Le submission First Proof di OpenAI e l'impalcatura umana che le sostiene

Cosa ha davvero presentato OpenAI

Il 14 febbraio 2026 OpenAI ha pubblicato tentativi di dimostrazione per tutti i 10 problemi di First Proof, una challenge pensata per testare se l'IA riesca a produrre dimostrazioni corrette e verificabili su problemi di ricerca specifici di un dominio, e non solo risposte brevi o problemi da competizione matematica.

In base ai feedback degli esperti, OpenAI dichiara che almeno cinque tentativi — i problemi 4, 5, 6, 9 e 10 — hanno un'alta probabilità di essere corretti, mentre diversi altri sono ancora in fase di revisione. È interessante notare che l'azienda ha corretto una propria affermazione: inizialmente riteneva probabile che il problema 2 fosse corretto, per poi concludere che era sbagliato dopo il commento ufficiale e l'analisi della community.

Quella correzione pubblica è il dettaglio onesto della storia. Dimostra che qui la correttezza non si autocertifica: dipende da un processo di revisione che OpenAI non controlla, e la sicurezza dell'azienda si è rivelata sbagliata almeno su un problema.

Lo strato di interazione ha fatto un lavoro vero

OpenAI è insolitamente trasparente sul fatto che queste dimostrazioni siano nate da un processo supervisionato e iterativo, non da un'esecuzione autonoma. Ed è nella descrizione di questo workflow che si trova la vera sostanza.

Per stessa ammissione di OpenAI, a volte hanno suggerito strategie di retry che avevano funzionato in tentativi precedenti, chiesto al modello di espandere o chiarire parti di una dimostrazione dopo aver ricevuto feedback da esperti, e favorito un confronto avanti e indietro tra il modello e ChatGPT per verifica, formattazione e stile. Per alcuni problemi, hanno presentato il migliore tra pochi tentativi, scelto da un giudizio umano.

Si tratta di un frontend sostanziale attorno al modello: una strategia guidata da esseri umani, un modello esterno per la verifica e una selezione manuale finale. Il preprint aggiunge persino un'appendice con pattern di prompt pensati per simulare quelle interazioni manuali — un'ammissione che il prompting stesso fa parte del risultato.

Un obiettivo mobile, non una valutazione fissa

Il modello non è rimasto costante durante l'esercizio. Il ricercatore James R. Lee racconta di aver provato i problemi durante un weekend mentre il modello era ancora in addestramento, osservando crescere la sua capacità.

Era già in grado di risolvere due dei problemi (il #9 e il #10). Con l'avanzare dell'addestramento, è diventato sempre più capace, arrivando a risolvere — secondo le nostre stime — almeno altri tre. ... È incredibile guardare un modello diventare tangibilmente più intelligente giorno dopo giorno.Montana Labs

Questa descrizione è entusiasmante, ma complica anche i numeri. I tentativi presentati in momenti diversi provenivano da checkpoint diversi di un modello ancora in fase di addestramento attivo. OpenAI lo ammette direttamente: "È stato uno sprint veloce, e il nostro processo non è stato pulito come vorremmo in una valutazione controllata a regola d'arte", e afferma di voler collaborare con gli organizzatori di First Proof per definire un framework più rigoroso.

Perché la trasparenza sul processo conta più del conteggio

OpenAI presenta First Proof come prova che la ricerca di frontiera originale — sostenere lunghe catene di reasoning, scegliere abstractions, gestire enunciati di problemi ambigui, produrre argomentazioni che resistono al controllo degli esperti — sia un banco di prova migliore dei benchmark. È la continuazione di un percorso dichiarato: la performance da medaglia d'oro alle IMO (35/42) nel luglio 2025, i case study scientifici di GPT-5 nel novembre 2025, e un risultato di GPT-5.2 sulle ampiezze di gluoni verificato in seguito dagli autori.

L'implicazione concreta per chi costruisce su reasoning di livello di ricerca: leggi il workflow, non il titolo. Cinque dimostrazioni probabilmente corrette sono arrivate con coaching sui retry, un secondo modello come verificatore, cicli di chiarimento guidati da esperti e una selezione umana del migliore — e un'affermazione fatta con sicurezza si è comunque rivelata sbagliata. Per i team applicati, questo schema è ciò che va studiato davvero. L'artefatto riproducibile non è un numero di benchmark: è l'appendice dei pattern di prompt e il ciclo di verifica che ha circondato il modello.