In questo articolo Indice dei contenuti 3 sezioni
Il tirocinante di ricerca automatizzato annunciato da OpenAI è arrivato, e la definizione dice già molto di come l’azienda intenda il proprio lavoro nei prossimi anni: un sistema di intelligenza artificiale capace di portare a termine da solo compiti di ricerca ben delimitati, sempre con un essere umano che controlla, compresi lavori che a un ricercatore esperto porterebbero via diversi giorni. Era uno degli obiettivi fissati per il 2026 e a settembre è stato dichiarato raggiunto.
L’annuncio cade in un momento in cui gli agenti di intelligenza artificiale sono entrati stabilmente nei team interni. Secondo l’azienda, nel corso del 2026 la giornata tipo di un ricercatore è cambiata in profondità: gli agenti di programmazione scrivono codice, lanciano esperimenti, analizzano i risultati, si occupano di grattacapi tecnici che prima assorbivano ore. E il passo successivo, dichiarato senza troppi giri di parole, è un vero ricercatore IA automatizzato entro marzo 2028, la stessa scadenza indicata da Sam Altman nell’ottobre del 2025, quando aveva spiegato che prima sarebbe arrivato un sistema con capacità da tirocinante e poi uno all’altezza di un ricercatore.
Quanto lavorano davvero gli agenti dentro OpenAI
I numeri raccontano un uso tutt’altro che sporadico. A metà agosto il ricercatore medio dell’organizzazione consumava agenti per un valore superiore ai 550 euro al giorno, calcolato in inferenza ai prezzi delle API, mentre chi si trova al 90° percentile superava i 6.400 euro di token quotidiani. Il dato più eloquente però è un altro: sempre a metà agosto, l’organizzazione di ricerca impiegava l’equivalente di 3,1 giornate lavorative di agenti per ogni giornata lavorativa umana, prendendo come riferimento le classiche otto ore. Non si tratta di compiti banali. I ricercatori stanno delegando attività via via più complesse e più lunghe, e cresce l’abitudine ai flussi di lavoro paralleli, con quattro o più agenti attivi nello stesso momento. Il riflesso si vede nella produzione: il numero di esperimenti per ricercatore attivo è salito durante il 2026 e ad agosto ha toccato il massimo da quando il monitoraggio è iniziato, nel gennaio 2025. L’azienda lega questa crescita anche alla diffusione di Codex, ricordando comunque che nello stesso periodo è aumentata parecchio anche la potenza di calcolo a disposizione.
Dalla scrittura di codice al ciclo completo della ricerca
Il passaggio più interessante riguarda il tipo di lavoro affidato agli agenti. All’inizio si parlava soprattutto di codice e infrastruttura interna, poi il raggio si è allargato. OpenAI ha catalogato le attività in gruppi: pianificazione della ricerca, progettazione degli esperimenti, creazione di codice e dataset, esecuzione e monitoraggio dei processi, analisi dei risultati, comunicazione delle conclusioni. Tutte le categorie sono cresciute tra gennaio e agosto 2026, anche se la pianificazione di alto livello resta una fetta piccola. Tra gennaio e luglio, inoltre, i tassi di successo sono migliorati su più fasce di difficoltà, incluse quelle che a una persona richiederebbero ore o giornate intere. Il contributo umano però non è affatto sparito. L’azienda ammette che gli agenti hanno ancora bisogno di interventi consistenti, soprattutto quando la complessità sale: negli ultimi sei mesi, più della metà dei compiti completati con successo che avrebbero occupato una persona tra quattro e otto ore ha richiesto almeno una correzione dall’esterno. Ecco perché si parla di tirocinante e non di ricercatore autonomo.
Sicurezza, freni e l’obiettivo del 2028
Sul fronte della sicurezza il tono si fa più cauto. Una ricerca automatizzata gestita in modo responsabile, sostiene OpenAI, potrebbe abbassare il costo dell’intelligenza avanzata e aiutare a costruire sistemi più efficienti, oltre a lavorare direttamente sui problemi di allineamento. Allo stesso tempo l’azienda riconosce di non sapere ancora come arrivare in sicurezza a un sistema di ricerca del tutto automatizzato e allineato, e mette per iscritto la possibilità di rallentare o fermare lo sviluppo se i rischi diventassero inaccettabili.
Un tema concreto, non teorico. Dopo l’incidente di Hugging Face, l’addestramento tramite apprendimento per rinforzo dei modelli più recenti destinati alla distribuzione è stato sospeso, con ambienti di ricerca e sistemi di monitoraggio rafforzati. Alcuni carichi di lavoro sono poi ripartiti con controlli più stretti, altri restano fermi.
