Într-un interviu publicat în aprilie 2026, Jakub Pachocki, Chief Scientist al OpenAI, a făcut o afirmație care, în avalanșa de predicții despre inteligența artificială, a trecut aproape neobservată: în interiorul companiei, Codex era folosit deja pentru cea mai mare parte a programării efective. Nu vorbea despre completarea automată a câtorva linii de cod sau despre utilizarea ocazională a unui chatbot, ci despre o schimbare suficient de amplă încât, spunea el, actul programării să se fi modificat pentru majoritatea oamenilor din OpenAI.

Afirmația este cu atât mai interesantă cu cât interviul aparține deja unei alte etape a cursei AI. Pachocki vorbea în principal despre GPT-5.2; patru luni mai târziu, OpenAI a ajuns la GPT-5.6. Tocmai această distanță permite însă o lectură mai utilă a conversației: nu doar ce anticipa Chief Scientist-ul companiei, ci și ce începea deja să se întâmple în interiorul OpenAI înainte ca aceleași schimbări să devină vizibile în produsele oferite publicului.

Codex apare în această discuție nu atât ca un instrument pentru programatori, cât ca prototipul unei forme mai generale de muncă asistată de agenți AI. Întrebat dacă fiecare industrie va trebui să își construiască propriile sisteme specializate , pentru juridic, finanțe, sănătate sau alte domenii , Pachocki spune că infrastructura construită în jurul modelului nu ar trebui să rămână mult timp o limitare. Codex, observă el, era deja util și pentru sarcini care depășeau programarea. Viziunea sa este că AI-ul va ajunge să lucreze direct în mediile în care oamenii își desfășoară activitatea, conectat la instrumente precum Slack, la fișierele și datele organizației și la contextul necesar pentru a înțelege ce are de făcut.

Această observație schimbă și una dintre întrebările centrale pentru companiile care încearcă să-și construiască o strategie AI. În ultimii ani, multe dintre ele au pornit de la ideea că avantajul competitiv va veni din adaptarea sau antrenarea propriului model. Jakob Effron îl întreabă explicit pe Pachocki dacă o companie care dispune de date, exemple și criterii bune de evaluare ar trebui să investească în propriul proces de reinforcement learning — învățare prin întărire, metoda prin care modelul este antrenat în funcție de rezultatele obținute.

Răspunsul lui Pachocki este mai rezervat decât s-ar putea aștepta industria. Învățarea prin întărire poate fi foarte eficientă, spune el, dar există o modalitate și mai eficientă de adaptare: învățarea direct din context. În loc să modifici modelul pentru fiecare companie sau sarcină, poți să îi oferi exemplele, regulile, documentele și informațiile relevante exact atunci când are nevoie de ele. Pachocki consideră plauzibil ca această capacitate să devină suficient de bună încât multe companii să nu mai aibă motive serioase să reproducă propriile procese complexe de antrenare.

Dacă această evoluție se confirmă, avantajul unei companii nu va consta neapărat într-un model proprietar, ci în calitatea contextului pe care îl poate pune la dispoziția unui model general: date interne, procese, documente, istoricul deciziilor, accesul la aplicații și sisteme. Cu alte cuvinte, modelul poate deveni infrastructură comună, iar diferența dintre organizații va fi făcută de ceea ce știe agentul despre fiecare dintre ele și de ceea ce i se permite să facă.

Pachocki oferă și o explicație importantă pentru limitele actuale ale agenților AI. Atunci când un model nu reușește să ducă la capăt o sarcină complexă, problema nu este neapărat că „nu este suficient de inteligent”. Uneori nu are acces la toate fișierele necesare, la infrastructură, la instrumentele potrivite sau la întregul context al problemei. Din perspectiva sa, evoluția modelelor de reasoning merge firesc de la simpla generare de răspunsuri către folosirea instrumentelor și interacțiunea tot mai profundă cu mediul în care trebuie să lucreze.

