A OpenAI abre um intercâmbio de investigação sujeito a proposta para a economia da AI (mantém-se o acrónimo em inglês)

Uma plataforma, não um fundo de apoio

A OpenAI descreve o Economic Research Exchange como uma "plataforma de apoio a investigação externa de elevado impacto sobre os efeitos económicos da AI" (mantém-se o acrónimo em inglês). A distinção é relevante. Não se trata de um cheque passado a um departamento universitário; é uma colaboração estruturada em que os investigadores selecionados trabalham através de "colaborações baseadas em projetos com a OpenAI Economic Research".

O enquadramento é deliberado. A OpenAI quer "evidência credível e independente sobre a forma como a AI (mantém-se o acrónimo em inglês) está a afetar trabalhadores, empresas, instituições e a economia em geral". A independência é afirmada, mas a investigação decorre sobre os trilhos da OpenAI: as suas ferramentas, os seus conjuntos de dados e os seus processos de revisão.

A AI (mantém-se o acrónimo em inglês) está a transformar a forma como as pessoas trabalham, como as empresas operam e como as ideias são criadas e partilhadas. Compreender essas mudanças vai exigir mais do que anedotas.Montana Labs

O acesso aos dados é o verdadeiro produto

O detalhe de engenharia mais interessante é aquilo que é oferecido aos investigadores. As propostas devem "explicar de que forma um uso cuidadosamente controlado e protegido em termos de privacidade das ferramentas da OpenAI pode ajudar a responder a estas questões". A proposta de valor é o acesso a dados que "vão além dos conjuntos de dados tradicionais" — sinais de utilização de um modelo de fronteira que nenhuma equipa externa conseguiria reunir por outra via.

Esse acesso vem envolto em condicionantes: "objetivos definidos, governação de dados e processos de revisão", além de "salvaguardas claras para a privacidade dos utilizadores e o uso responsável dos dados". Na prática, a interface entre o investigador e os dados é mediada. A OpenAI é o front end da sua própria telemetria de utilização, e é ela quem decide como esses dados são disponibilizados.

O Exchange "assenta" no OpenAI Signals, o seu esforço de medição já existente. Ou seja, o programa externo apoia-se numa instrumentação interna que a OpenAI já opera — os investigadores externos alargam um pipeline em vez de construírem um do zero.

Uma janela de candidaturas comprimida

O calendário é apertado. As candidaturas estão abertas e encerram a 5 de julho de 2026, com os investigadores selecionados a serem notificados até 31 de julho de 2026. É um prazo curto para as propostas empíricas que a OpenAI diz querer — trabalho em "inferência causal aplicada, medição, economia do trabalho, produtividade, empresas, educação, empreendedorismo, finanças públicas, economia regional, desenvolvimento, desigualdade ou áreas relacionadas".

Os critérios de avaliação são explícitos: "rigor metodológico, viabilidade, adequação às prioridades do Exchange, objetivos claros e potencial para contribuir com evidência externa credível". "Adequação às prioridades do Exchange" é a expressão a ter em conta — viabilidade e rigor são critérios habituais, mas a adequação às prioridades significa que é a OpenAI a orientar as perguntas, não apenas a financiar quem as formula melhor.

A implicação: a OpenAI molda a base de evidências sobre a sua própria pegada económica

O Exchange coloca a OpenAI simultaneamente como objeto de estudo e como guardiã dos dados usados para o estudar. Essa é uma tensão real. O objetivo declarado — ampliar "a base de evidências disponível para investigadores, decisores políticos, empresas e o público" — só é credível na medida em que a governação, a revisão e os controlos de privacidade não filtrem também que conclusões podem emergir.

Para as equipas que constroem sobre os modelos da OpenAI, a conclusão prática é mais estreita e concreta: os dados iniciais mais autorizados sobre o efeito da AI (mantém-se o acrónimo em inglês) no trabalho e na produtividade virão de um portefólio que a OpenAI selecionou, delimitou e instrumentou. Trate essa evidência como valiosa, mas estruturalmente enquadrada — leia a metodologia e os termos de acesso aos dados com o mesmo cuidado com que lê os resultados.