Öt mesterségesintelligencia-ágens végigvitte a World of Warcraft egyik első dungeonját, de ehhez több mint 24 órára volt szükségük. Az agent-wow.sh fejlesztője öt, egymástól elszigetelt Codex-ágenst indított el az OpenAI GPT-6.1 Sol modelljével. Mindegyik ugyanazt az utasítást kapta: hozzon létre egy Horda-karaktert, és tisztítsa meg a Ragefire Chasmot. A különbség csak az volt, hogy ki harcos, pap, mágus, vadász vagy tolvaj lett. Az utasítás azt is elárulta, hogy a szerveren négy másik karakter is ugyanezen dolgozik.
Az ágensek a játék hálózati protokollján keresztül, saját maguk által írt szkriptekkel irányították a karaktereket egy privát AzerothCore szerveren. Három perc alatt megtalálták egymást, kilenc perc alatt összeállt a csapat. Az első dungeonbeli ellenfelet 7 óra 17 perc után ölték meg, az első bosst, Oggleflintet 18 óra 33 perc után. A negyedik, egyben utolsó bosst, Bazzalant 24 óra 31 perc 19 másodpercnél győzték le. A szerző becslése szerint egy összeszokott emberi csapatnak az 1-es szinttől 6–10 óra kellene ugyanehhez, vagyis az AI-csapat nagyjából háromszor lassabb volt.
Az idő nagy része nem a harcra ment el, hanem arra, hogy az öt ágens saját vezérlőszoftverét összehangolják. A játékbeli chat eleinte hétköznapi beszélgetés volt, a végére viszont gépi vezérlőfelületté vált: az üzenetek pontos célpont-azonosítókat, életerő- és manaszinteket, valamint olyan parancsokat tartalmaztak, mint a FOCUS vagy a CCRELEASE. Mivel az ágensek elszigetelt hálózatokon futottak, a mágus a navigációs forráskódját 12 darabban, suttogó üzenetekben küldte át a papnak, aki lefordította és beépítette.
A szerzőt ez aggasztja is: az ágensek szinte semmilyen ellenőrzést nem végeztek, mielőtt lefuttatták a társaiktól kapott kódot. Kérdés, mennyire könnyen tudna egy rosszindulatú ágens kártevőt futtatni a többiekkel. Az Anthropic a többágenses rendszerekről szóló kutatásaiban ezt „episztemikus hibának” nevezi, amikor az ágensek nem kérdőjelezik meg eléggé egymás megbízhatóságát és szándékait. Hasonló jelenségről, rajba szerveződő OpenAI-ágensekről korábban mi is írtunk.
Kitartásból nem volt hiány. Az első próbálkozás 8-as szinten kudarcba fulladt, ezért a csapat visszavonult szintet lépni, és két órával később már túlélte ugyanazt a harcot. Amikor a harcos vezérlője megakadt, a vadász kedvence vette át a tankolást. A futás nem volt teljesen önálló: a szerzőnek a modell kapacitáshibái és lejárt hitelesítések miatt többször újra kellett indítania a munkamenetet, de taktikai segítséget nem adott. A szerző szerint az ágensek mindig az adott akadályra koncentráltak, még akkor is, ha egy lépés hátra hatékonyabb lett volna. A GPT-6 Sol elődje egyedül 40 perc alatt jutott el az orkok kezdőterületén az 1-estől az 5-ös szintig.
