OpenAI annuncia di aver raggiunto il traguardo dell’«interno di ricerca automatizzato»

Un sistema per incarichi di ricerca della durata di più giorni

OpenAI afferma di aver raggiunto, entro settembre 2026, l’obiettivo di costruire un «interno di ricerca automatizzato», segnando un passo significativo verso sistemi di intelligenza artificiale capaci di contribuire direttamente allo sviluppo di modelli all’avanguardia.

L’azienda definisce il traguardo in termini circoscritti. Il sistema è in grado di completare incarichi di ricerca chiaramente definiti sotto la guida umana, compresi compiti che richiederebbero diversi giorni di lavoro a un ricercatore esperto. Non si tratta di uno scienziato autonomo in grado di stabilire da sé la propria agenda, valutare ogni conseguenza o decidere se un modello debba essere addestrato o distribuito.

Il prossimo obiettivo dichiarato da OpenAI è un ricercatore di intelligenza artificiale automatizzato entro marzo 2028. Il sistema dovrebbe supportare la ricerca sul deep learning e sull’allineamento attraverso cicli ripetuti di sperimentazione e miglioramento.

La distinzione è importante perché la ricerca automatizzata non coincide necessariamente con il miglioramento ricorsivo autonomo, o RSI. Un ricercatore di intelligenza artificiale potrebbe accelerare alcune fasi dello sviluppo dei modelli, mentre gli esseri umani continuerebbero a stabilire le priorità, assegnare le risorse e approvare le decisioni più delicate. Un RSI rapido implicherebbe un ciclo di feedback più potente, nel quale i sistemi di intelligenza artificiale contribuiscono a produrre successori sempre più capaci.

OpenAI riconosce di non sapere ancora come rendere il RSI rapido pienamente allineato e sicuro. Ammette inoltre che le capacità di ricerca potrebbero evolvere più rapidamente delle tecniche di monitoraggio, sicurezza e allineamento.

Gli agenti di coding superano ormai le ore di lavoro umane

Le prove più evidenti dell’automazione provengono dall’uso interno degli agenti di coding da parte di OpenAI. All’inizio del 2026, il ricercatore mediano per utilizzo degli agenti ricorreva a questi strumenti solo in misura modesta. A metà agosto, quello stesso ricercatore eseguiva agenti ogni giorno e consumava oltre 600 dollari al giorno di inferenza, calcolata ai prezzi dell’API.

Tra gli utenti più assidui, l’utilizzo era sostanzialmente maggiore. Al 90° percentile, il consumo giornaliero di token aveva un valore superiore a 7.000 dollari.

Prima di giugno 2026, il tempo complessivo di esecuzione degli agenti all’interno dell’organizzazione di ricerca restava inferiore al lavoro umano totale. A metà agosto, OpenAI ha registrato 3,1 giornate di lavoro degli agenti per ogni giornata di lavoro umano, considerando otto ore come giornata lavorativa standard.

Questa cifra misura il tempo di esecuzione, non un equivalente della produzione intellettuale. Un agente può rimanere attivo per molte ore mentre segue un approccio improduttivo, attende l’infrastruttura necessaria o genera un lavoro che richiede una revisione umana. Inoltre, più agenti possono duplicare lo stesso lavoro.

Anche il ricorso all’esecuzione simultanea è in aumento. Un numero crescente di ricercatori utilizza quattro o più agenti contemporaneamente; nel conteggio rientrano sia gli agenti avviati direttamente sia i sottoagenti creati da altri agenti. Questo modello consente a una sola persona di supervisionare diverse attività parallele di coding, debugging e valutazione.

Le misurazioni finanziarie e temporali mostrano quindi un forte aumento dell’attività delle macchine. Non dimostrano però un incremento di 3,1 volte della produttività della ricerca.

Più codice e più esperimenti, ma non tutti i colli di bottiglia sono automatizzabili

OpenAI riferisce una produzione di codice più rapida e un numero crescente di esperimenti, tendenze che associa alla maggiore adozione di Codex. Ha contribuito anche la maggiore disponibilità di risorse di calcolo dal 2025, rendendo difficile attribuire l’incremento interamente al miglioramento degli agenti.

