,2 %, mientras que la de otras clases de modelos aumentó un 17,2 %. Ese aumento compensó cerca del 85 % de la caída de la clase Astra, por lo que la asignación total a las cargas de trabajo de RL analizadas se mantuvo prácticamente sin cambios. Este patrón concuerda con el traslado de parte del entrenamiento y la experimentación a modelos distintos de Astra mientras el trabajo con Astra estuvo restringido. También coincide con relatos de investigadores que encontraron otros usos para el cómputo que ya no podía destinarse a cargas de trabajo sujetas a las nuevas restricciones.

Estos datos aportan una señal útil para las conversaciones en curso sobre entrenamiento y seguridad: cuando se introducen nuevos controles, el cómputo sigue siendo valioso y flexible, y naturalmente se canaliza hacia otros usos dentro de la actividad de investigación. A más largo plazo, las conversaciones sobre el ritmo de avance de la IA también deberían abordar cómo aprovechar mejor el cómputo sujeto a controles nuevos o propuestos.

Avanzar hacia una RSI alineada y comprender ese progreso es importante para nuestra misión. Seguiremos perfeccionando nuestros métodos, informando sobre la evolución de nuestros conocimientos y promoviendo un debate público informado y una gobernanza democrática efectiva de los sistemas de vanguardia.

La investigación en IA impulsada por agentes aún es nueva, y seguimos aprendiendo a medirla. Algunos indicadores, como la cantidad de código que generan nuestros equipos de investigación, son relativamente fáciles de recopilar, pero difíciles de interpretar porque su relación con el avance de la investigación es incierta. Las métricas que se centran más directamente en el avance de la investigación, como la frecuencia con que los agentes resuelven las tareas que les asignan los investigadores, podrían ser más útiles, pero desarrollarlas y validarlas es complejo. A esto se suma la rápida evolución de las herramientas y los sistemas que usan los investigadores. Profundizar nuestra comprensión de la aceleración de la investigación es una prioridad importante en todo OpenAI.

En estos análisis, salvo que se indique lo contrario:

• “Investigador” es un término amplio que abarca a cualquier integrante de nuestra organización de investigación, incluidos quienes desarrollan infraestructura, gestionan proyectos o apoyan de otras formas esta actividad.

• Las métricas de uso de agentes de programación cubren la mayor parte del uso, pero no todo, dada la rápida evolución de las herramientas y los sistemas que utilizan los investigadores.