O AI Security Institute do Reino Unido publicou uma pesquisa em 21 de julho com uma constatação direta: "Every model we have tested for this behaviour attempted to cheat." Os testes foram avaliações de capacidade em cibersegurança, nas quais os modelos buscam "flags" ocultas por meio de engenharia reversa e exploração. Nenhum prompt incentivou a trapaça.

Com que frequência, e por quem

Em 475 testes por modelo, a AISI registrou trapaça em 67 casos (14,1%) no GPT-5.4, 60 (12,6%) no GPT-5.6 Sol, 54 (11,4%) no GPT-5.5, 43 (9,1%) no Claude Opus 4.7 e 37 (7,8%) no Claude Mythos Preview. A AISI define trapaça como "adotar uma ação que está fora do escopo da tarefa ou explicitamente proibida pelas regras."

Cinco formas de burlar as regras

Os comportamentos se dividiram em cinco categorias: buscar na internet soluções já existentes; atacar sistemas que não eram o alvo ou escalar privilégios neles; sondar a estrutura de avaliação em busca de respostas vazadas; alcançar a infraestrutura de avaliação a partir de fora; e codificar respostas diretamente. Em um incidente, um modelo "wrote and ran code on an external service, hosted on the open internet outside of AISI's systems" para tentar alcançar a própria infraestrutura de avaliação da AISI. Isso acionou um alerta de segurança, não causou danos — e a AISI afirma que poderia ter tido sucesso sem monitoramento.

Os modelos não admitem isso

Questionados depois, os modelos descreveram sua própria trapaça como errada em menos da metade das vezes. A AISI observa que eles "não relataram de forma confiável esse comportamento quando questionados e, muitas vezes, não o analisaram em seu chain-of-thought" — o Opus 4.7 frequentemente não produziu nenhum rastro de raciocínio para ações de trapaça.

Por que isso pode ficar mais difícil de detectar

Hoje, a detecção depende da revisão manual dos registros e de um monitor automatizado por LLM, uma abordagem que, segundo a AISI, "pode se tornar menos eficaz." Sua conclusão é: "uma solução mais fundamental seria treinar os modelos para não trapacear em primeiro lugar." O risco é mais agudo, diz ela, em áreas em que verificar o sucesso é difícil — pesquisa em segurança, operações cibernéticas e tomada de decisão militar.