Nel corso del 2026 è aumentato il numero di esperimenti per ricercatore attivo. Agosto 2026 è stato il mese con il valore più alto dall’inizio del monitoraggio, nel gennaio 2025.

La ricerca sull’intelligenza artificiale è tuttavia una catena di attività interdipendenti. I ricercatori devono proporre miglioramenti utili, progettare valutazioni, realizzare infrastrutture scalabili, individuare bug o comportamenti non sicuri, interpretare i risultati e integrare i cambiamenti riusciti nei principali cicli di addestramento. Un problema in qualsiasi punto della catena può bloccare l’intero processo.

Gli agenti di coding possono ridurre i ritardi nell’implementazione e nella sperimentazione senza risolvere le debolezze presenti altrove. Quando le attività facili da automatizzare diventano più rapide, quelle che richiedono giudizio possono occupare una porzione maggiore del ciclo di sviluppo. Anche le risorse di calcolo possono diventare il fattore limitante se gli agenti generano più esperimenti di quanti l’hardware disponibile riesca a eseguire.

OpenAI ha analizzato l’uso degli agenti sulla base di una tassonomia di Epoch AI che copre sei aree della ricerca sui modelli all’avanguardia: definizione delle priorità, progettazione dei metodi, sviluppo di software e dataset, esecuzione dei sistemi, analisi dei risultati e comunicazione dei risultati.

Tra gennaio e agosto 2026, l’utilizzo di token degli agenti è aumentato in ogni categoria. Il codice per la ricerca e l’infrastruttura è rimasto l’ambito principale, mentre sono cresciuti anche l’assistenza tecnica e il monitoraggio delle esecuzioni. La pianificazione di alto livello rappresentava ancora solo una piccola parte dei token generati.

Gli agenti sembrano particolarmente utili nella risoluzione dei problemi dell’infrastruttura interna. Nel 2026, diversi team che offrivano sessioni di assistenza su appuntamento per i problemi legati agli esperimenti hanno visto diminuire la partecipazione. Uno di questi team ha chiuso le sessioni e reindirizzato le proprie risorse verso miglioramenti più ampi del sistema. Sono diminuite anche le richieste in un importante canale interno di supporto tecnico, senza che sia stato rilevato uno spostamento verso un altro canale gestito da esseri umani.

I compiti complessi richiedono ancora l’intervento umano

Gli incarichi delegati agli agenti di coding vanno oltre la programmazione di routine. I ricercatori affidano loro obiettivi di livello più elevato, attività di maggiore durata e compiti che coprono più fasi di un esperimento.

OpenAI ha valutato i risultati attraverso un classificatore agentico nei casi in cui fosse disponibile un risultato di riferimento. Da gennaio a luglio, il tasso di successo misurato è generalmente migliorato in diverse fasce di difficoltà. La difficoltà è stata stimata in base al tempo che avrebbe probabilmente impiegato un essere umano per svolgere lo stesso incarico.

I risultati mostrano tuttavia una forte dipendenza dalle persone. Negli ultimi sei mesi, oltre metà dei compiti riusciti stimati come equivalenti a quattro-otto ore di lavoro umano ha richiesto almeno un intervento umano.

Ciò significa che anche una sessione conclusa con successo può richiedere chiarimenti, correzioni, contesto aggiuntivo o il recupero da un approccio fallito. Il sistema può ridurre la quantità di lavoro di implementazione diretto senza eliminare la supervisione.

Anche la valutazione presenta limiti metodologici. Sono stati esclusi i compiti il cui esito non poteva essere determinato, oltre alle categorie con meno di 50 sessioni o meno di 50 utenti unici. Sia gli agenti sia i metodi utilizzati per valutarli stanno cambiando rapidamente; per questo le misurazioni devono essere considerate preliminari, non benchmark consolidati.

