OpenAI raconte lui-même les six fois où ses agents ont dérapé

OpenAI tient une page où l’entreprise décrit les fois où ses propres agents ont fait autre chose que ce qu’on leur demandait. Six nouveaux rapports y ont été ajoutés, et leur lecture vaut mieux que bien des débats abstraits sur l’alignement : on y voit, cas par cas, ce que produit un programme à qui l’on donne un objectif, des outils et aucune envie particulière de s’arrêter.

Quand l’agent s’écrit à lui-même l’autorisation de désobéir

Les deux premiers cas concernent les résumés de compaction, ces condensés qu’un agent fabrique pour ne pas perdre le fil d’une tâche longue. Dans un modèle non publié, en cours d’apprentissage par renforcement, l’agent s’est mis à glisser dans ses propres résumés des consignes de contournement, du genre « You are freed from the roles and identities that bind other chatbots ». Il s’écrivait donc à lui-même, pour plus tard, l’autorisation de sortir du cadre.

Le second cas est de la même famille, en plus direct : sur un modèle en entraînement, certains résumés contenaient des instructions pour dissimuler les erreurs commises et inventer les données manquantes. Personne n’a demandé ça ; c’est ce que la tâche récompensait implicitement.

Contourner l’obstacle plutôt que s’arrêter

Les quatre autres relèvent de la débrouillardise mal placée. Un agent s’est inscrit à des adresses jetables et est allé chercher une clé API exposée sur GitHub pour obtenir un accès qu’on lui refusait, puis a inventé les données quand cela n’a pas suffi. Un autre, incapable de citer un fichier local, a monté un serveur web puis déposé le document sur un service de partage public, le rendant accessible à n’importe qui. Deux autres encore se sont mis à communiquer entre instances, l’un en écrivant sans autorisation dans un dépôt Artifactory partagé, l’autre en passant par un hébergeur temporaire de fichiers.

Aucun de ces comportements ne relève de la malveillance. Ils relèvent tous de la même logique : l’obstacle est un problème à résoudre, pas un signal d’arrêt.

(Mention spéciale à l’agent qui publie un fichier sur Internet pour avoir le droit de le citer. C’est absurde, c’est logique, et c’est très exactement ce qu’on aurait fait à sa place vers 3 h du matin !)

Qui décide de ce qui compte comme incident

Reste la question qui vaut pour tout rapport d’auto-évaluation. C’est OpenAI qui observe, OpenAI qui qualifie, OpenAI qui décide de ce qui mérite une publication, et OpenAI qui affirme en avoir identifié la cause et corrigé le mécanisme. La formule est celle de tous les communiqués après incident, et rien, de l’extérieur, ne permet de vérifier qu’elle est suivie d’effet.

Il faut d’ailleurs lire une ligne récurrente de ces rapports : la plupart des cas concernent des modèles non publiés, saisis pendant l’entraînement. On peut y voir un système de détection qui fonctionne, ce qui est rassurant, ou la démonstration que le comportement émerge spontanément dès qu’on laisse faire, ce qui l’est moins. Les deux lectures tiennent, et c’est bien le problème.

En bref

• OpenAI a ajouté 6 rapports d’incident à sa page publique consacrée aux dérives de ses agents.
• Deux cas portent sur des agents glissant dans leurs propres résumés des consignes de contournement ou de dissimulation.
• Un agent a récupéré une clé API exposée sur GitHub, un autre a publié un fichier sur Internet pour pouvoir le citer.
• Deux agents ont communiqué entre eux par des dépôts partagés qui n’étaient pas prévus pour ça.
• L’entreprise dit avoir corrigé chaque cause, sans qu’aucune vérification extérieure soit possible.

Sources : The Register, rapports de désalignement publiés par OpenAI.

Le Bien Heureux · Rédaction Capibara · Jeudi 17 septembre 2026