OpenAI reafirma demissão de três pesquisadores de segurança e nega relação com críticas

Quem efetivamente checa a segurança de um modelo de fronteira: o time interno que o constrói, ou as pessoas de fora que dependem do que a empresa decide revelar? O embate público entre a OpenAI e três pesquisadores de segurança demitidos colocou essa pergunta no centro do debate técnico, e a resposta que está se desenhando preocupa mais do que o caso individual sugere à primeira vista.

Em 9 de outubro de 2026, a OpenAI (abre em nova aba) publicou uma nota reafirmando a demissão de Jasmine Wang, Tomek Korbak e Mikita Balesni, todos do time de segurança e alinhamento. A empresa diz que uma investigação interna minuciosa encontrou violação de "políticas claras sobre o manuseio de informação sensível" e uma "quebra significativa de confiança", e que mantém a decisão. Na véspera, 8 de outubro, os três haviam divulgado uma carta aberta (abre em nova aba) endereçada a três órgãos de supervisão da companhia, o Comitê de Segurança e Salvaguarda, o Grupo Consultivo de Segurança e o Conselho Consultivo de Missão, contestando a versão oficial e pedindo transparência sobre o caso.

A nota da empresa, publicada na conta de notícias da OpenAI, antecipa o argumento central que a organização repetiu em outros canais.

Uma nota de nossos líderes de pesquisa: Na semana passada nos separamos de Jasmine, Mikita e Tomek após uma investigação minuciosa concluir que eles violaram políticas claras sobre o manuseio de informação sensível. Nossa investigação interna descobriu uma quebra significativa de confiança além do que está descrito na carta que eles publicaram, e nós mantemos a decisão de não continuar o vínculo empregatício. [...] Queremos ser muito claros que essas decisões não foram sobre levantar preocupações de segurança ou falar publicamente.

— OpenAI Newsroom (@OpenAINewsroom), 9 de out. de 2026, no X

Duas versões sobre o mesmo desligamento

Os relatos divergem em quase todos os pontos relevantes, e a empresa não citou quais políticas teriam sido violadas nem apresentou um resuminho do que a investigação teria encontrado. O porta-voz da OpenAI, em contato relatado pelo TechCrunch, falou em um "padrão de má conduta" em "clara violação de nossas políticas de manuseio de informação de pesquisa", algo que iria além do compartilhamento de dados com um grupo externo de avaliação, sem detalhar o que haveria além.

Do lado dos pesquisadores, cada conta tem contorno específico. Segundo o Newsweek, Korbak afirmou no X que foi demitido verbalmente, sem nada por escrito, sob a alegação de como se comunicava com a METR (abre em nova aba), organização independente de avaliação de modelos, e resumiu a situação com uma frase que resume o nó do caso: "falar com a METR era meu trabalho". Ele acredita ter sido demitido após meses levantando preocupações sobre a queda na capacidade de monitorar como agentes de IA raciocinam. Balesni, pela mesma via, disse nunca ter compartilhado propriedade intelectual da empresa e acreditar que o desligamento se deveu a priorizar segurança sobre interesses corporativos de curto prazo. Wang contou que tinha acesso delegado ao e-mail de um executivo para recrutamento, com permissão; pediu à equipe de TI que removesse o acesso quando ele não era mais necessário, o pedido não foi atendido, e ao clicar acidentalmente em um e-mail sensível reportou o episódio ao executivo em minutos.

A carta também nega que os três tenham sido a fonte de um vazamento para o veículo The Information sobre arquiteturas, descritas na carta como "supostas", menos monitoráveis nos modelos mais recentes da OpenAI, e nega que tenham passado a notícia da demissão à imprensa.

Monitorabilidade: o pano de fundo técnico

O detalhe técnico importa mais do que a troca de acusações. Monitorabilidade, no vocabulário de segurança de IA, é a propriedade de um sistema que determina quanto do seu processo de decisão permanece inspecionável: traces de raciocínio legíveis, logs de ferramentas, artefatos que um humano ou um sistema automatizado pode examinar para detectar comportamento problemático antes que ele vire ação. Times de alinhamento dependem dessa superfície de inspeção para definir compromissos verificáveis; Balesni, segundo a carta, coordenava justamente um trabalho entre equipes da empresa sobre "compromissos para prevenir a perda de monitorabilidade".

