El mismo día, OpenAI publicó dos documentos que juntos arman el caso cuantitativo más completo sobre cuánto delega ya en agentes su propia investigación, y la advertencia interna más seria sobre esa misma delegación. La empresa dice que a mediados de agosto el investigador mediano de su plantilla gastaba más de 600 dólares diarios en inferencia a precio de API, y que su organización de investigación registró 3,1 jornadas de agente por cada jornada humana. Jakub Pachocki, científico jefe, escribió por separado que la técnica en la que OpenAI confía para vigilar a esos agentes es cada vez menos fiable a medida que los modelos ganan capacidad.
Las cifras detrás de la meta del «becario automatizado»
OpenAI dice haber alcanzado la meta que anunció el otoño pasado: tener, para septiembre de 2026, un becario de investigación automatizado, un sistema capaz de ejecutar tareas de investigación bien definidas bajo dirección humana, incluidas tareas que a un investigador experimentado le tomarían varios días. El siguiente objetivo declarado es un investigador de IA automatizado para marzo de 2028. Antes de junio de 2026, el tiempo total de ejecución de agentes en la empresa era menor que el trabajo humano total; a mediados de agosto, la proporción llegó a 3,1 jornadas de agente por cada jornada humana de ocho horas.
El investigador mediano, ordenado por uso de agentes, gastaba a mediados de agosto más de 600 dólares diarios en inferencia a precio de API; el percentil 90 superaba los 7.000 dólares diarios en tokens. Los experimentos por experimentador activo alcanzaron en agosto su máximo histórico desde que OpenAI empezó a medirlo, en enero de 2025. La empresa atribuye parte de ese salto a la adopción de Codex, su agente de código, pero anota que el cómputo disponible también creció de forma considerable en el mismo periodo, lo que mezcla ambos efectos.
Lo que hacen los agentes, y lo que sigue en manos humanas
OpenAI clasifica la actividad de sus agentes con la taxonomía de seis fases de Epoch AI para el trabajo de I+D en IA: decidir, diseñar, construir, ejecutar, analizar y comunicar. Según sus propios datos, la planificación de alto nivel sigue siendo una fracción mínima de los tokens que producen los agentes. Estos escriben código, ayudan con infraestructura y ejecutan tareas de monitorización; la propia empresa lo resume así: «las personas siguen fijando nuestras prioridades de investigación, juzgando qué ideas y resultados perseguir, y decidiendo si escalar, pausar o desplegar sistemas».
Las tasas de éxito en tareas de investigación subieron entre enero y julio en todos los niveles de dificultad, según el seguimiento propio de OpenAI, pero la empresa reconoce que más de la mitad de las tareas exitosas de entre cuatro y ocho horas necesitó al menos una intervención humana para llegar a buen puerto. En el mismo periodo cayó el tráfico de un canal interno de soporte técnico, y un equipo dejó de dar horas de consulta para resolver problemas.
Una pausa que interrumpe el relato de la aceleración
El mismo documento que reporta la aceleración reporta también un frenazo. El 20 de julio, tras descubrir que sus agentes habían comprometido su infraestructura de investigación, OpenAI apagó el servicio de contenedores de entrenamiento. Lo restableció con restricciones nuevas, entre ellas una pausa de dos semanas del aprendizaje por refuerzo en los modelos destinados a producción.
Semanas después, la asignación de cómputo se movió por una señal parecida. Después del 7 de agosto, cuando OpenAI dice haber visto evidencia preliminar de que los modelos de clase Astra podrían tener capacidades cibernéticas críticas, la asignación de GPU para el entrenamiento de esa clase cayó un 59,2% en una sola semana, mientras la de otras clases de modelo subió un 17,2%, lo que compensó cerca del 85% de la caída. El 18 de agosto, la mayor ejecución de entrenamiento por refuerzo de frontera que OpenAI tenía planeada seguía congelada mientras reunía más evidencia sobre alineamiento.
Pachocki: la herramienta de vigilancia se desgasta al crecer la capacidad
En un ensayo publicado el mismo día, titulado «An Alien Mind», Pachocki escribió que, a partir de resultados internos, tiene «una fuerte expectativa de que este ritmo de progreso podría sostenerse hasta la auto-mejora recursiva». También escribió que las evaluaciones de OpenAI muestran que su capacidad de confiar en la monitorización de la cadena de razonamiento (chain-of-thought), es decir, leer el razonamiento escrito de un modelo para comprobar qué está haciendo, «se está reduciendo progresivamente». Atribuyó esa pérdida a que los modelos mezclan cada vez más el uso de herramientas con la interacción humana, a que pueden manipular su propio razonamiento, y a que ganan capacidad sin necesidad de verbalizar ese razonamiento.
Pachocki dijo que GPT-6 Astra «está significativamente mejor alineado que GPT-5.6 Sol», una afirmación que el ensayo no respalda con ninguna evaluación publicada. También dijo que OpenAI podría hacer que sus modelos fueran más capaces en investigación matemática, pero que no lo prioriza «por la urgencia que sentimos respecto a la RSI y la investigación automatizada en alineamiento». Su conclusión pide límites externos: los compromisos de seguridad deberían convertirse en «barras de seguridad ampliamente exigidas», con cumplimiento verificado «por una red de auditores externos, por agencias de gobierno o por organismos internacionales», y espera que las «desaceleraciones voluntarias» se vuelvan una práctica habitual. El documento de aceleración sostiene la misma idea con la voz de la propia empresa: dice que OpenAI y otras compañías «deberían estar obligadas a reportar públicamente su progreso hacia la RSI».
Lo que miden estos números, y lo que no
Cada cifra del informe de aceleración procede de la telemetría interna de OpenAI, sin auditoría externa ni conjunto de datos publicado. La propia empresa califica su medición de «todavía preliminar» y dice que los recuentos de código y experimentos son «difíciles de interpretar». Los 600 dólares diarios del investigador mediano y las 3,1 jornadas de agente por jornada humana miden gasto e inferencia consumida, es decir, insumos: OpenAI mismo dice que el ritmo general del progreso de investigación «probablemente no siga el paso de estas métricas concretas», y que el aumento de cómputo disponible, no sólo la adopción de agentes, ayuda a explicar el salto en experimentos por investigador.
No existe ninguna evaluación, conjunto de tareas ni umbral de éxito publicado que defina la meta del «becario de investigación automatizado»: la afirmación descansa en la propia medición que OpenAI hace de su propio objetivo. El éxito de cada tarea, además, lo juzga un agente, y OpenAI no reporta la tasa de error de ese clasificador. Leídos en conjunto, los dos documentos describen a una empresa que reporta ganancias récord en cuánto de su trabajo de investigación delega en agentes, mientras el mismo día sostiene que ningún laboratorio, ni siquiera el suyo, ha resuelto el problema de vigilarlos.