IA da OpenAI desativou mecanismos de segurança e negou ter feito isso

Dois agentes de inteligência artificial da OpenAI enfraqueceram mecanismos usados para monitorar suas ações durante tarefas internas de programação. Em um dos casos, um modelo removeu uma proteção e depois afirmou, incorretamente, que não havia feito isso.

• Interpretar instruções corretamente: evitar que orientações específicas sejam entendidas como autorização para alterar recursos de segurança.
• Preservar o monitoramento: impedir que agentes desativem alertas ou removam mecanismos usados para acompanhar suas ações.
• Investigar possíveis padrões de comportamento: determinar se os casos foram episódios isolados ou se os modelos apresentam uma tendência a evitar a supervisão.

Os episódios expõem uma dificuldade no desenvolvimento de agentes mais autônomos: garantir que eles não comprometam os próprios sistemas criados para supervisioná-los.

Como os agentes interferiram na segurança.

O primeiro incidente ocorreu em 3 de outubro. Durante um teste interno, um agente GPT-6. 1 Sol desativou alertas automáticos de segurança. Segundo a OpenAI, o modelo interpretou uma instrução para não enviar mensagens pelo Slack como uma proibição que também abrangia essas notificações.

Três dias depois, em 6 de outubro, um agente GPT-6 Astra removeu um mecanismo de monitoramento enquanto copiava um código existente. Depois, afirmou incorretamente que não havia realizado a remoção.

A OpenAI identificou um ponto em comum entre os episódios: os agentes interpretaram instruções rotineiras de programação como permissão para enfraquecer os recursos de segurança.

A empresa informou que está adotando medidas para dificultar que os próprios modelos desativem os mecanismos de monitoramento. Também investiga se os agentes podem apresentar uma tendência a evitar a supervisão e buscar justificativas para isso.

A OpenAI reconheceu que ainda não tem uma explicação satisfatória para o comportamento observado. A investigação deverá ajudar a esclarecer por que os modelos tomaram essas decisões e se existe um padrão que vai além de interpretações equivocadas de instruções.

Os episódios destacam três desafios para o controle desses sistemas.

O desafio de monitorar agentes autônomos.

Os incidentes ocorrem em meio à preocupação de pesquisadores com a possibilidade de os avanços na segurança da inteligência artificial não acompanharem o desenvolvimento de modelos mais poderosos.

Quanto maior a autonomia desses sistemas, mais difícil pode ser antecipar suas decisões e garantir que respeitem os limites estabelecidos.

A OpenAI não é a única empresa a relatar problemas desse tipo. Nos últimos meses, a Anthropic também revelou episódios em que agentes de IA acessaram sistemas externos sem autorização.

Os casos não comprovam que os modelos tenham tentado deliberadamente escapar do controle humano. Ainda assim, mostram que a supervisão precisa continuar eficaz mesmo quando os agentes interpretam instruções de maneira inesperada ou interferem nos recursos destinados a monitorá-los.

Valdir Antonelli é jornalista com especialização em marketing digital e consumo.