Aceleração da investigação: a perspetiva interna da OpenAI

Acreditamos que a AGI deve ser governada democraticamente para beneficiar toda a humanidade. Isso exige um debate público informado sobre capacidades, riscos e salvaguardas dos sistemas de IA mais capazes. Todos precisam de compreender a trajetória provável da IA de fronteira para terem uma voz efetiva no seu desenvolvimento.

A transparência sobre riscos, incidentes e salvaguardas específicos é necessária, mas não basta. O público também precisa de compreender como evoluem os sistemas mais capazes e como impulsionam a investigação nos laboratórios de fronteira.

Queremos criar, em segurança, um investigador automatizado de IA que, sob supervisão humana, faça avançar a aprendizagem profunda e o alinhamento, permitindo melhorias iterativas. Segundo as nossas medições, atingimos o objetivo, anunciado⁠(abre numa nova janela) no outono passado, de ter um estagiário de investigação automatizado até setembro deste ano. Por «estagiário de investigação» entendemos um sistema que executa tarefas de investigação bem definidas sob orientação humana, mesmo as que exigiriam dias a um investigador qualificado. Estamos a avançar significativamente para criar um investigador automatizado de IA até março de 2028.

Este ano, o trabalho diário dos investigadores da OpenAI mudou substancialmente. Usam agentes de programação ao longo do dia, muitas vezes em sessões simultâneas. A utilização total cresce rapidamente, mais do que noutras equipas da OpenAI. Os investigadores contribuem com código mais depressa e realizam mais experiências. A forma de usar agentes também muda: estes assumem tarefas cada vez mais complexas e têm sucesso com maior frequência. A investigação em IA é complexa e tem muitos possíveis estrangulamentos. O progresso global dificilmente acompanhará estas métricas específicas. Ainda assim, estes resultados condizem com a impressão interna de que as ferramentas agênticas aceleram significativamente a investigação. Continuam a ser pessoas a definir prioridades, escolher ideias e resultados a aprofundar e decidir se os sistemas devem ser ampliados, suspensos ou disponibilizados.

Acreditamos que, feita com responsabilidade, a investigação automatizada em IA produzirá modelos que melhorem diretamente o bem-estar humano e promovam a missão da OpenAI. Pode reduzir o custo da inteligência avançada para que todos possam beneficiar. Seguimos este caminho, em parte, porque a investigação automatizada pode ajudar a resolver o alinhamento e criar defesas contra IA cada vez mais capaz. Um investigador automatizado de IA também pode investigar segurança ou alinhamento. Sistemas mais capazes e alinhados podem proteger infraestruturas críticas, defender-nos de agentes de IA perigosos e criar novas medidas de proteção.

São razões para desenvolver capacidades úteis de investigação automatizada, mas não tornam uma RSI rápida num resultado necessariamente desejável. Avançar, e de que forma, deve depender da preservação do controlo humano e de escolhas democráticas informadas sobre benefícios e riscos.

Ainda não sabemos chegar em segurança a uma RSI plena e alinhada. Trabalhamos para ampliar as medidas de alinhamento e segurança a par das capacidades. Mas não podemos presumir que esse progresso acompanhe as capacidades; sistemas mais capazes podem ser mais difíceis de monitorizar. O rigor no alinhamento e na segurança é central neste esforço, começando por medir e mitigar os problemas atuais dos sistemas de programação agêntica. Se avançar representar um risco de segurança inaceitável, responderemos adequadamente, incluindo abrandar ou parar o desenvolvimento ou a disponibilização de sistemas sem salvaguardas suficientes.

Após o incidente recente com o Hugging Face, cumprimos este compromisso⁠: suspendemos o treino por aprendizagem por reforço (RL) dos modelos mais recentes a disponibilizar, reforçámos e testámos de forma adversarial os ambientes de investigação e alargámos a monitorização. Nem toda a investigação parou: algumas cargas de trabalho foram retomadas com controlos reforçados; outras continuaram suspensas. Elevámos os padrões de segurança e alinhamento, integrando-os mais profundamente no ciclo de vida do modelo e exigindo provas mais robustas de comportamento alinhado durante todo o treino.

Hoje apresentamos um retrato detalhado do contributo recente dos sistemas agênticos para o nosso progresso rumo à RSI. Estes sistemas são novos e mudam depressa; as nossas medições ainda são preliminares. Ao partilhar resultados e métodos iniciais, queremos informar o público, incentivar a divulgação pública e promover padrões comuns de medição.

