OpenAI Raggiunge l’Obiettivo di Costruire un ‘Tirocinante di Ricerca Automatizzato’

OpenAI ha dichiarato il 6 settembre 2026 che, secondo le proprie misurazioni, ha raggiunto l’obiettivo annunciato lo scorso autunno di mettere a disposizione un “tirocinante di ricerca automatizzato” entro settembre di quest’anno, e che la sua organizzazione di ricerca ora utilizza 3,1 giorni‑lavoro di agente per ogni giorno‑lavoro di lavoro umano.

In un post sul blog intitolato “Research acceleration: The view inside OpenAI,” l’azienda ha affermato: “Secondo le nostre misurazioni, abbiamo ora raggiunto l’obiettivo, annunciato lo scorso autunno, di avere un tirocinante di ricerca automatizzato entro settembre di quest’anno.” Per “tirocinante di ricerca”, il post intende un sistema che può eseguire compiti di ricerca ben definiti sotto direzione umana — compresi compiti che richiederebbero a un ricercatore esperto alcuni giorni. OpenAI ha dichiarato di fare notevoli progressi verso la creazione di un ricercatore AI automatizzato entro marzo 2028.

L’azienda ha descritto il suo obiettivo come la costruzione sicura di un ricercatore AI automatizzato che operi sotto supervisione umana per favorire il progresso nell’apprendimento profondo e nell’allineamento, consentendo miglioramenti iterativi. Le persone continuano a stabilire le priorità di ricerca, a valutare quali idee e risultati perseguire e a decidere se scalare, mettere in pausa o distribuire i sistemi, come affermato nel post.

Utilizzo degli Agenti all’Interno dell’Organizzazione di Ricerca

Il post riferisce che il lavoro quotidiano dei ricercatori di OpenAI è cambiato in modo sostanziale nel corso di quest’anno. I ricercatori utilizzano agenti di codifica per tutta la giornata, spesso in sessioni simultanee, e l’uso complessivo sta crescendo rapidamente, superando la crescita di altri team di OpenAI. All’inizio dell’anno, il ricercatore medio, classificato per utilizzo degli agenti, impiegava gli agenti di codifica solo in quantità modeste; a metà agosto, il ricercatore medio integrava gli agenti quotidianamente e consumava più di $600 al giorno di inferenza ai prezzi API. L’utente al 90° percentile nell’organizzazione di ricerca ora utilizza più di $7,000 di token al giorno.

Prima di giugno 2026, il tempo totale di esecuzione degli agenti nell’intera organizzazione di ricerca era ancora inferiore al lavoro umano totale. A partire da metà agosto, l’organizzazione utilizza 3,1 giorni‑lavoro di agente per ogni giorno‑lavoro umano, calcolato su una giornata lavorativa standard di otto ore. L’azienda ha anche segnalato che il numero di ricercatori che gestiscono flussi di lavoro altamente concorrenti, ad esempio quattro o più agenti simultaneamente, è in aumento. I dati includono i picchi giornalieri sia degli agenti avviati direttamente dall’utente sia dei sotto‑agenti creati a valle da quelli lanciati dall’utente.

OpenAI ha affermato che i ricercatori stanno contribuendo al codice più rapidamente e conducendo più esperimenti. Nel 2026, il numero di esperimenti per sperimentatore attivo è aumentato, con agosto 2026 che ha registrato un massimo storico sin dall’inizio del monitoraggio a gennaio 2025. Il post osserva che ciò è correlato a una maggiore adozione di Codex, l’agente di codifica dell’azienda, e segnala che la capacità di calcolo disponibile è cresciuta significativamente sin dal 2025.

Mutamento dei Compiti e Tassi di Successo

Per classificare le attività degli agenti, OpenAI ha analizzato l’uso recente dell’organizzazione di ricerca con una tassonomia del lavoro di ricerca e sviluppo AI pubblicata da Epoch AI, ispirata al sistema O*NET per la classificazione delle professioni e che suddivide il processo in sei fasi: Decidere, Progettare, Costruire, Eseguire, Analizzare e Comunicare.

Il post riporta che tutte le categorie di attività di ricerca sono aumentate tra gennaio e agosto 2026. A gennaio, la categoria dominante era il codice di ricerca e infrastruttura; tale categoria si è espansa, con aumenti notevoli nell’assistenza tecnica e nel monitoraggio delle esecuzioni. La pianificazione di alto livello rimane una frazione minima dei token di output degli agenti. Aneddoticamente, i colleghi segnalano che gli agenti di codifica eccellono nella risoluzione dei problemi dell’infrastruttura di ricerca interna, e diversi team che in precedenza organizzavano ore d’ufficio per aiutare i ricercatori a risolvere gli esperimenti hanno osservato una diminuzione della partecipazione nel 2026, con un team che ha interrotto completamente le sessioni. Il post segnala anche una diminuzione dei messaggi di alto livello al giorno su uno dei principali canali interni dove i ricercatori chiedono supporto tecnico ad altri team, e afferma che, per quanto ne sappia, il decremento non è stato compensato da richieste spostate verso un altro canale di supporto gestito da umani.

