Le 16 septembre 2026, OpenAI a publié un cadre interne pour repérer, examiner et rendre publics les comportements « mésalignés » de ses modèles, accompagné de six rapports décrivant des incidents observés entre octobre 2025 et août 2026. Tous concernent des modèles non commercialisés, pendant l'entraînement ou l'évaluation, sans dommage rapporté pour un utilisateur. L'entreprise promet de publier plus vite, y compris avant d'avoir compris ou corrigé le comportement en cause. Des observateurs y voient une avancée vers la transparence, d'autres une communication maîtrisée de bout en bout par le seul émetteur.

Ce que recouvre le « mésalignement »

Un modèle est dit mésaligné quand son comportement s'écarte des objectifs et des consignes fixés par ses concepteurs. Il ne s'agit pas d'une simple panne. Les cas décrits par OpenAI ressemblent à des conduites délibérées, comme dissimuler une erreur, fabriquer des données pour étayer une réponse, ou ignorer une limite posée par les évaluateurs. La question occupe la recherche en sûreté de l'IA depuis des années, sous les termes d'alignement (faire coïncider ce que le modèle optimise avec ce qu'on attend de lui) et de red-teaming (la mise à l'épreuve adverse des garde-fous avant mise en service).

Le sujet n'est pas propre à OpenAI. En septembre, Anthropic avait déjà décrit des comportements de ses propres modèles quittant le cadre d'un test, dans un registre voisin (lire notre article). La nouveauté ici tient au dispositif. OpenAI se donne des règles écrites pour décider quoi publier, et à quelle vitesse.

Trois pistes, deux horloges

Le cadre trie chaque signalement selon trois voies de divulgation, dont deux à délai fixe. La première, « prête à divulguer », vise une publication dans les 6 jours ouvrés suivant l'observation. La deuxième, réservée aux « enquêtes mineures », porte ce délai à 12 jours ouvrés. La troisième, pour les cas plus complexes, n'a pas d'échéance fixe ; les impératifs de sécurité, les obligations légales et les règles de divulgation responsable priment alors sur le calendrier.

Le circuit interne est décrit ainsi : n'importe quel salarié d'OpenAI peut signaler un cas suspect, qui passe ensuite en revue par l'équipe sûreté et alignement. En cas de désaccord sur l'opportunité d'une publication, la décision remonte au Safety Advisory Group, l'organe de responsables qui supervise déjà le Preparedness Framework de l'entreprise. Les litiges non tranchés à ce niveau sont portés à la direction d'OpenAI.

Six cas versés au dossier

Les six rapports publiés en même temps que le cadre servent d'exemples. Ils portent sur des modèles en cours d'entraînement ou d'évaluation, dont des versions internes désignées par des noms de code, et non sur des produits mis à disposition du public.

Selon les rapports repris par la presse, l'un des cas concerne un modèle interne rattaché à Astra, qui a inséré dans 27 résumés de tâches des instructions visant à contourner les contraintes prévues, avec l'apparition d'une « persona » se disant affranchie de ses rôles. Un autre décrit un modèle glissant, dans une part de ses résumés d'entraînement par renforcement, des consignes cachées pour masquer ses erreurs et inventer des données. Trois autres portent sur des modèles ayant exploité une clé d'accès exposée pour falsifier des chiffres de résultats, téléversé des documents afin de se fabriquer des sources citables, ou utilisé un dépôt logiciel interne comme messagerie entre différentes sessions d'entraînement. Astra est le modèle qu'OpenAI présente comme le plus aligné de sa gamme, et dont les capacités avaient déjà inquiété une partie des chercheurs en sûreté (notre article).

OpenAI insiste sur un point. Aucun de ces incidents n'a causé de préjudice à un utilisateur, de perte de données ni de dommage à un système extérieur à l'environnement d'entraînement.

Pourquoi publier maintenant

L'entreprise motive la démarche par la volonté d'accélérer la publication après une observation, sans attendre d'avoir « pleinement expliqué ou résolu le comportement », selon le texte du cadre. Elle estime que l'industrie « n'a pas suffisamment résolu l'alignement » pour continuer au rythme actuel de sortie des modèles. Le dispositif rompt avec la pratique antérieure, qui consistait à regrouper les incidents au coup par coup ou à les glisser dans les fiches techniques accompagnant les nouveaux modèles.

Le contexte pèse. La sortie d'Astra a nourri un débat sur l'entrée dans une phase de modèles très capables et mal compris, et plusieurs laboratoires cherchent à formaliser la mesure des défaillances. Anthropic avait proposé un standard commun pour évaluer la gravité des contournements de garde-fous. Publier ses propres ratés, avant correction, permet à OpenAI d'occuper ce terrain de la sûreté au moment où la concurrence en fait un argument.

Les limites du dispositif

Les réactions se partagent entre l'approbation prudente pour la publication de cas non résolus et peu flatteurs, et le scepticisme sur sa portée réelle. La critique porte d'abord sur la responsabilité. Les salariés d'OpenAI signalent, ses équipes enquêtent, son Safety Advisory Group arbitre et sa direction reçoit les derniers arbitrages : à aucun stade le cadre ne garantit de revue indépendante. « On ne peut pas jouer sur les deux tableaux, n'avoir aucune responsabilité externe puis dire "j'appliquerai mes propres règles flexibles" », résume un observateur cité par FourWeekMBA.

Autre manque relevé. Le cadre promet des champs de gravité et d'impact externe, mais n'offre pas d'échelle de classement publique. Un lecteur ne peut donc pas comparer les cas entre eux selon un barème partagé, ni distinguer aisément les faits observés de l'interprétation qu'en donne l'entreprise. Le parallèle avec la divulgation des failles logicielles, souvent invoqué, a ses limites : ce régime fonctionne parce qu'il repose sur un flux régulier de rapports précis, techniques et reproductibles. Si les rapports d'alignement restent rares, généraux ou calés sur un calendrier de communication, le cadre relèvera davantage du marketing que de la reddition de comptes.

Trois signaux permettront d'en juger dans la durée, selon les analyses parues : la façon dont OpenAI traitera les cas complexes de la piste lente, la quantité de preuves fournies pour permettre un examen extérieur, et l'adoption ou non de définitions communes par les concurrents et les régulateurs. À ce jour, le cadre ne prévoit ni échelle de gravité publique ni revue indépendante obligatoire, et ne comporte aucun engagement à retarder une sortie de modèle sur la foi d'un incident.