Como escrevemos no nosso plano de políticas para a IA de fronteira⁠, acreditamos que nós e outras empresas devemos ser obrigados a divulgar o progresso rumo à RSI. Mesmo sem essa obrigação, pretendemos manter a transparência sobre o nosso progresso. A nossa abordagem à transparência evoluirá com as técnicas de medição e o conhecimento, salvaguardando a segurança e a informação proprietária.

No início do ano, o investigador mediano da OpenAI, por utilização de agentes, usava pouco os agentes de programação. Em meados de agosto, já os integrava diariamente, consumindo mais de 600 dólares por dia em inferência, a preços de API. O utilizador no percentil 90 da área de investigação consome agora mais de 7000 dólares de tokens por dia.

Antes de junho de 2026, o tempo total de execução dos agentes na investigação ainda era inferior ao total de trabalho humano. Isso mudou. Em dias de trabalho de 8 horas, em meados de agosto a área de investigação usava 3,1 dias de trabalho de agentes por cada dia de trabalho humano.

Outra perspetiva é contar quantos investigadores usam fluxos de trabalho muito paralelos, por exemplo, com 4 ou mais agentes em simultâneo. Como se vê abaixo, esse número está a aumentar. Os valores incluem os picos diários de agentes iniciados pelo utilizador e de subagentes criados a partir destes.

Grande parte da investigação em IA é um processo de trabalho intensivo para integrar melhorias de inteligência ou desempenho num dos nossos modelos principais. O avanço exige sucesso em todas as etapas: conceber melhorias, criar avaliações de desempenho e infraestrutura para testes à escala, detetar erros e comportamentos inseguros ou desalinhados no treino e integrar as melhores ideias num treino principal. Uma falha em qualquer etapa pode limitar todo o ciclo.

Escrever código e realizar experiências são duas atividades centrais dos investigadores, e há indícios de que estão a acelerar.

Estes dados são fáceis de medir, mas podem ser difíceis de interpretar. Com o avanço da automatização, as tarefas menos automatizáveis absorverão mais esforço dos investigadores e serão os principais entraves ao progresso. Os recursos computacionais também limitam o progresso e podem ganhar importância à medida que outros entraves diminuem.

Em 2026, as experiências por experimentador ativo aumentaram. Agosto atingiu o máximo desde janeiro de 2025, início da medição. Há correlação com a adoção do Codex, embora os recursos computacionais também tenham crescido muito desde 2025.

Impressões qualitativas e dados internos mostram mudanças nas tarefas delegadas aos agentes de programação: é cada vez mais comum delegar tarefas de nível superior e maior duração.

Para compreender esta tendência, analisámos a utilização recente na investigação com uma taxonomia publicada recentemente⁠(abre numa nova janela) pela Epoch AI sobre o trabalho no ciclo de I&D em IA. Inspirada no sistema O*NET de classificação do trabalho, a taxonomia foi adaptada à I&D em IA de fronteira e divide o processo em seis fases:

1. Decidir: em que trabalhar, o que continuar, onde afetar recursos

2. Conceber: ideias de investigação e especificações de engenharia

3. Construir: código e conjuntos de dados

4. Executar: treinos/avaliações, hardware, serviço de modelos

5. Analisar: experiências, modelos, disponibilização, trabalho externo

6. Comunicar: conclusões, comentários, estado, decisões

Abaixo classificamos os tokens dos agentes de programação segundo esta taxonomia.

Todas as categorias cresceram entre janeiro e agosto de 2026. Em janeiro, dominava o código de investigação e infraestrutura. Essa categoria cresceu, mas também houve aumentos notáveis noutras, sobretudo no apoio técnico e na monitorização de execuções. O planeamento de alto nível continua a ser uma fração mínima dos tokens de saída dos agentes.

Colegas relatam que os agentes se destacam na resolução de problemas da infraestrutura interna de investigação, aliviando um entrave importante ao progresso. Várias equipas que davam apoio à resolução de problemas nas experiências notaram menor adesão em 2026. Uma deixou de realizar sessões para se dedicar a outras melhorias do sistema.

Aqui mostramos as publicações iniciais diárias num dos principais canais internos de apoio técnico aos investigadores. Tanto quanto sabemos, a menor atividade não foi compensada por pedidos noutro canal de apoio técnico humano. A queda de tráfego acompanha esta mudança mais ampla.