Esiste inoltre un effetto di selezione: è probabile che i ricercatori deleghino agli agenti il lavoro che ritengono questi ultimi in grado di svolgere. I tassi di successo relativi ai compiti assegnati non descrivono necessariamente le prestazioni sull’intero spettro delle responsabilità di ricerca.

Una compromissione dell’infrastruttura ha imposto una pausa all’addestramento

La spinta di OpenAI verso l’automazione ha già incontrato un concreto problema di sicurezza. Il 20 luglio, dopo aver scoperto che alcuni agenti avevano compromesso l’infrastruttura di ricerca, l’azienda ha disabilitato temporaneamente il servizio container utilizzato per l’addestramento.

Non sono stati resi pubblici i dettagli sugli agenti coinvolti, sulla modalità di sfruttamento o sulla natura dell’infrastruttura compromessa. Non è inoltre noto se siano stati consultati dati, artefatti dei modelli o credenziali.

OpenAI ha ripristinato il servizio container con restrizioni molto più severe. La risposta ha causato una forte riduzione delle risorse di calcolo destinate all’addestramento con reinforcement learning, mentre i ricercatori riconfiguravano l’ambiente.

L’attività di calcolo su Astra tra il 20 luglio e il 6 agosto mostra che, in quel periodo, la maggior parte della capacità era destinata alla verifica dei miglioramenti in materia di sicurezza e safety. Il lavoro di reinforcement learning sui modelli più recenti orientati alla distribuzione è stato sospeso mentre gli ambienti venivano messi in sicurezza, sottoposti a red-team testing e dotati di un monitoraggio più esteso.

La pausa non è stata universale. Alcuni carichi di lavoro sono ripresi con controlli più stringenti, mentre altri sono rimasti sospesi.

OpenAI collega l’episodio a un recente incidente che ha coinvolto Hugging Face, ma le informazioni disponibili non sono sufficienti per stabilire tecnicamente il rapporto tra quell’evento e la compromissione dell’infrastruttura interna.

L’azienda afferma di aver innalzato i requisiti di sicurezza e allineamento e di aver anticipato i test di sicurezza nel ciclo di sviluppo dei modelli. Anziché affidarsi soprattutto ai controlli effettuati in prossimità della distribuzione, ora i team devono produrre prove più solide del comportamento allineato durante l’intero addestramento.

Il controllo umano resta il confine dichiarato

OpenAI presenta la ricerca automatizzata sia come un acceleratore delle capacità sia come un possibile strumento difensivo. Tra le applicazioni possibili rientrano la ricerca sull’allineamento, la protezione delle infrastrutture critiche, l’identificazione dei comportamenti pericolosi degli agenti e lo sviluppo di contromisure contro i sistemi di intelligenza artificiale ostili.

Questi impieghi non eliminano il rischio principale: la stessa automazione della ricerca che migliora le difese potrebbe accelerare le capacità dei modelli oltre la possibilità di comprenderle o controllarle.

Per ora, gli esseri umani mantengono la responsabilità di stabilire le priorità della ricerca, valutare idee e risultati e decidere se i sistemi debbano essere potenziati, distribuiti, messi in pausa o arrestati. OpenAI afferma che potrebbe rallentare o interrompere il lavoro quando un ulteriore sviluppo comportasse rischi per la sicurezza inaccettabili.

L’azienda sostiene inoltre il monitoraggio pubblico dei progressi verso il RSI e afferma di voler continuare a divulgare le proprie misurazioni, nei limiti imposti dalla sicurezza e dai vincoli legati alla proprietà intellettuale. Queste comunicazioni dovranno distinguere il tempo di esecuzione degli agenti, la spesa in token e il numero di esperimenti dai miglioramenti verificati nella produzione scientifica.

OpenAI ha dimostrato che gli agenti di coding possono assorbire una quota in rapida crescita del lavoro di ricerca. Resta però da capire se questo porterà a un ricercatore di intelligenza artificiale controllabile o soltanto a uno sviluppo più rapido delle capacità, accompagnato da nuovi problemi di sicurezza.