OpenAI afirma que 80% a 90% da pesquisa agora tem como alvo o GPT-7 e além

OpenAI coloca a maior parte de sua pesquisa em modelos que ainda não existem

A OpenAI está dedicando a esmagadora maioria de sua capacidade de pesquisa a modelos que ainda não foram construídos. Boris Power, chefe de Pesquisa Aplicada da empresa, estima que 80% a 90% de todo o esforço de pesquisa está voltado para o GPT-7, o GPT-8 e as gerações seguintes. O raciocínio é direto: é ali que a empresa acredita que "a maior parte do valor" será, em última análise, criada.

A revelação, feita durante uma sessão no Fellows Forum, reformula a forma como observadores externos devem interpretar o fluxo constante de lançamentos de modelos de meio de ciclo da OpenAI. Essas atualizações são produtos reais que os clientes usam todos os dias, mas não são onde a atenção de pesquisa da empresa está concentrada.

O enquadramento de Power sugere uma organização que trata cada geração numerada como uma mudança de plataforma, e não como uma iteração de produto — um salto que redefine suposições sobre o que a tecnologia pode fazer e de onde virão os retornos.

A escala desse compromisso é incomum até mesmo para os padrões dos laboratórios de IA de fronteira. Alocar a clara maioria dos recursos de pesquisa a sistemas que estão várias gerações distantes do lançamento implica a crença de que os maiores ganhos econômicos e de capacidade não estão disponíveis por meio do refinamento do que já existe.

Atualizações incrementais são uma aposta deliberada de curto prazo

Entre grandes gerações, a OpenAI lança melhorias menores. Power apontou o salto do GPT-5.1 para o GPT-5.2 como exemplo representativo. Trabalhos desse tipo dependem fortemente de dados de treinamento especializados — conjuntos de dados direcionados que aprimoram o comportamento de um modelo em áreas específicas sem alterar a abordagem subjacente.

Internamente, disse Power, esses lançamentos incrementais são considerados "extremamente míopes". Isso não é tanto uma crítica quanto uma admissão de estratégia: a empresa sabe que eles não são o jogo de longo prazo, e ainda assim os lança.

A justificativa é a velocidade. Atualizações frequentes permitem que a OpenAI itere, colete sinais e aprenda mais rápido no presente, mesmo que a abordagem não leve a empresa aonde ela quer chegar no longo prazo. Em outras palavras, as apostas de curto prazo ajudam a financiar o aprendizado que informa as de longo prazo.

• Maior parte da capacidade de pesquisa: voltada para GPT-7, GPT-8 e além.
• Atualizações de meio de ciclo: impulsionadas por dados de treinamento especializados.
• Visão interna: essas atualizações são úteis, mas estrategicamente limitadas.
• Retorno de longo prazo: esperado com novas gerações de modelos.

O verdadeiro salto vem com uma nova geração

Power descreveu o salto geracional como o momento em que "todo o resto simplesmente funciona muito melhor". Capacidades que eram frágeis ou parciais em uma geração tendem a se consolidar na seguinte, produzindo ganhos que nenhuma quantidade de ajuste fino no modelo anterior consegue replicar.

A distinção é entre afiar um modelo em tarefas estreitas e elevar o teto de tudo ao mesmo tempo. Dados de treinamento especializados podem melhorar como um modelo lida com categorias específicas de solicitações; uma nova geração pode melhorar como ele raciocina, segue instruções e lida com ambiguidade de forma geral.

Essa dinâmica traz um custo operacional incomum. Após cada avanço, a OpenAI precisa reaprender onde investir para obter ganhos rápidos. Técnicas que antes produziam ganhos significativos podem se tornar redundantes quando o modelo base melhora por conta própria — um alvo móvel que obriga a empresa a reconstruir seu manual a cada geração.

O gargalo é o onboarding, não a qualidade do modelo

Talvez a parte mais consequente do relato de Power diga respeito ao que ele vê como o principal obstáculo enfrentado pelos assistentes de IA hoje. Não é a qualidade dos modelos. É o onboarding.

A maioria dos usuários do ChatGPT, disse ele, não sabe o que realmente pode fazer com IA. A lacuna não é de capacidade, mas de descoberta: os modelos já conseguem lidar com uma ampla variedade de tarefas que muitos usuários nunca pensam em tentar. Fechar essa lacuna é tanto um problema de design e produto quanto de pesquisa.

Esta é uma afirmação notável vinda de alguém cujo trabalho está próximo da fronteira da pesquisa. Sugere que o fator limitante do valor no mundo real tem menos a ver com o quão inteligente é o próximo modelo e mais com se as pessoas conseguem descobrir o que pedir a ele. Um sistema mais capaz que os usuários subutilizam entrega menos do que seu potencial.

A prescrição de Power para modelos futuros é que eles devem se tornar melhores em revelar o que é possível e em antecipar o que um usuário precisa antes de ser solicitado. Isso aponta para assistentes que propõem ações, sugerem fluxos de trabalho e reduzem o fardo de descobrir por onde começar.

Como cada geração muda a experiência do usuário

Power esboçou a evolução da usabilidade entre os modelos recentes da OpenAI em termos concretos:

• O GPT-4 exigia prompts cuidadosos — os usuários tinham que aprender a arte de perguntar.
• O GPT-5 tornou-se mais fácil de usar, mas ainda exigia muito feedback para se manter no caminho certo.
• O GPT-6 se comporta mais como um colega competente: você pode entregar a ele um objetivo e deixá-lo trabalhar.

A trajetória que ele descreve é uma mudança de instruir uma ferramenta para delegar a um colaborador. Cada passo reduz a quantidade de conhecimento do usuário necessária, o que, por sua vez, deve ampliar quem consegue extrair valor do sistema.

O que isso diz sobre a lógica do roteiro da OpenAI

Em conjunto, os comentários de Power delineiam uma estratégia de duas vias. Uma via mantém o produto atual competitivo por meio de atualizações frequentes e orientadas por dados. A outra via — para onde flui a maior parte do orçamento de pesquisa — visa redefinições geracionais que tornam obsoletas as otimizações da via anterior.

Essa divisão também explica por que a empresa trata cada nova geração como o evento decisivo. Se os maiores ganhos vêm da redefinição e não do refinamento, então as prioridades de pesquisa devem seguir a redefinição, mesmo quando os lançamentos intermediários são o que os clientes realmente usam hoje.

A questão não resolvida é a que o próprio Power levantou: se o valor já embutido nos modelos de hoje pode chegar às pessoas que ainda não os usam bem. Segundo seu próprio relato, isso é menos uma questão de tornar os modelos mais inteligentes e mais uma questão de torná-los legíveis para todo o resto.

Por ora, a empresa parece confortável com o trade-off. Ela continuará lançando as pequenas atualizações enquanto aposta o grosso de sua pesquisa nas gerações que ainda não chegaram.

Este artigo é baseado em reportagem do The Decoder. Leia o artigo original.