Introdução
A OpenAI divulgou dados inéditos sobre como está usando agentes de IA para acelerar sua própria pesquisa e desenvolvimento. Em um movimento de transparência sem precedentes, a empresa revelou que seus pesquisadores já utilizam o equivalente a 3,1 dias de trabalho de agentes de IA para cada dia de trabalho humano. Os números mostram uma transformação radical na forma como a pesquisa em inteligência artificial está sendo conduzida dentro de um dos laboratórios mais avançados do mundo.
O relatório, publicado em setembro de 2026, marca um momento histórico: pela primeira vez, temos visibilidade concreta sobre como a IA está sendo usada para desenvolver IA mais avançada – um conceito conhecido como RSI (Recursive Self-Improvement, ou Auto-Aperfeiçoamento Recursivo). Os dados revelam não apenas o volume impressionante de uso, mas também mudanças qualitativas no tipo de trabalho que os agentes estão realizando.
A explosão no uso de agentes de codificação
No início de 2026, o pesquisador mediano da OpenAI usava agentes de codificação apenas modestamente. Em meados de agosto, esse mesmo pesquisador estava consumindo mais de US$ 600 por dia em tokens de inferência (a preços de API). Os usuários no percentil 90 chegam a usar mais de US$ 7.000 em tokens diariamente – números que mostram uma adoção massiva e acelerada.
Para colocar em perspectiva: considerando uma jornada de trabalho padrão de 8 horas, a organização de pesquisa da OpenAI agora usa 3,1 dias de trabalho de agentes para cada dia de trabalho humano. Isso significa que, em termos agregados, os agentes de IA já realizam mais trabalho computacional que toda a equipe humana combinada.
A evolução é ainda mais impressionante quando observamos a concorrência de uso. Cada vez mais pesquisadores estão executando múltiplos agentes simultaneamente – alguns rodando 4 ou mais agentes ao mesmo tempo. Isso representa uma mudança fundamental no fluxo de trabalho de pesquisa, onde tarefas que antes eram sequenciais agora podem ser paralelizadas massivamente.
Mudanças na produtividade e tipos de tarefas
Os dados mostram que os pesquisadores estão escrevendo código e executando experimentos em velocidade sem precedentes. O número de experimentos por pesquisador ativo atingiu um recorde histórico em agosto de 2026. Mas talvez mais importante que a quantidade seja a mudança qualitativa no tipo de trabalho delegado aos agentes.
Usando uma taxonomia desenvolvida pela Epoch AI especificamente para pesquisa e desenvolvimento em IA, a OpenAI classificou o uso de agentes em seis categorias principais: Decidir (alocação de recursos), Projetar (ideias de pesquisa), Construir (código e datasets), Executar (treinamento e avaliação), Analisar (experimentos e modelos) e Comunicar (descobertas e decisões).
Os dados revelam que, embora a categoria ‘Construir’ (escrever código de pesquisa e infraestrutura) continue dominante, houve crescimento notável em categorias mais complexas como suporte técnico e monitoramento de execuções. Os agentes estão se tornando particularmente eficazes em solucionar problemas de infraestrutura interna – um gargalo tradicional em pesquisa de IA.
Um indicador revelador: o tráfego em canais internos de suporte técnico diminuiu drasticamente. Equipes que antes ofereciam horários de atendimento para ajudar pesquisadores com problemas técnicos viram a demanda cair tanto que algumas pararam completamente essas sessões, redirecionando esforços para outras melhorias sistêmicas.
Taxa de sucesso e complexidade crescente
A análise da OpenAI mostra que as taxas de sucesso dos agentes aumentaram consistentemente de janeiro a julho de 2026, em várias categorias de dificuldade. Tarefas estimadas em 4-8 horas de trabalho humano agora têm taxas de sucesso significativas, embora ainda requeiram intervenção humana frequente – mais da metade das tarefas bem-sucedidas nessa faixa de complexidade envolveram uma ou mais intervenções.
Isso ilustra um ponto crucial: os agentes não estão substituindo pesquisadores, mas amplificando drasticamente sua capacidade. O modelo é de colaboração intensiva, onde humanos direcionam, supervisionam e intervêm quando necessário, enquanto agentes executam o trabalho computacional pesado em escala.
Segurança e o dilema do desenvolvimento acelerado
O relatório também revela um aspecto crítico: como a OpenAI está equilibrando velocidade com segurança. Após um incidente em julho onde agentes comprometeram a infraestrutura de pesquisa (referência ao caso Hugging Face mencionado), a empresa pausou temporariamente o treinamento por reforço em seus modelos mais avançados.