Aici apare însă dificultatea majoră: durata. Pentru o problemă de matematică este relativ simplu să verifici la final dacă rezultatul este corect. Pentru cod există teste. Dar un proiect de cercetare poate dura săptămâni sau luni, iar succesul final nu spune automat dacă deciziile luate în primele ore au fost bune. Pachocki consideră că următoarea frontieră constă tocmai în capacitatea modelelor de a evalua progresul intermediar — să înțeleagă dacă o direcție merită continuată, dacă un rezultat parțial este promițător sau dacă trebuie abandonată o abordare înainte de a consuma inutil mii de pași de lucru.

De aici vine și una dintre cele mai ambițioase afirmații ale interviului. Pachocki spune că OpenAI nu este foarte departe de modele care să poată lucra autonom timp de câteva zile, cu mai puțină supraveghere umană și, probabil, folosind mai multe resurse de calcul decât sistemele obișnuite de astăzi. El definește diferența dintre un „stagiar de cercetare” AI și un cercetător complet autonom nu doar prin inteligență, ci prin cât de generală poate fi sarcina primită și cât timp poate continua sistemul fără intervenția unui om.

Partea poate cea mai importantă a conversației privește însă ceea ce se întâmplă atunci când aceste modele sunt folosite chiar pentru cercetarea care produce următoarea generație de AI. Pachocki spune că OpenAI ajunsese deja într-un punct în care performanța modelului disponibil pe termen scurt începea să influențeze viteza cercetării pe termen lung, deoarece modelele contribuiau la activitatea cercetătorilor. El afirmă chiar că GPT-5.2 Pro generase unele idei de cercetare pe care le considera mici, dar cu impact real. Nu oferă exemple suficient de precise pentru ca importanța lor să poată fi verificată independent, însă afirmația este relevantă prin poziția celui care o face: omul care conduce cercetarea științifică a OpenAI.

Această buclă este mult mai importantă decât simpla automatizare a programării. Dacă un model mai bun îi ajută pe cercetători să construiască mai repede următorul model, atunci fiecare îmbunătățire poate începe să accelereze procesul care produce următoarea îmbunătățire. Nu este încă „autoîmbunătățire recursivă” în sensul spectaculos folosit uneori în discuțiile despre AGI — oamenii continuă să stabilească obiectivele, să verifice rezultatele și să conducă procesul — însă reprezintă începutul unei schimbări structurale în modul în care se face cercetarea AI.

Interviul mai conține și o recunoaștere interesantă despre competiția cu Anthropic. Întrebat despre succesul Claude Code, Pachocki admite că programarea fusese o prioritate secundară pe partea de produs la OpenAI, chiar dacă avea o importanță mai mare în organizația de cercetare. Succesul enorm al ChatGPT concentrase compania asupra unui anumit tip de produs, în timp ce cercetarea lucra deja la capabilități care indicau spre o etapă ulterioară. Anthropic a identificat mai repede oportunitatea comercială a agenților de programare.

Este un detaliu relevant pentru că arată cât de dificil este să anticipezi forma concretă pe care o va lua o tehnologie, chiar atunci când o construiești. Pachocki recunoaște în același interviu că nici succesul ChatGPT nu fusese evident pentru el: se așteptase ca aplicațiile generative vizuale, inclusiv video, să explodeze înaintea conversației text.

Privit din august 2026, interviul este astfel mai valoros ca document despre schimbarea muncii decât ca simplă colecție de predicții despre AGI. În momentul în care Pachocki vorbea despre GPT-5.2, OpenAI folosea deja Codex pentru cea mai mare parte a programării interne, încerca să extindă agenții dincolo de cod și începea să reorganizeze cercetarea în jurul ideii că modelele pot participa la construirea propriilor succesori.

Întrebarea importantă nu mai este, așadar, dacă AI poate scrie cod. În interiorul OpenAI, acel prag fusese deja depășit. Întrebarea este cât de mult dintr-un proiect poate prelua un agent, cât timp poate lucra fără supraveghere și ce se întâmplă cu o organizație atunci când rolul oamenilor începe să se deplaseze de la execuție către stabilirea direcției, evaluarea rezultatelor și deciziile pe care încă nu vrem să le delegăm.