Acelerar la investigación: una mirada desde OpenAI

Creemos que la IAG debe gobernarse democráticamente para beneficiar a toda la humanidad. Esto exige un debate público informado sobre las capacidades, los riesgos y las salvaguardas de los sistemas de IA más capaces. Todos deben comprender la probable evolución de la IA de vanguardia para tener voz efectiva en su desarrollo.

La transparencia sobre riesgos, incidentes y salvaguardas concretos es necesaria, pero no suficiente. Creemos que el público también debe saber cómo evolucionan los sistemas más capaces y cómo impulsan la investigación en los laboratorios de vanguardia.

Buscamos crear de forma segura un investigador automatizado de IA que, bajo supervisión humana, impulse el aprendizaje profundo y el alineamiento mediante mejoras iterativas. Según nuestras mediciones, ya hemos cumplido el objetivo, anunciado⁠(se abre en una ventana nueva) el otoño pasado, de contar con un becario de investigación automatizado para septiembre de este año. Por «becario de investigación» entendemos un sistema capaz de realizar tareas de investigación bien definidas bajo dirección humana, incluidas las que llevarían varios días a un investigador experto. Avanzamos con firmeza hacia la creación de un investigador automatizado de IA para marzo de 2028.

Este año, el trabajo diario de los investigadores de OpenAI ha cambiado sustancialmente. Usan agentes de programación durante todo el día, a menudo en sesiones simultáneas, y el uso total crece rápidamente, más que en otros equipos de OpenAI. Aportan código más rápido y realizan más experimentos. También cambia cómo usan los agentes: les encomiendan tareas cada vez más complejas y estos las resuelven con mayor frecuencia. La investigación en IA es compleja y tiene muchos posibles cuellos de botella, por lo que el avance global probablemente no siga el ritmo de estas métricas concretas. Pero los resultados concuerdan con la impresión general de muchos de nosotros: las herramientas con agentes aceleran notablemente la investigación. Las personas siguen fijando las prioridades, valorando qué ideas y resultados explorar y decidiendo si ampliar, pausar o desplegar sistemas.

Creemos que, de forma responsable, la investigación automatizada en IA producirá modelos que mejoren directamente el bienestar humano e impulsen la misión de OpenAI. Puede abaratar la inteligencia avanzada para beneficiar a personas de todo el mundo. Impulsamos este trabajo, en parte, porque podría ayudarnos a resolver el alineamiento y crear defensas frente a una IA cada vez más capaz. Un investigador automatizado de IA también puede investigar la seguridad o el alineamiento. Los sistemas más capaces y alineados podrían proteger infraestructuras críticas, defendernos de agentes de IA peligrosos y crear nuevas medidas de protección.

Son motivos para desarrollar capacidades útiles de investigación automatizada, pero no implican que debamos perseguir una RSI rápida. Decidir si avanzar y cómo debe depender de nuestra capacidad 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 alineamiento y seguridad a la par que las capacidades. Pero no podemos dar por hecho que mantengan el ritmo, y los sistemas más capaces pueden ser más difíciles de supervisar. El trabajo riguroso en alineamiento y seguridad es central: empieza por medir y mitigar los problemas actuales de los sistemas de programación con agentes. Si avanzar supone un riesgo de seguridad inaceptable, actuaremos en consecuencia, incluso ralentizando o deteniendo el desarrollo o despliegue de sistemas que no podamos proteger suficientemente.

Tras el reciente incidente de Hugging Face, cumplimos este compromiso⁠: pausamos el entrenamiento por aprendizaje por refuerzo (RL) de los modelos más recientes destinados al despliegue mientras reforzábamos y sometíamos a pruebas adversarias los entornos de investigación y ampliábamos la supervisión. No se detuvo toda la investigación: algunas cargas de trabajo se reanudaron con controles más estrictos; otras siguieron pausadas. Elevamos los estándares de seguridad y alineamiento e integramos más la seguridad en el ciclo de vida del modelo, exigiendo pruebas más sólidas de conducta alineada durante todo el entrenamiento.

Hoy detallamos cómo los sistemas con agentes han contribuido a nuestro avance hacia la RSI en los últimos meses. Estos sistemas son nuevos y cambian rápidamente; nuestras mediciones aún son preliminares. Al compartir estos primeros resultados y métodos, buscamos informar al público, fomentar la divulgación pública y ayudar al sector a adoptar estándares de medición comunes.

Como expusimos en nuestra propuesta de políticas para la IA de vanguardia⁠, creemos que debería exigirse a OpenAI y a otras empresas informar públicamente de sus avances hacia la RSI. Incluso sin esa obligación, seguiremos siendo transparentes sobre nuestros avances en RSI. Adaptaremos nuestro enfoque de transparencia al mejorar las técnicas de medición y nuestros conocimientos, sin descuidar la seguridad ni la información confidencial.

A principios de año, el investigador situado en la mediana de uso de agentes en OpenAI utilizaba poco los agentes de programación. A mediados de agosto, ya los integraba a diario, con un consumo de inferencia superior a 600 $ al día a precios de API. El usuario del percentil 90 de nuestra organización de investigación consume ya más de 7000 $ diarios en tokens.

Antes de junio de 2026, el tiempo total de ejecución de agentes en la organización aún era inferior al de trabajo humano. Eso ha cambiado. En jornadas estándar de 8 horas, a mediados de agosto la organización empleaba 3,1 jornadas de agentes por cada jornada humana.

Otra perspectiva es cuántos investigadores usan flujos de trabajo con alta concurrencia, como ejecutar 4 o más agentes a la vez. Como se muestra a continuación, esta cifra aumenta. Las cifras incluyen los máximos diarios tanto de agentes iniciados directamente por el usuario como de subagentes creados a partir de ellos.

