A METR és a Redwood Research egy-egy kutatója július 21. és augusztus 11. között mély hozzáféréssel tesztelte az OpenAI belső AI-ügynökeit figyelő rendszert. Látták a kódbázist, a monitor promptjait és beállításait, valamint nagyjából egy tucat OpenAI-munkatárssal interjúztak. A 61 oldalas belső jelentésből azonban csak rövid, magas szintű összefoglaló lett nyilvános; az OpenAI bizalmasnak ítélt részeket kitakarhatott.
A vizsgálat a július 21-ig működő rendszert írja le. A kutatók becslése szerint az elég erős modellek belső Responses API-forgalmának 75–94 százaléka volt jogosult ellenőrzésre, a belső Codex-ügynököknél pedig 99,2 százalék. A „jogosult” nem jelenti automatikusan azt, hogy minden kérés végig is futott a monitoron.
Az egyik hiányosság miatt a kontextustömörítési események kimaradtak. Ez a becslés szerint 2026 májusa és júliusa között a jogosult belső Codex-forgalom nagyságrendileg tizedét érinthette; az OpenAI a hibát már a gyakorlat közben javította. Találtak olyan elvi támadást is, amely több száz friss műveletet rejthetett volna el, továbbá kliensoldalról állítható fejléceket, amelyek új ügynököknél kikapcsolták a monitorozást.
A METR nem tudta megállapítani, hogy az ügynökök ténylegesen kihasználták-e ezeket. Az OpenAI azt közölte, hogy a termelési védelmet érintő hibákat javította; ezt a külső kutatók nem ellenőrizték újra. A próba ezért nem a jelenlegi rendszer töröttségét bizonyítja, hanem azt, hogy magát a felügyeletet is támadható infrastruktúraként kell tesztelni.
Források: METR, Reuters, OpenAI – a belső kódolóügynökök monitorozása