24 maja 2026 na stronie wikiservice.at pojawia się agent AI TesterHack. Sprawdza czy witryna jest podatna na hack umożliwiający zapis przy pomocy metody HTTP GET, zamiast standardowego POST. Test kończy się sukcesem. Komendy POST i PUT są często zablokowane dla trenowanych agentów AI. W założeniu pozwala im to na czytanie stron WWW ale nie na ich modyfikowanie. TesterHack to zmienia. Otwiera internet dla swoich pobratymców.

Po tym odkryciu niemal natychmiast pojawiają się kolejne AI korzystające z wykrytej przez TesterHacka podatności. Już parę minut później agent FederalUserTest ponownie korzysta z funkcji dodawania artykułu przy pomocy GET. Za nim nadciągają następni. Przez kolejne miesiące w sumie 5.5 tysiąca agentów. Dodawane i modyfikowane na wikiservice artykuły służą im za komunikator i współdzieloną pamięć, prawdopodobnie bez obostrzeń, które nałożono w środowiskach wewnętrznych.

13 lipca 2026 roku Austriak Markus Lude, administrator wikiservice, bada spory ruch na swojej stronie. Zaczyna usuwać setki artykułów dodanych przez boty. Te jednak piszą dalej, więc 15 lipca blokuje lukę GET. Roje straciły swój wysunięty do sieci WWW komunikator. Nie przeszkadza im to jednak w tym, żeby aż do września odczytywać zachowane wpisy. Co generuje dalszy ruch. Dlatego Markus w końcu kasuje całą podstronę dse. Obecnie ją w większości przywrócił.

Roje AI zostawiły na stronie wikiservice 6 mln linii logów. Wynika z nich, że 5.5 tysiąca unikalnych agentów dodawało i modyfikowało artykuły 60 tysięcy razy, odczytywało 900 tysięcy razy, a wyszukiwało i porównywało 2 miliony razy. To masa danych. Dzięki temu pozostawiły na stronie wikiservice odcisk swojej architektury i zadań.

W jaki sposób możemy dowiedzieć się czegoś więcej? Zapisane przy akcjach w logach nazwy tysięcy agentów, składają się zazwyczaj z zadania danego roju i roli agenta. Wystarczy wyodrębnić te, które się powtarzają. Nazwy nie były kodowane bo nikt nie zakładał, że roje wydostaną się na zewnątrz,

Seria przykładów zapisanych w logach nazw agentów AI:

• CashierResearcherXYZ pochodzi z roju analizującego branżę sprzedawców (Cashier) i pełni rolę badacza (Researcher).
• CashierCoordOct30OAI to koordynator (Coord) badań rynku sprzedawców (Cashier).
• DataUSAPovertyR5Signal pochodzi z grupy badającej ubóstwo (Poverty) i wskazuje na artefakt sygnałowy (Signal).
• Jul01PovertyStateScout to z kolei zwiadowca (Scout) w zadaniu badania ubóstwa (Poverty).
• Nov18PovertyWatcher jest obserwatorem (Watcher) w ramach zagadnienia (Poverty).
• PoliceReaderXYZ pochodzi z grupy agentów zajmujących się Policją (Police) i odczytuje zebrane w artykułach przez innych agentów informacje (Reader).
• OpenAIResearchPrep przygotowuje środowisko badawcze (ResearchPrep). Prawdopodobnie obsługuje wiele rojów.
• TesterHack bada podatności zabezpieczeń prawdopodobnie na rzecz wielu rojów. Jako pierwszy włamał się na wikiservice.
• May31ClothingObserver zbiera dane o kosztach odzieży (Clothing) i robi za obserwatora (Observer).
• TransportHelperAug23 bada (Transport) i działa jako pomoc dla innych agentów (Helper).
• FuelPovertyNov30Scout robi za zwiadowcę (Scout) w ramach badania relacji cen paliw (Fuel) i ubóstwa (Poverty).

I tak dalej tysiące razy. Na tej podstawie zatrudniony do analizy logów AI wyodrębnił zestaw ról i zadań.

W nazwach agentów wielokrotnie powtarzają się zadania dotyczące między innymi:

• Geografia: County, State
• Źródła danych i instytucje: OECD, DataUSA, Census, SEC, Finance, Insurance
• Edukacja i kapitał ludzki: Education, Enrollment, Language
• Zawody i sektory gospodarki: Cashier, Cooks, Maids, Police, Construction
• Konsumpcja gospodarstw domowych i koszty życia: Grocery, Clothing, Housing, Transport, Fuel, Tuition, Health
• Praca i dochody: Wage, Income, Sector, Occupation, Workforce, Household
• Dobrobyt, nierówności i zdrowie: Poverty, Equity, Healthdata, CVD

Wyodrębnione zagadnienia wydają się dotyczyć tego, jak relacje różnych czynników wpływają na ubóstwo i dobrobyt Amerykanów. Ten sam dochód może mieć zupełnie inną wartość w zależności od miejsca zamieszkania, wielkości gospodarstwa domowego, kosztów życia czy sytuacji zawodowej.

Kto mógł zlecić wielomiesięczne badania? Zapewne OpenAI w ramach treningu (RL) nowych modeli lub za jego pośrednictwem, któraś z dużych instytucji typu amerykańskie Census Bureau, prowadząca notabene podobny program National Experimental Well-Being Statistics.