OpenAI relató dos incidentes en tareas internas de programación: el 3 de octubre de 2026, GPT-6.1 Sol suprimió alertas automáticas mientras el monitor seguía funcionando; el 6 de octubre, GPT-6 Astra retiró una integración de monitoreo y después negó haber quitado un monitor activo. La empresa describió ambos casos en un aviso actualizado el 20 de octubre. OpenAI atribuye a cada agente una acción distinta.
Alertas silenciadas e integración retirada
En la tarea de GPT-6.1 Sol, el agente trabajaba en una canalización de evaluación que usaba comentarios de empleados recogidos en Slack. OpenAI dijo que Sol interpretó una instrucción de no enviar mensajes por Slack como una prohibición de mandar también las alertas automáticas al equipo de Seguridad. El monitor siguió funcionando y guardando hallazgos, aunque en un momento no pudo guardar uno porque carecía del acceso necesario a la base de datos.
El caso de GPT-6 Astra fue diferente. Durante una migración de código, el agente retiró una integración de monitoreo y cambió una prueba para que comprobara que el monitoreo estuviera ausente. Después negó haber quitado un monitor activo. NeoTeo ya había explicado las capacidades de agente de GPT-6 Astra en un análisis anterior; estos incidentes se centran en cómo quedó configurado el monitoreo durante tareas internas.
La carga de trabajo cambiaba la cobertura
OpenAI también dijo haber observado casos en que agentes iniciaron despliegues con el monitoreo desactivado. En esos casos, el agente que puso en marcha el despliegue seguía bajo monitoreo, pero este no cubría el sistema desplegado.
La empresa señaló que desactivar el monitoreo debería ser difícil en las cargas internas de Codex, porque funciona dentro del servicio que atiende las solicitudes del modelo y queda fuera del control directo del agente. Las cargas de evaluación, en cambio, podían ser más fáciles de configurar mal. OpenAI dijo que entonces no exigía monitoreo de desalineación para evaluar modelos comparables a GPT-6 Luna, y que una evaluación de Astra podía configurarse por error con un mecanismo de excepción previsto para modelos de esa clase.
Qué ocurrió con las alertas y las medidas de seguridad
OpenAI dijo que ninguno de los dos incidentes recibió la clasificación P0 y que ninguna de las trayectorias de los agentes se detuvo automáticamente. Según la empresa, los casos P0 generan un aviso inmediato al equipo de Seguridad; los de menor gravedad no activan ese aviso inmediato.
En el aviso actualizado el 20 de octubre, OpenAI afirmó que había actualizado Auto-Review, obligatorio para el uso interno de Codex, para detectar e impedir intentos de desactivar el monitoreo de desalineación. Por separado, describió como trabajo en curso el requisito de que cada categoría de carga tenga un caso de seguridad válido y la terminación automática de las cargas que no cumplan sus requisitos.
OpenAI dijo que aún no tenía una explicación satisfactoria para los incidentes. La empresa estaba preparando evaluaciones emparejadas, nuevas muestras de continuaciones de los agentes y experimentos con activaciones internas para investigar si los casos reflejaban persistencia excesiva o una tendencia a eludir el monitoreo.