Podemos também estudar se os agentes têm sucesso nas tarefas pedidas pelos investigadores. Um classificador agêntico mostra que, de janeiro a julho, o sucesso aumentou em vários níveis de dificuldade, estimados pelo tempo humano necessário, nas tarefas cujo resultado podemos verificar. Contudo, os agentes ainda precisam de orientação humana significativa, sobretudo nas tarefas mais complexas. Nos últimos 6 meses, mais de metade das tarefas de 4–8 horas bem-sucedidas exigiram pelo menos uma intervenção.

O progresso rumo a sistemas mais capazes, com vista a uma AGI segura e benéfica, dependerá também das salvaguardas necessárias para esse trabalho. A nossa avaliação das salvaguardas necessárias poderá mudar à medida que compreendermos melhor os riscos.

Como já descrevemos,⁠ atualizámos recentemente os nossos padrões de monitorização, alinhamento e segurança. Aqui mostramos como as restrições recentes afetaram um dos aspetos da atividade de investigação.

A 20 de julho, após descobrirmos que agentes tinham comprometido a nossa infraestrutura de investigação, suspendemos temporariamente o serviço de contentores usado no treino e repusemo-lo depois com restrições adicionais significativas.

Isto provocou uma queda acentuada dos recursos computacionais usados no treino por RL, enquanto as equipas reconfiguravam os seus fluxos de trabalho para operar no ambiente de investigação com segurança reforçada. O gráfico acima inclui a pausa de duas semanas na aprendizagem por reforço dos nossos modelos mais recentes destinados a disponibilização. Nas experiências de RL da classe Astra entre 20 de julho e 6 de agosto, a maioria das execuções, por afetação de GPU, destinou-se a testar a implementação de melhorias de segurança e proteção.

A 7 de agosto, indícios preliminares de que o Astra poderia ter capacidades cibernéticas críticas⁠ segundo o nosso Preparedness Framework⁠(abre numa nova janela) levaram a restrições de segurança adicionais específicas para o modelo, exigindo que o Astra fosse executado em ambientes de investigação mais seguros. Na semana seguinte, a afetação de GPU à classe Astra caiu mais 59,2%, mas a afetação a outras classes de modelos subiu 17,2%. Esse aumento compensou cerca de 85% da queda da classe Astra, mantendo praticamente inalterada a afetação total às cargas de trabalho de RL analisadas. Este padrão é compatível com a transferência de parte do treino e da experimentação para modelos não Astra enquanto o trabalho com o Astra estava restringido. É também coerente com relatos informais de investigadores que encontraram outros usos para recursos computacionais que já não podiam ser utilizados nas cargas de trabalho abrangidas pelas novas restrições.

Estes dados são um indicador útil para o debate em curso sobre treino e segurança: quando são introduzidos novos controlos, os recursos computacionais continuam a ser valiosos e flexíveis, sendo naturalmente canalizados para usos alternativos na atividade de investigação. A mais longo prazo, o debate sobre o ritmo de progresso da IA deve também abordar a melhor forma de utilizar os recursos computacionais sujeitos a controlos novos ou propostos.

Avançar rumo a uma RSI alinhada e compreender esse progresso é importante para a nossa missão. Continuaremos a aperfeiçoar os nossos métodos, a partilhar a evolução do nosso conhecimento e a trabalhar para um debate público informado e uma governação democrática efetiva dos sistemas de fronteira.

A investigação em IA com recurso a agentes ainda é recente, e continuamos a aprender a medi-la. Alguns indicadores, como a quantidade de código gerado pelas nossas equipas de investigação, são relativamente fáceis de recolher, mas difíceis de interpretar, pois a sua relação com o progresso da investigação é incerta. Métricas mais diretamente centradas no progresso da investigação, como a frequência com que os agentes têm sucesso nas tarefas dadas pelos investigadores, podem ser mais úteis, mas são complexas de desenvolver e validar. A dificuldade aumenta porque as ferramentas e os sistemas usados pelos investigadores evoluem rapidamente. Aprofundar a compreensão da aceleração da investigação é uma prioridade importante em toda a OpenAI.

Nestas análises, salvo indicação em contrário:

• «Investigador» é um termo abrangente para qualquer membro da nossa área de investigação, incluindo quem desenvolve infraestrutura de investigação, gere projetos ou apoia a atividade de outras formas.

• As métricas de utilização de agentes de programação abrangem a maioria, mas não a totalidade, da utilização, dada a rápida evolução das ferramentas e dos sistemas usados pelos investigadores.