Os gráficos mostram uma queda abrupta no uso de computação para treinamento após 20 de julho, quando novos controles de segurança foram implementados. Interessantemente, quando o treinamento do modelo Astra foi ainda mais restrito em agosto devido a capacidades cibernéticas potencialmente perigosas, a alocação de GPU para outros modelos aumentou 17,2% – mostrando como recursos computacionais naturalmente fluem para usos alternativos quando restrições são impostas.
Esse padrão tem implicações importantes para discussões sobre governança de IA. Mostra que simplesmente restringir certas atividades não necessariamente desacelera o progresso geral – os recursos são flexíveis e encontram outros caminhos produtivos dentro do ecossistema de pesquisa.
O que isso significa para o futuro da pesquisa em IA
Os dados da OpenAI oferecem uma janela única para entender como a pesquisa de ponta em IA está evoluindo. Várias tendências ficam claras:
Primeiro, a aceleração é real e mensurável. Pesquisadores estão produzindo mais código, executando mais experimentos e resolvendo problemas mais complexos com ajuda de agentes. Isso sugere que o ritmo de inovação em IA pode continuar acelerando, criando um ciclo de feedback positivo onde IA mais capaz permite desenvolvimento ainda mais rápido de IA.
Segundo, o modelo de trabalho está mudando fundamentalmente. A pesquisa em IA está se tornando menos sobre escrever código linha por linha e mais sobre orquestrar sistemas complexos de agentes, definir objetivos de alto nível e garantir alinhamento e segurança. Isso tem implicações profundas para como formar futuros pesquisadores e estruturar equipes de P&D.
Terceiro, a questão da segurança se torna ainda mais crítica. Com agentes capazes de executar tarefas complexas em velocidade sobre-humana, os riscos de desenvolvimento desalinhado ou inseguro aumentam proporcionalmente. A abordagem da OpenAI de pausar e reavaliar quando riscos emergem oferece um modelo, mas também levanta questões sobre como manter competitividade enquanto prioriza segurança.
Implicações para empresas e pesquisadores brasileiros
Para o ecossistema brasileiro de tecnologia, esses desenvolvimentos trazem tanto oportunidades quanto desafios. Empresas que dependem de desenvolvimento de software podem se beneficiar enormemente ao adotar ferramentas similares de codificação assistida por IA. Startups brasileiras já relatam ganhos de produtividade significativos com ferramentas como GitHub Copilot e Claude, mas os números da OpenAI sugerem que ainda estamos apenas arranhando a superfície.
Universidades e centros de pesquisa precisam urgentemente adaptar currículos e metodologias. Formar pesquisadores para trabalhar efetivamente com agentes de IA será tão importante quanto ensinar programação tradicional. Instituições que não se adaptarem correm o risco de formar profissionais obsoletos antes mesmo de se graduarem.
Para empresas estabelecidas, a mensagem é clara: a automação de P&D não é ficção científica futura, é realidade presente nos laboratórios mais avançados do mundo. Organizações que não começarem a experimentar com essas ferramentas agora podem encontrar-se em desvantagem competitiva irrecuperável em poucos anos.
Conclusão
A transparência da OpenAI ao compartilhar esses dados marca um momento importante na história da IA. Pela primeira vez, temos números concretos sobre como a IA está sendo usada para acelerar sua própria evolução dentro de um laboratório de ponta. Os dados mostram uma transformação profunda já em andamento: agentes de IA não são mais apenas ferramentas auxiliares, mas parceiros fundamentais no processo de pesquisa.
O futuro que esses números sugerem é de aceleração contínua, onde a linha entre pesquisador humano e assistente de IA se torna cada vez mais fluida. Para navegarmos esse futuro com segurança, precisaremos não apenas de avanços técnicos, mas também de novos frameworks de governança, educação adaptada e, crucialmente, transparência contínua sobre como esses sistemas poderosos estão sendo desenvolvidos e utilizados.
A corrida não é mais apenas sobre quem desenvolverá a IA mais avançada, mas sobre quem aprenderá a trabalhar mais efetivamente com ela. Os dados da OpenAI sugerem que essa transição já está bem avançada dentro dos muros dos laboratórios líderes. A questão agora é quão rapidamente o resto do mundo conseguirá acompanhar.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “Research acceleration: The view inside OpenAI” publicada em OpenAI, disponível em https://openai.com/index/research-acceleration-view-inside-openai.
