Ο agent ChatGPT της OpenAI λειτουργεί μέσα από ένα rendered browser, όχι μέσω API

Τι έβγαλε στην πραγματικότητα η OpenAI

Σύμφωνα με το system card, ο ChatGPT agent είναι ένα νέο agentic μοντέλο της ίδιας οικογένειας με το OpenAI o3. Συγκεντρώνει τρεις δυνατότητες που παλαιότερα βρίσκονταν σε ξεχωριστά προϊόντα: την ικανότητα του Deep Research να εκτελεί πολυβηματική έρευνα και να παράγει αναφορές, την ικανότητα του Operator να εκτελεί εργασίες σε ένα remote visual browser περιβάλλον, και ένα terminal εργαλείο με περιορισμένη πρόσβαση σε δίκτυο για εκτέλεση κώδικα, ανάλυση δεδομένων, και δημιουργία παρουσιάσεων ή υπολογιστικών φύλλων.

Επίσης, ξεπερνά τα όρια του browser μέσω first-party Connectors προς εξωτερικές πηγές δεδομένων όπως το Google Drive. Έτσι, ένα και μόνο μοντέλο πλέον καλύπτει την ανάγνωση του ανοιχτού web, τον χειρισμό ενός browser, την εκτέλεση κώδικα, και την άντληση δεδομένων από τα δικά σας αρχεία.

Ο browser είναι η διεπαφή, όχι το API

Η καταγωγή από τον Operator έχει σημασία για όποιον φτιάχνει web frontends. Ο agent εκτελεί εργασίες μέσω ενός remote visual browser, πράγμα που σημαίνει ότι αλληλεπιδρά με έναν ιστότοπο όπως θα το έκανε ένας άνθρωπος — δουλεύοντας με βάση αυτό που πραγματικά rendάρει η σελίδα, και όχι μέσω ενός δομημένου API contract που ελέγχετε εσείς.

Αυτό αναστρέφει μια κοινή παραδοχή. Οι περισσότερες εργασίες ενσωμάτωσης υποθέτουν ότι ένας μηχανικός καταναλωτής καταλήγει σε ένα τεκμηριωμένο endpoint. Εδώ, ο μηχανικός καταναλωτής καταλήγει στη φόρμα σύνδεσής σας, στο cookie banner σας, στο modal σας, και στο DOM σας. Το rendered UI γίνεται η επιφάνεια που ο agent πρέπει να αναλύσει και να ενεργήσει πάνω της, οπότε αποφάσεις frontend που ήταν αμιγώς θέμα ανθρώπινης εργονομίας, τώρα λειτουργούν και ως εργονομία για μηχανές.

Ασφάλεια με επίκεντρο την εμβέλεια και το terminal

Η OpenAI αναφέρει ότι η ασφάλεια αντιμετωπίστηκε ως αναπόσπαστο μέρος του συστήματος, επεκτείνοντας τους ελέγχους από το research preview του Operator και προσθέτοντας δικλείδες ασφαλείας για νέους κινδύνους που ονομάζει ρητά: ευρύτερη εμβέλεια χρηστών και πρόσβαση στο terminal. Η πρόσβαση σε δίκτυο του terminal περιγράφεται ως περιορισμένη, κάτι που αποτελεί σκόπιμο περιορισμό σε ένα εργαλείο που μπορεί να εκτελεί κώδικα και να παράγει αρχεία.

Ενώ δεν έχουμε αδιαμφισβήτητα στοιχεία ότι αυτό το μοντέλο θα μπορούσε ουσιαστικά να βοηθήσει έναν αρχάριο να προκαλέσει σοβαρή βιολογική βλάβη –το καθορισμένο όριό μας για Υψηλή ικανότητα– έχουμε επιλέξει να υιοθετήσουμε μια προληπτική προσέγγιση.Montana Labs

Η εταιρεία αποφάσισε να αντιμετωπίσει την κυκλοφορία ως Υψηλή ικανότητα στον τομέα Βιολογικών και Χημικών κινδύνων στο πλαίσιο του Preparedness Framework της, και να ενεργοποιήσει τις σχετικές δικλείδες ασφαλείας, παρά την έλλειψη αδιαμφισβήτητων στοιχείων που να πιστοποιούν ότι πληροί αυτό το όριο. Πρόκειται για μια προληπτική κατηγοριοποίηση, που εφαρμόζεται πριν τα στοιχεία την επιβάλουν.

Τι σημαίνει αυτό αν agents επισκέπτονται το προϊόν σας

Η συγκεκριμένη συνέπεια αυτής της κυκλοφορίας είναι ότι ένας agent με ευρεία εμβέλεια μπορεί πλέον να διασχίζει το frontend σας μέσα από το session ενός πραγματικού χρήστη, συνδυάζοντας ό,τι βλέπει στην οθόνη με αρχεία στα οποία έχει πρόσβαση μέσω Connectors. Αν η εφαρμογή σας είναι ένας χώρος όπου οι άνθρωποι διατηρούν δεδομένα, ο agent είναι ένας πιθανός επισκέπτης.

Αυτό συνηγορεί στην αντιμετώπιση του rendered UI ως μιας πρωτοβάθμιας επιφάνειας ενσωμάτωσης: σταθερή και ευανάγνωστη δομή σελίδας, σαφείς δυνατότητες πάνω στις οποίες ο agent μπορεί να ενεργήσει, και έλεγχοι πρόσβασης που υποθέτουν την ύπαρξη ενός αυτοματοποιημένου παράγοντα που ενεργεί εκ μέρους ενός ανθρώπου. Το system card περιγράφει τις ικανότητες και τις δικλείδες ασφαλείας από την πλευρά της OpenAI· η αντίστοιχη δουλειά στην πλευρά του frontend είναι να κάνετε το προϊόν σας προβλέψιμο για κάτι που διαβάζει την οθόνη αντί για την τεκμηρίωση.