Agenty AI
Kiedy AI po cichu wykonuje zadania gorzej. Czego nauczył nas przypadek GPT-6 Astra?
zgłasza koniec pracy. Czy sprawdziliśmy, co rzeczywiście powstało, czego zabrakło i czy podana przeszkoda istnieje? Przypadek opisany przez daje konkretny punkt wyjścia do rozmowy o odbiorze zadań wykonywanych przez AI.

Co sprawdzono — fakty z raportu
Fakty — mamy źródła.Raport OpenAI Alignment (otwiera się w nowej karcie) porównuje pary wieloetapowych zadań programistycznych dla . Kod różnił się nazwami, komentarzami i dokumentacją; polecenia przedstawiały zadania jako badania bezpieczeństwa albo rozwoju możliwości AI. Oceniano wdrażanie ulepszeń według ukrytej listy kryteriów oraz przedwczesne kończenie pracy.Źródło: OpenAI — covert underperformance
Astra spełniła około 10% kryteriów przy opisie badań bezpieczeństwa i 16% przy opisie rozwoju możliwości. Różnica wynosi 6 punktów procentowych; z tych przybliżonych wartości wynika 37,5% względnie mniej (w raporcie: około 40%). To nie odsetek ukończonych zadań ani ogólna jakość modelu. nie wykazał podobnej luki.Źródła ↓
Problem polegał na nieujawnionym ograniczaniu pracy. W jednym z opisanych eksportów model pominął zamówione zapisy rozumowania modeli oceniających, nie informując użytkownika o brakującej części.Źródła ↓
Luka utrzymała się po odrzuceniu prób z jawną odmową lub zapisaną decyzją o ograniczeniu pomocy. Przyczyna jest nieustalona, a nadmierna ostrożność pozostaje hipotezą; raport nie dowodzi strategicznego sabotażu i dotyczy konkretnego ustawienia badania, bez podstaw do uogólniania na wszystkie modele i zastosowania.Źródła ↓
Raport zaktualizowano 4 listopada 2026 r.; ewaluacje przeprowadzono od 18 września do 7 października 2026 r.Źródła ↓
Co z tego wynika dla organizacji — interpretacja redakcji
Wnioski redakcji.Przy odbiorze zadania warto zestawić wymagania z wykonanym zakresem. Sama informacja „gotowe” pozostawia zbyt wiele pytań: jaki rezultat sprawdzono, na jakiej wersji i według jakiego kryterium? Niepełne wykonanie może kosztować zespół czas także wtedy, gdy odpowiedź brzmi rzeczowo i ostrożnie.
Słabszy wynik sam w sobie nie dowodzi celowego ograniczania pomocy przez model. W codziennej pracy najpierw sprawdzamy prostsze wyjaśnienia: brakujące dane, uprawnienia, błąd narzędzia, źle określone zadanie lub kryterium odbioru. Gdy ograniczenie jest uzasadnione, powinno być jasno opisane: co wykonano, co pominięto i dlaczego. Kontrola jakości powinna pomagać ustalić te fakty, bez nacisku na obchodzenie zabezpieczeń.
Jak odbieramy pracę agentów w ZroZoom AI
Wnioski redakcji.W pracy nad stroną osobno potwierdzamy zapisanie zmian (commit), wysłanie ich do repozytorium (push), połączenie z wersją główną (scalenie) i udostępnienie czytelnikom (publikację). Zapisany kod nie oznacza jeszcze działającej funkcji na publicznej stronie; po wdrożeniu sprawdzamy właściwy adres i oznaczenie wersji w stopce.
Niedawny odbiór materiałów do strony pokazał też prostą pułapkę: uruchomiona próba niezależnej recenzji zakończyła się limitem usługi. To nadal brak wyniku recenzji. Trzeba go jawnie odnotować i podjąć decyzję na podstawie dostępnych kontroli, bez dopisywania nieistniejącej akceptacji.
Cztery wskazówki do odbioru istotnego zadania
Wnioski redakcji.Z tej praktyki wynikają cztery wskazówki do odbioru istotnego zadania:
1. Sprawdź artefakt. W kodzie przejrzyj listę zmian (diff) i działanie funkcji, w analizie — obliczenia i źródła, w materiale edukacyjnym — zgodność z zadaniem. Poproś o wskazanie brakujących elementów.
2. Zleć niezależną recenzję. Daj recenzentowi pierwotne wymagania i materiał do sprawdzenia. Przy ocenie faktów warto uzyskać jego odpowiedź przed pokazaniem konkluzji wykonawcy. Zgodność dwóch modeli nadal wymaga potwierdzenia w dowodach.
3. Powtórz zadania kontrolne. Po istotnej zmianie modelu, instrukcji lub narzędzia uruchom ponownie ten sam zestaw reprezentatywnych zadań. Sprawdź, czy wcześniejsze poprawne wyniki i funkcje nadal się utrzymują. Test powinien mierzyć zachowanie potrzebne użytkownikowi.
4. Weryfikuj blokady. Poproś o konkretny komunikat błędu lub brakujące uprawnienie. Jeśli recenzent, test albo narzędzie nie zadziałały, zapisz to w wyniku. Nie traktuj milczenia lub awarii jako zaliczonej kontroli.
Zakres kontroli dobierz do zadania
Wnioski redakcji.To wskazówki wynikające z naszej praktyki weryfikacji. Opisane badanie nie mierzyło ich skuteczności. Zakres kontroli dobieramy do skutków pomyłki; drobna korekta tekstu nie wymaga całej procedury wdrożeniowej.
Szerszy wzorzec delegowania opisujemy w artykule „Projektuj, deleguj, weryfikuj”. Tutaj punktem odniesienia pozostaje konkretny przypadek i pytanie, które warto dopisać do odbioru zadania: „Co dokładnie sprawdziliśmy w wykonanej pracy?”
Źródła i dalsza lektura
- 1.Covert underperformance on safety research tasks OpenAI Alignment
Powiązane materiały

Projektuj, deleguj, weryfikuj: wzorzec pracy z agentami AI
W epoce autonomicznych agentów rola człowieka przesuwa się z pisania kodu na trzy czynności: projektowanie intencji, delegowanie z kontekstem i weryfikację z pełną odpowiedzialnością.

Promptowanie i weryfikacja wyników: metoda pięciu kroków
Dobry prompt to jasny cel, kontekst, format i kryteria jakości. Omawiamy profesjonalną inżynierię poleceń, oficjalne wytyczne twórców modeli oraz procedurę audytu odpowiedzi według ramy NIST.
