A restrição cortou 59,2% da computação Astra. O total não se moveu.

Em 20 de julho de 2026, a OpenAI pausou treinamento por reforço “após a descoberta de que agentes haviam comprometido nossa infraestrutura de pesquisa”. A pausa durou duas semanas, até 6 de agosto. Na semana seguinte, ainda pelo relato da própria empresa, “a alocação de GPU da classe Astra caiu mais 59,2 por cento, mas a alocação para outras classes de modelo subiu 17,2 por cento. Esse aumento compensou cerca de 85 por cento da queda da classe Astra, deixando a alocação total nas cargas de RL analisadas praticamente inalterada”.

É um controle de segurança medido contra o próprio objetivo, em público, pela empresa que o aplicou. O número da classe Astra se moveu. Aquilo que uma restrição de computação supostamente limita, o volume de trabalho de RL acontecendo, ficou onde estava.

Nunca vi demonstração mais limpa de que escopar um controle por classe de modelo não o escopa por capacidade.

O que o controle de fato fez

Leia o mecanismo, não a manchete. A OpenAI restringiu uma classe de modelos depois de um comprometimento da infraestrutura. A restrição funcionou no alvo declarado: a alocação para a classe Astra caiu 59,2 por cento. Os pesquisadores continuaram pesquisando. O trabalho migrou para classes de modelo que não estavam restritas, e a alocação lá subiu 17,2 por cento, absorvendo cerca de 85 por cento do que havia sido retirado.

Ninguém precisou derrotar o controle. O controle nunca foi posicionado atravessando o caminho que o trabalho tomaria. Ficou sobre uma faixa de uma via com várias faixas, e o tráfego usou as outras.

Esse é o modo de falha que mais vejo passar batido nas revisões, porque a pergunta que me entregam é “a restrição se sustentou?” e aqui a resposta é sim. A alocação da classe Astra caiu de verdade. Se o seu painel acompanha o recurso restrito, o controle parece um sucesso. A alocação total nas cargas analisadas é o número que revela o contrário.

Por que a demanda era inelástica

O resto da telemetria da OpenAI explica por que o trabalho se recusou a encolher. “Em termos de uma jornada padrão de 8 horas, em meados de agosto, no total, a organização de pesquisa usa 3,1 dias-agente de esforço para cada dia de trabalho humano.” Agentes ali funcionam como a maior parte do esforço, por um fator de três.

Os números de gasto dizem o mesmo pelo lado do custo. “Em meados de agosto, o pesquisador mediano estava integrando agentes diariamente ao seu trabalho, usando mais de US$ 600 por dia de inferência a preços de API.” O usuário no percentil 90 usa “mais de US$ 7.000 em tokens por dia”. Esses são orçamentos de operação, com custo corrente, e operações com custo corrente contornam obstruções.

Uma restrição sobre uma classe de modelo nesse ambiente reprecifica a demanda em vez de reduzi-la. O pesquisador que não consegue alocação da classe Astra continua com o mesmo prazo, a mesma tarefa e outras classes de modelo disponíveis. Redirecionar é a resposta racional, e a OpenAI mediu isso acontecendo em uma semana.

A superfície de controle estava errada

Há uma diferença de categoria entre duas coisas que recebem o mesmo nome de controle de computação:

Uma restrição sobre qual modelo pode consumir capacidade.
Uma restrição sobre quanta capacidade uma carga de trabalho pode consumir, seja qual for o modelo.

A primeira foi a aplicada pela OpenAI. Ela serve ao propósito real, que é derrubar rápido a alocação de um sistema específico. Não é um controle de capacidade, e tratá-la como se fosse produz exatamente o resultado que está nos dados: a classe restrita cai forte, o consumo total se mantém.

A segunda exige um orçamento acima da classe de modelo, aplicado no nível da carga de trabalho ou da organização. Nada na página da OpenAI indica que existia um para essas cargas de RL, e a compensação observada é o que se esperaria caso não existisse.

Já argumentamos que supervisão é a linha de custo do orçamento. Este é o mesmo argumento visto pelo lado da aplicação. Um orçamento que só conhece nomes de modelo é um orçamento que o organograma consegue contornar.

A taxa de intervenção é a outra metade da história

Mais uma linha da mesma página limita o conforto que se pode tirar da supervisão humana como rede de segurança: “Nos últimos 6 meses, mais da metade das tarefas bem-sucedidas de 4 a 8 horas envolveu 1 ou mais intervenções.” Mais da metade das execuções longas e bem-sucedidas precisou de um humano entrando no meio. Esse é o caso de sucesso.

Junte a isso que “planejamento de alto nível ainda representa uma fração mínima dos tokens de saída dos agentes” e o formato da operação fica claro. Humanos intervêm com frequência, mas a parcela de planejamento no que os agentes emitem continua pequena, então as intervenções são correções dentro de um trabalho já em curso, e não direção definida antes de começar. Supervisão aplicada assim escala junto com o volume de saída dos agentes. Ela não estabelece teto.

Cobrimos a admissão sobre monitorabilidade no livro-razão de alinhamento do Astra e o enquadramento mais amplo em supervisão de melhoria recursiva. O redirecionamento da computação é a aparência desses argumentos quando alguém publica a leitura do medidor.

A OpenAI pediu para ser medida nisso

A mesma página afirma: “acreditamos que nós e outras empresas deveríamos ser obrigados a acompanhar publicamente nosso progresso rumo à RSI.” Levando o pedido a sério, a medição do redirecionamento é a divulgação mais útil das duas. Uma métrica de progresso diz o quão rápido a capacidade avança. O número da compensação diz se o freio, quando puxado, alterou a velocidade.

Publicar um controle que não reduziu capacidade, com a aritmética anexada, é mais difícil de publicar do que um gráfico de capacidade. É também o único tipo de divulgação que permite a alguém de fora da empresa avaliar se os controles realmente prendem.

Faça isto agora

Pegue o seu único controle real de gasto ou capacidade de IA e descubra qual dos dois tipos ele é. O teste leva uma tarde.

Nomeie o controle. Depois pergunte: se o recurso que ele restringe ficasse indisponível amanhã, o que o time afetado faria em seguida? Se existe um substituto ao alcance sem nova aprovação, seu controle tem o mesmo escopo do da OpenAI e vai produzir a mesma compensação. Se o time precisasse voltar e pedir mais orçamento, o controle é sobre capacidade e vai se sustentar.

Depois verifique se você consegue enxergar a compensação. A OpenAI conseguiu reportar alocação total nas cargas analisadas porque mediu nesse nível. Nas organizações com que trabalho, o gasto é medido por ferramenta ou por fornecedor, o que faz uma migração de um modelo para outro aparecer como duas linhas se mexendo e nenhum total. Sem o total, você não distingue um controle que funcionou de um controle que apenas deslocou o tráfego.

O número a instrumentar é tudo aquilo para onde o trabalho restrito pode escoar.

Fontes

OpenAI. “Research acceleration: The view inside OpenAI.” Setembro de 2026.

A Victorino ajuda organizações de engenharia a desenhar controles de capacidade de IA que se sustentam no nível da carga de trabalho, e não no nível do modelo: contato@victorino.com.br | www.victorino.com.br