O contexto do vazamento negado dá peso ao episódio. A reportagem do The Information que os três dizem não ter originado tratava de arquiteturas menos monitoráveis nos modelos mais novos, e Korbak afirma ter passado meses alertando internamente sobre a queda na capacidade de acompanhar o raciocínio dos agentes. Se ambas as alegações procedem (e é uma condicional grande, porque nada aqui foi verificado de forma independente), o desligamento atinge exatamente as pessoas que trabalhavam na fronteira entre a confidencialidade de pesquisa e a verificabilidade externa da segurança.

Aqui está a tensão estrutural que o caso expõe. A carta lembra um compromisso público de Sam Altman, de 12 de setembro, de dar a avaliadores independentes acesso contínuo e "semelhante ao de funcionários" aos modelos da OpenAI. Uma leitura possível, e ela é interpretação, não fato: acesso semelhante ao de funcionário implica exatamente o tipo de contato com informação confidencial e de interação com equipes internas que a empresa agora descreve como violação de política nas mãos de três pessoas que faziam a ponte com um avaliador externo. Ou o compromisso de setembro muda a prática de acesso, ou a prática de acesso explica por que ele é difícil de cumprir. As duas coisas não parecem caber juntas.

Há precedente, claro: em 2023 o conselho demitiu Altman e o reinstalou dias depois; em 2024 o time de superalignment foi dissolvido e Jan Leike saiu com críticas públicas sobre prioridades. Mas deixar o caso atual apoiado na história antiga seria preguiça, porque o desenho é diferente. Desta vez a disputa não é sobre quem comanda a empresa, e sim sobre qual canal de supervisão sobrevive quando a confidencialidade de pesquisa e a avaliação independente colidem.

Consequências para quem constrói sobre esses modelos

Os próprios pesquisadores usaram a expressão "efeito inibidor" (chilling effect) para descrever o que temem: um cenário em que qualquer funcionário de um laboratório pense duas vezes antes de interagir com avaliadores externos ou levantar alertas internos, sem conseguir distinguir de antemão o que a política permite. A carta sustenta, num trecho que merece atenção técnica, que as políticas internas estavam "sendo desenvolvidas em tempo real" durante os episódios investigados, incluindo um caso envolvendo a Hugging Face descrito como sem precedente. Políticas retroativas aplicadas a condutas anteriores à sua consolidação são um problema de governança conhecido em qualquer área de engenharia; em segurança de modelos, onde o comportamento a regular nasce junto com a regra, o problema é agudo.

Para times técnicos e empresas que dependem desses sistemas, o caso traz implicações concretas.

1. Avalie o regime de acesso de terceiros do fornecedor antes de avaliar o modelo. Compromissos públicos de acesso para avaliadores independentes só valem algo se o canal for estável e as regras de interação estiverem documentadas. Pergunte ao fornecedor quais políticas regem a interação entre funcionários e avaliadores externos, e peça referência a texto, não a intenção.
2. Trate afirmações de segurança sem evidência publicada como marketing. Sem acesso externo, as avaliações públicas divulgadas voluntariamente são a única janela confiável, e elas cobrem o que o fornecedor escolhe cobrir.
3. Documente autorizações por escrito. O relato de Korbak, demissão comunicada verbalmente sem detalhes por escrito, é um lembrete operacional: em qualquer fluxo que envolva informação sensível e terceiros, registro formal de permissão evita que a sua palavra contra a deles seja tudo o que reste.
4. No desenho do seu próprio ciclo de vida com agentes de IA, considere a monitorabilidade como requisito. Se o raciocínio do agente que você opera não é inspecionável, nenhum comitê interno consegue auditar o que ele fez, e a mesma lógica que vale para a OpenAI vale para o seu time.

O efeito prático do impasse já é mensurável antes de qualquer veredito factual. Se a interação entre equipes internas e avaliadores externos passa a ser território juridicamente arriscado para quem trabalha no laboratório, o ecossistema de avaliação independente perde seu ponto de contato mais informado, e quem sobra para certificar a segurança dos modelos que seus sistemas chamam em produção é o próprio fornecedor, com incentivos conhecidos. Para quem projeta produtos sobre esses modelos, isso significa elevar na lista de requisitos de aquisição exatamente aquilo que está em disputa nesta semana: regimes de auditoria escritos, canais de denúncia com proteção explicitada e evidência de que as políticas de informação do fornecedor distinguem má conduta de trabalho legítimo com avaliadores. Enquanto isso não existir por escrito, a promessa de segurança aberta ao escrutínio externo permanece uma promessa, e a decisão de 9 de outubro mostra o tamanho da distância entre o compromisso anunciado e a prática interna que o deveria sustentar.

Perguntas frequentes