OpenAI Raggiunge l’Obiettivo di Creare 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 lavorativo umano.

In un post sul blog intitolato “Research acceleration: The view inside OpenAI,” l’azienda ha dichiarato: “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.” Con “tirocinante di ricerca” il post intende un sistema in grado di eseguire compiti di ricerca ben definiti sotto direzione umana — inclusi compiti che richiederebbero a un ricercatore esperto qualche giorno. OpenAI ha affermato di stare facendo 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 lavori sotto supervisione umana per favorire ulteriori progressi 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, sospendere o distribuire i sistemi, ha affermato il post.

Uso degli Agenti all’Interno dell’Organizzazione di Ricerca

Il post segnala che il lavoro quotidiano dei ricercatori di OpenAI è cambiato sostanzialmente nel corso di quest’anno. I ricercatori utilizzano agenti di codifica per tutto il giorno, spesso in sessioni concorrenti, e l’uso totale sta crescendo rapidamente, superando la crescita di altri team di OpenAI. All’inizio dell’anno, il ricercatore medio classificato per utilizzo di 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 in tutta l’organizzazione di ricerca era ancora inferiore al lavoro umano totale. A metà agosto, l’organizzazione utilizza 3.1 giorni‑lavoro di agente per ogni giorno lavorativo umano, misurato rispetto a una giornata standard di otto ore. L’azienda ha inoltre riferito che il numero di ricercatori che eseguono flussi di lavoro altamente concorrenti, come 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 corso del 2026, il numero di esperimenti per sperimentatore attivo è aumentato, con agosto 2026 che ha registrato un massimo storico da quando il monitoraggio è iniziato a gennaio 2025. Il post osserva che ciò è correlato a una maggiore adozione di Codex, l’agente di codifica dell’azienda, notando al contempo che la capacità computazionale disponibile è cresciuta significativamente dal 2025.

Cambiamento 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 occupazioni e che suddivide il processo in sei fasi: Decidere, Progettare, Costruire, Eseguire, Analizzare e Comunicare.

Il post riferisce 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 ad alto livello rimane una frazione minima dei token di output degli agenti. Aneddoticamente, i colleghi segnalano che gli agenti di codifica eccellono nel risolvere problemi dell’infrastruttura di ricerca interna, e diversi team che in passato tenevano ore di ufficio per aiutare i ricercatori a risolvere esperimenti hanno notato una diminuzione della partecipazione nel 2026, con un team che ha interrotto completamente le sessioni. Il post segnala anche un calo dei post di alto livello al giorno in uno dei principali canali interni dove i ricercatori cercano supporto tecnico da altri team, e afferma che, per quanto ne sappia, la diminuzione non è stata compensata da richieste spostate a 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 across several difficulty buckets, indicati dal tempo stimato che un umano impiegherebbe per completare il compito, su compiti per i quali era possibile trovare un risultato di verità di base. Gli agenti richiedono ancora un significativo orientamento umano, 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, quindi è probabile che il ritmo complessivo dei progressi non riesca a tenere il passo con le metriche specifiche, sebbene OpenAI abbia dichiarato che i risultati sono coerenti con l’impressione interna secondo cui gli strumenti agentici accelerano significativamente il progresso della ricerca. Man mano che l’automazione avanza, i compiti meno automatizzabili assumeranno una quota maggiore dello sforzo dei ricercatori, e la capacità computazionale potrebbe diventare più importante man mano che gli altri colli di bottiglia si riducono.

Pause di Sicurezza e Riassegnazione della Capacità Computazionale

Il post descrive inoltre come le recenti restrizioni di sicurezza abbiano influenzato l’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 sottoponeva a 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 forte calo della capacità computazionale dedicata all’addestramento di reinforcement learning.

Il 7 agosto 2026, evidenze preliminari che il modello Astra potesse possedere capacità cyber critiche nell’ambito del Preparedness Framework di OpenAI hanno portato a ulteriori restrizioni di sicurezza specifiche per il modello, richiedendo che Astra fosse eseguito in ambienti di ricerca ad alta sicurezza. Nella settimana successiva, l’allocazione di GPU per la classe Astra è diminuita di un ulteriore 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 e ha lasciato 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 sostituito parte dell’addestramento e della sperimentazione con 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 hanno incluso la maggior parte delle esecuzioni, per allocazione GPU, destinate a testare l’implementazione di miglioramenti di sicurezza e 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 in allineamento e sicurezza tengano il passo, e che sistemi più potenti possano diventare più difficili da monitorare. Quando procedere comporterebbe un rischio di sicurezza inaccettabile, l’azienda ha detto che risponderà in modo appropriato, incluso rallentare o fermare lo sviluppo o il deployment di sistemi che ritiene non possa proteggere sufficientemente.

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 anche fungere da ricercatore di sicurezza o 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 di procedere e il modo in cui farlo devono dipendere dalla capacità di preservare il controllo umano e da scelte democratiche informate.

Citata la sua roadmap di politica 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 continuare tale trasparenza anche in assenza di un obbligo. In un’appendice, l’azienda ha precisato che “ricercatore” comprende qualsiasi membro della sua organizzazione di ricerca, inclusi alcuni che costruiscono infrastrutture di ricerca o gestiscono progetti, e che le sue metriche sugli agenti di codifica coprono la maggior parte, ma non tutta, l’uso data la rapida evoluzione degli strumenti.