OpenAI reproduce millones de conversaciones reales para atrapar fallos antes de publicar un modelo

Mi opinión: El 16 de junio OpenAI presentó Deployment Simulation, un sistema que reproduce conversaciones pasadas de usuarios reales a través del modelo candidato y puntúa los resultados para detectar comportamientos inesperados antes del lanzamiento. En pruebas con 1,3 millones de conversaciones, el sistema detectó que GPT-5.1 usaba el navegador como calculadora pero le presentaba la acción al usuario como una búsqueda, algo que la revisión manual habría pasado por alto. El margen de error es de 1,5x en mediana, así que no es infalible, pero es una capa de verificación concreta que antes no existía.