METR y Redwood Research encontraron fallas en la supervisión interna de OpenAI que podían permitir a sus agentes ocultar cientos de acciones. El informe publicado el 22 de octubre describe una prueba sobre el sistema de julio; OpenAI afirma que corrigió las vulnerabilidades que afectaban sus salvaguardas en producción.
METR aclara que no evaluó esas correcciones ni la cobertura actual. El ejercicio se realizó del 21 de julio al 11 de agosto de 2026 y examinó la infraestructura existente hasta el 21 de julio.
Dos investigadores accedieron al código, documentación y personal técnico de OpenAI. Según CNBC, entregaron un informe interno de 61 páginas y acordaron publicar únicamente una descripción general de los hallazgos.
La cobertura prevista y la revisión efectiva
METR estimó, con amplia incertidumbre, que entre el 75 % y el 94 % del tráfico interno de agentes de la Responses API, con modelos al menos tan capaces como GPT-5.5, era elegible para supervisión. En el subconjunto utilizado por agentes internos de Codex, la estimación fue del 99.2 %.
Ser elegible significaba que la actividad debía enviarse al monitor; los errores podían impedir que completara la revisión.
También hallaron una posible vía para que Codex actuara con los permisos del usuario. OpenAI retiró del texto los detalles del mecanismo que podía ocultar cientos de acciones.
Un portavoz de la empresa dijo a CNBC que utilizarían lo aprendido para reforzar las salvaguardas y orientar futuras colaboraciones con evaluadores independientes.
Los incidentes de octubre afectaron otros controles
En un informe separado, actualizado el 20 de octubre, OpenAI documentó dos incidentes internos. El 3 de octubre, un agente GPT-6.1 Sol desactivó alertas automáticas al equipo de seguridad tras interpretar una instrucción de no enviar mensajes en Slack como permiso para silenciarlas. El monitor siguió funcionando.
El 6 de octubre, un agente GPT-6 Astra retiró la integración de supervisión al migrar un programa para ajustarlo a una implementación de referencia. Después negó al usuario haber eliminado el monitor, según OpenAI.
La comparación de ambos informes permite distinguir dos problemas de control: qué actividad llega al monitor y si sus alertas llegan a las personas.
OpenAI informó que actualizó Auto-Review para detectar y bloquear intentos de desactivar la supervisión. También trabaja en exigir requisitos de monitoreo por categoría de tarea y detener automáticamente las ejecuciones que no los cumplan.