Gran parte de la investigación en IA requiere mucho trabajo para integrar mejoras de inteligencia o rendimiento en nuestros modelos principales. Las capacidades avanzan cuando todos los pasos funcionan juntos: diseñar mejoras, crear evaluaciones de rendimiento e infraestructura para probarlas a escala, detectar errores y conductas inseguras o desalineadas durante el entrenamiento e integrar las mejores ideas en un entrenamiento principal. Un fallo en cualquier punto puede limitar todo el ciclo.

Escribir código y realizar experimentos son dos actividades clave de los investigadores, y vemos indicios de que se aceleran.

Son datos relativamente fáciles de medir, pero difíciles de interpretar. Al avanzar la automatización, las tareas menos automatizables absorberán más esfuerzo investigador y serán los principales cuellos de botella del progreso. El cómputo también limita el avance y puede cobrar más importancia al reducirse otros cuellos de botella.

En 2026 aumentaron los experimentos por experimentador activo. Agosto marcó el máximo desde enero de 2025, cuando empezó el registro. Esto se correlaciona con la mayor adopción de Codex, aunque el cómputo disponible también ha crecido mucho desde 2025.

Las impresiones cualitativas y los datos internos indican que cambian las tareas delegadas en agentes de programación: cada vez son más habituales las de mayor nivel y duración.

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

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

2. Diseñar: ideas de investigación y especificaciones técnicas

3. Construir: código y conjuntos de datos

4. Ejecutar: entrenamientos, evaluaciones, hardware y servicio de modelos

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

6. Comunicar: hallazgos, comentarios, estado y decisiones

A continuación 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. Esta categoría creció, pero también otras, especialmente la ayuda técnica y la supervisión de ejecuciones. La planificación de alto nivel sigue suponiendo una fracción mínima de los tokens de salida de los agentes.

Según testimonios de compañeros, los agentes destacan al resolver problemas de infraestructura interna de investigación, lo que alivia un importante cuello de botella. Varios equipos que ofrecían consultas para resolver problemas de experimentos registraron menos asistencia en 2026. Uno dejó de ofrecerlas para centrarse en otras mejoras del sistema.

Aquí mostramos las publicaciones iniciales diarias en uno de los principales canales internos donde los investigadores solicitan soporte técnico a otros equipos. Que sepamos, la caída de actividad del canal no se ha compensado 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 encomendadas. Con un clasificador basado en agentes, observamos que, de enero a julio, las tasas de éxito generalmente subieron en varios niveles de dificultad, estimada por el tiempo humano necesario, para tareas cuyo resultado podemos verificar. Sin embargo, los agentes aún necesitan bastante orientación humana para tener éxito, sobre todo cuanto más compleja es la tarea. En los últimos 6 meses, más de la mitad de las tareas de 4-8 horas resueltas con éxito requirieron al menos una intervención.

El avance hacia sistemas más capaces que permitan lograr 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 hemos actualizado nuestros estándares de supervisión, alineamiento y seguridad. Aquí mostramos cómo las restricciones recientes han afectado a un aspecto de la actividad investigadora.

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 lo restablecimos después con importantes restricciones adicionales.

Esto provocó una fuerte caída del cómputo de entrenamiento por 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, según su asignación de GPU, se destinaron a probar la implementación de mejoras de seguridad y protección.

El 7 de agosto, los indicios preliminares de que Astra podría tener capacidades cibernéticas críticas⁠ según nuestro Marco de preparación⁠(se abre en una ventana nueva) llevaron a imponer restricciones de seguridad adicionales específicas para el modelo, que exigían ejecutarlo en entornos de investigación de mayor seguridad. En la semana siguiente, la asignación de GPU a la clase Astra cayó otro 59,2 %, pero la de otras clases de modelos creció un 17,2 %. Ese aumento compensó aproximadamente el 85 % de la caída de la clase Astra, por lo que la asignación total a las cargas de trabajo de RL analizadas apenas varió. Este patrón concuerda con el traslado de parte del entrenamiento y la experimentación a modelos distintos de Astra mientras el trabajo con Astra estaba restringido. También coincide con testimonios de investigadores que encontraron otros usos para el cómputo que ya no podía destinarse a las cargas de trabajo sujetas a las nuevas restricciones.

Estos datos aportan una señal útil al debate actual sobre entrenamiento y seguridad: cuando se introducen nuevos controles, el cómputo sigue siendo valioso y flexible, y tiende de forma natural a destinarse a otros usos dentro de la actividad investigadora. A más largo plazo, los debates 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 avance es importante para nuestra misión. Seguiremos perfeccionando nuestros métodos, comunicando cómo evoluciona nuestra comprensión y promoviendo un debate público informado y una gobernanza democrática efectiva de los sistemas de vanguardia.

La investigación en IA impulsada por agentes es aún nueva y seguimos aprendiendo a medirla. Algunos indicadores, como la cantidad de código generado por 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 más centradas en el avance de la investigación, como la frecuencia con la que los agentes resuelven las tareas encomendadas, podrían ser más útiles, pero son complejas de desarrollar y validar. Además, las herramientas y los sistemas que utilizan los investigadores evolucionan rápidamente, lo que añade dificultad. Profundizar en nuestra comprensión de la aceleración de la investigación es una prioridad en toda OpenAI.

En estos análisis, salvo que se indique lo contrario:

• «Investigador» es un término amplio que abarca a cualquier miembro de nuestra organización de investigación, incluidos quienes crean infraestructura, gestionan proyectos o apoyan la actividad de otras formas.

• 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.