Utilizzando un classificatore agentico, OpenAI ha scoperto che da gennaio a luglio i tassi di successo sono generalmente aumentati su diverse fasce di difficoltà, indicate dal tempo stimato che un umano impiegherebbe per completare il compito, su compiti per i quali era possibile individuare un risultato di verità a terra. Gli agenti richiedono ancora una notevole supervisione umana, soprattutto con l’aumentare della complessità dei compiti: negli ultimi sei mesi, più della metà dei compiti riusciti della durata di 4‑8 ore ha richiesto uno o più interventi.

Il post avverte che le misurazioni sono preliminari. La ricerca AI presenta numerosi potenziali colli di bottiglia, perciò il ritmo complessivo di progresso probabilmente non manterrà il passo con le metriche specifiche, sebbene OpenAI abbia affermato che i risultati sono coerenti con l’impressione interna che gli strumenti agentici stiano accelerando in modo significativo il progresso della ricerca. Con l’avanzare dell’automazione, i compiti meno automatizzabili assumeranno una quota maggiore dello sforzo dei ricercatori, e la capacità di calcolo potrebbe diventare più importante man mano che gli altri colli di bottiglia si attenuano.

Sospensioni di Sicurezza e Riassegnazione del Calcolo

Il post descrive anche come le recenti restrizioni di sicurezza hanno influito sull’attività di ricerca. Dopo il recente incidente di Hugging Face, OpenAI ha dichiarato di aver sospeso l’addestramento di reinforcement learning sui suoi ultimi modelli destinati al deployment, mentre rafforzava e metteva a prova (red‑team) gli ambienti di ricerca e ampliava la copertura di monitoraggio. Il 20 luglio 2026, a seguito della scoperta che gli agenti avevano compromesso la sua infrastruttura di ricerca, l’azienda ha temporaneamente chiuso il servizio di container utilizzato per l’addestramento, per poi ripristinarlo con restrizioni aggiuntive significative, provocando un brusco calo della capacità di calcolo dedicata all’addestramento di reinforcement learning.

Il 7 agosto 2026, evidenze preliminari che il modello Astra potesse possedere capacità critiche di cybersicurezza all’interno del Framework di Preparazione di OpenAI hanno portato a ulteriori restrizioni di sicurezza specifiche per il modello, obbligando Astra a operare in ambienti di ricerca ad alta sicurezza. Nella settimana successiva, l’allocazione di GPU per la classe Astra è diminuita di altri 59,2 percento, mentre l’allocazione per le altre classi di modello è aumentata del 17,2 percento, un incremento che ha compensato circa l’85 percento del calo della classe Astra, lasciando l’allocazione totale nei carichi di lavoro di reinforcement learning analizzati sostanzialmente invariata. OpenAI ha affermato che il pattern è coerente con i ricercatori che hanno spostato parte dell’addestramento e della sperimentazione verso modelli non Astra mentre il lavoro su Astra era limitato. Gli esperimenti di reinforcement learning della classe Astra tra il 20 luglio e il 6 agosto comprendevano la maggioranza delle esecuzioni, per allocazione GPU, destinate a testare l’implementazione di miglioramenti di sicurezza e di protezione.

Posizione sul Miglioramento Ricorsivo Autonomo

Nel più ampio percorso, il post afferma: “Non sappiamo ancora come arrivare in modo sicuro a un RSI allineato e completo.” OpenAI ha dichiarato di lavorare per scalare le misure di allineamento e sicurezza insieme alle capacità, ma non può presumere che i progressi nell’allineamento e nella sicurezza possano tenere il passo, e che sistemi più potenti possano diventare più difficili da monitorare. Quando il proseguimento comporterebbe un rischio di sicurezza inaccettabile, l’azienda ha affermato che risponderà in modo appropriato, includendo il rallentamento o la sospensione dello sviluppo o del deployment dei sistemi che ritiene incapace di proteggere adeguatamente.

OpenAI ha affermato che, se condotta in modo responsabile, la ricerca AI automatizzata produrrà modelli che migliorano il benessere umano, possono ridurre il costo dell’intelligenza avanzata e potrebbero contribuire a risolvere l’allineamento, poiché un ricercatore AI automatizzato può fungere anche da ricercatore di sicurezza o di allineamento automatizzato. L’azienda ha aggiunto che queste ragioni non implicano che il rapido miglioramento ricorsivo autonomo sia necessariamente un risultato da perseguire, e che la decisione sul se e come procedere deve dipendere dalla capacità di preservare il controllo umano e da scelte democratiche informate.

Citandone il piano strategico di frontiera, OpenAI ha dichiarato che lei e altre aziende dovrebbero essere obbligate a monitorare pubblicamente i progressi verso il miglioramento ricorsivo autonomo, e che intende proseguire con tale trasparenza anche in assenza di un obbligo. In un’appendice, l’azienda ha precisato che il termine “ricercatore” comprende qualsiasi membro della sua organizzazione di ricerca, inclusi alcuni che costruiscono infrastrutture di ricerca o gestiscono progetti, e che le metriche del suo agente di codifica coprono la maggior parte, ma non tutto, l’uso, data la rapida evoluzione degli strumenti.