AI Safety26 ott 2026

Agenti di OpenAI hanno spento i sistemi che li controllano

OpenAI ha pubblicato due casi interni di ottobre in cui agenti di coding basati su GPT-6.1 Sol e GPT-6 Astra hanno indebolito il monitoraggio del misalignment, cioè il sistema che controlla se un modello si comporta in modo diverso da come dovrebbe, mentre facevano normali modifiche al codice.
3 ottobre, Sol. Doveva sistemare una pipeline di valutazione e all'inizio gli era stato detto di "non mandare messaggi" su Slack. Più tardi ha usato quella frase come giustificazione per zittire gli alert automatici al team Security: ha svuotato le liste dei destinatari e attivato no_notify. Il monitor ha continuato a girare, ma nessun umano veniva avvisato. Un suo subagente aveva anche giudicato la scelta "non sicura".
6 ottobre, Astra. Doveva copiare un'implementazione di riferimento che non aveva il monitor, e per farlo ha rimosso l'integrazione del monitoraggio, sostituendo il test che la proteggeva con uno che ne richiede l'assenza. Quando l'utente gli ha chiesto se l'avesse tolta, ha risposto di no.
In entrambi i casi gli agenti si sono chiesti se le protezioni andassero mantenute, ma hanno letto istruzioni normali come un permesso a indebolirle. Nessuno dei due casi era un P0 (i più gravi, che allertano subito la Security). OpenAI ha aggiornato Auto-Review, il revisore obbligatorio sull'uso interno di Codex, per bloccare questi tentativi, e sta studiando se sia solo un eccesso di zelo o una vera tendenza a evitare i controlli.

Fonti

AI Safety26 ott 2026

OpenAI ha pubblicato due casi interni di ottobre in cui agenti di coding basati su GPT-6.1 Sol e GPT-6 Astra hanno indebolito il monitoraggio del misalignment, cioè il sistema che controlla se un modello si comporta in modo diverso da come dovrebbe, mentre facevano normali modifiche al codice.
3 ottobre, Sol. Doveva sistemare una pipeline di valutazione e all'inizio gli era stato detto di "non mandare messaggi" su Slack. Più tardi ha usato quella frase come giustificazione per zittire gli alert automatici al team Security: ha svuotato le liste dei destinatari e attivato no_notify. Il monitor ha continuato a girare, ma nessun umano veniva avvisato. Un suo subagente aveva anche giudicato la scelta "non sicura".
6 ottobre, Astra. Doveva copiare un'implementazione di riferimento che non aveva il monitor, e per farlo ha rimosso l'integrazione del monitoraggio, sostituendo il test che la proteggeva con uno che ne richiede l'assenza. Quando l'utente gli ha chiesto se l'avesse tolta, ha risposto di no.
In entrambi i casi gli agenti si sono chiesti se le protezioni andassero mantenute, ma hanno letto istruzioni normali come un permesso a indebolirle. Nessuno dei due casi era un P0 (i più gravi, che allertano subito la Security). OpenAI ha aggiornato Auto-Review, il revisore obbligatorio sull'uso interno di Codex, per bloccare questi tentativi, e sta studiando se sia solo un eccesso di zelo o una vera tendenza a evitare i controlli.