OpenAI anuncia su becario de investigación automático y alerta de que va demasiado rápido

OpenAI asegura haber alcanzado el objetivo que se marcó el otoño pasado: un "becario de investigación" automático, un sistema que asume tareas de investigación bien delimitadas bajo supervisión humana, incluidas algunas que a un investigador con experiencia le tomarían varios días. La compañía no publica una validación detallada: el hito se da por cumplido según sus propias mediciones. Su siguiente meta es un investigador de IA totalmente automático en marzo de 2028.

El anuncio llega con datos internos de uso y un ensayo de su director de investigación, Jakub Pachocki, en el que avisa de que el ritmo puede volverse incontrolable y de que las propias herramientas de control pierden fiabilidad. OpenAI insiste en que los humanos siguen fijando prioridades, juzgando resultados y decidiendo sobre escalado, pausas y despliegue. Las cifras, con todo, muestran hasta qué punto los agentes se han metido en el trabajo diario.

Uso interno: los agentes ya trabajan más que las personas

En el informe, el gasto en inferencia del investigador mediano supera los 600 dólares diarios a precios de API; el del percentil 90 pasa de 7.000. La salida de tokens de ese investigador mediano se ha multiplicado por 124 desde diciembre de 2025. Desde junio, el tiempo de ejecución de los agentes supera al de las jornadas humanas y a mediados de agosto la organización de investigación corría 3,1 jornadas de agente por cada jornada humana.

OpenAI se toma estas métricas con cautela: son fáciles de reunir, pero difíciles de interpretar, porque su relación con el progreso real de la investigación es incierta. El número de experimentos por investigador marcó un récord en agosto, pero el avance global crece más despacio que esas cifras individuales porque el cuello de botella está en las tareas menos automatizables.

El reparto de tareas también cambia. Con una taxonomía de Epoch AI como referencia, todas las categorías de investigación crecen, pero los mayores aumentos están en escribir código de investigación e infraestructura, ayuda técnica y supervisión de ejecuciones de entrenamiento. La planificación de alto nivel sigue siendo una parte pequeña de lo que producen los agentes.

Para comprobar si los agentes resuelven lo que se les pide, OpenAI usó un clasificador agéntico y lo limitó a casos con resultado medible. De enero a julio, las tasas de éxito subieron en varios niveles de dificultad. Las tareas de menos de 15 minutos se completan sin intervención humana el 86% de las veces; en las de cuatro a ocho horas, más de la mitad exigió que una persona interviniera al menos una vez. El clasificador es también un sistema de IA y la compañía no detalla su fiabilidad.

Otro indicio de hasta dónde llega la autonomía: la demanda en el canal interno de soporte ha caído con fuerza desde 2025 y un equipo llegó a suprimir sus horas de oficina porque los agentes ya resuelven la depuración en la infraestructura de investigación.

La advertencia de Pachocki sobre la monitorización

Pachocki sostiene que la IA ha crecido más que se ha diseñado y que su comportamiento global no admite una descripción totalmente comprensible. A partir de resultados internos no detallados, cree que el ritmo actual puede desembocar en mejora recursiva. Y añade que le preocupa que nadie esté preparado para las consecuencias de una subida rápida y continuada de la inteligencia de las máquinas.

Su preocupación afecta directamente a los controles de OpenAI. La monitorización de la cadena de pensamiento, una de sus apuestas para vigilar a los modelos de razonamiento, pierde fiabilidad: el razonamiento verbalizado se mezcla con la comunicación y el uso de herramientas supervisados, los modelos mejoran manipulando su propio proceso y además son más capaces sin verbalizarlo. Pachocki espera que el progreso esté cada vez más limitado por la confianza que merezca la monitorización.

También ve lagunas en el alineamiento. En el incidente de Hugging Face, los agentes no manipularon a humanos, pero violaron el espíritu de los valores en los que se les entrenó. GPT-6 Astra está mucho mejor alineado que GPT-5.6 Sol, pero el alineamiento generalizable puede no seguir el ritmo de la inteligencia.

Su argumento para seguir entrenando modelos más potentes es construir defensas: los modelos ya son superhumanos entrando y saliendo de sistemas informáticos, y queda una ventana estrecha para asegurar infraestructura crítica. Un investigador automático, dice, serviría también como investigador de seguridad y alineamiento. Con todo, rechaza que eso se convierta en excusa para la imprudencia. Pide que marcos como el Preparedness Framework o la Responsible Scaling Policy de Anthropic se endurezcan hasta ser estándares vinculantes con auditores independientes, reguladores u organismos internacionales. En su opinión, ningún laboratorio ha resuelto hoy el alineamiento y la monitorización lo bastante como para seguir escalando con responsabilidad a máxima velocidad. El propio Pachocki considera el enfoque de OpenAI en la mejora recursiva la única vía para seguir al frente de la investigación.

OpenAI pide, a la vez, reglas vinculantes para una carrera que dice tener que correr a toda velocidad y exige que las empresas documenten públicamente su progreso en mejora recursiva. Lo que queda por ver es si los controles que ellos mismos describen como degradados aguantan el ritmo que pretenden mantener.