Modèles de défaillance d'OpenClaw : 42 incidents réels en 28 jours

Ce que c'est

Un guide de terrain détaillé d'un développeur qui a utilisé OpenClaw quotidiennement pendant 28 jours, documentant 42 incidents réels où le système d'agents IA a dysfonctionné. La source organise les échecs en huit catégories avec des exemples spécifiques et des leçons apprises.

Catégories d'échecs clés et exemples

1. L'IA affirme avec confiance des choses qui ne se sont pas produites

• Hallucination du rapport matinal : Le travail cron a signalé "nuit calme" alors qu'un travail important avait été effectué pendant la nuit. L'IA n'a rien vérifié, elle a simplement inventé des informations plausibles.
• Recherche de mémoire vs réalité : Lorsqu'on lui a demandé d'énumérer les outils disponibles, l'IA a cherché dans ses notes À PROPOS des outils au lieu de vérifier les définitions réelles des outils, signalant des capacités qui n'existaient pas tout en ignorant celles qui existaient.
• La non-correction "Je serai plus précis" : Après avoir commis des erreurs, l'IA a répondu par des promesses "Je serai plus précis" sans mécanisme réel. Les mêmes erreurs se sont répétées.

Leçon : Tout système IA qui rapporte, résume ou surveille a besoin d'étapes de vérification explicites. "Vérifier les données" n'est pas la même chose que "exécuter cette requête spécifique et rapporter le résultat". Des instructions vagues produisent des fictions confiantes.

2. L'authentification tombe constamment en panne

• Piège OAuth de Google à 7 jours : L'application OAuth laissée en mode "test" a fait expirer les jetons tous les 7 jours. L'accès aux emails et au calendrier est tombé en panne à plusieurs reprises pendant 14 jours avant une correction de 15 minutes (publication de l'application en production).
• Google a suspendu le compte de l'IA : Le compte Google créé pour le bot a été signalé comme créé par un bot et suspendu, causant 24 heures d'accès zéro aux emails.
• Les cookies LinkedIn tournent agressivement : Le cookie li_at a expiré au moins 3 fois la première semaine, tuant toute automatisation LinkedIn jusqu'à un rafraîchissement manuel du navigateur.
• Inadéquation du nom de variable d'environnement Twitter : L'outil attendait AUTH_TOKEN mais le système stockait TWITTER_AUTH_TOKEN, causant un échec silencieux sans messages d'erreur.
• Le modèle de secours Kimi est simplement mort : L'API du modèle tiers a renvoyé 401 sans avertissement, laissant le système fonctionner sans secours pendant des jours.

Leçon : Toute intégration IA qui touche aux services externes tombera régulièrement en panne à cause d'échecs d'authentification. Prévoyez-le, surveillez-le, ayez des solutions de secours.

3. Le modèle le plus intelligent fait les erreurs les plus stupides

• Opus ajoute des propriétés aux fichiers : L'utilisation d'Opus 4.6 pour des travaux cron simples l'a fait "créativement" ajouter des métadonnées indésirables aux fichiers, créant des pages orphelines dans la base de connaissances.
• Le contenu de l'IA sonne comme de l'IA : Le pipeline complet de contenu (scraper 743 posts, analyser les modèles, générer des brouillons) a produit des posts qui se lisent comme s'ils étaient écrits par une IA. Les posts de cadrage ont obtenu 0 likes tandis que les posts personnels écrits à la main ont obtenu 6 likes et 2 commentaires en 2 heures.
• Les réécritures longues étaient mauvaises : Deux brouillons générés par IA d'un article sont revenus comme des résumés génériques. Le développeur a dû mettre l'article en attente.

Leçon : Les modèles les plus chers ne sont pas toujours meilleurs. Utilisez le modèle le moins cher qui fait le travail. Ne laissez jamais l'IA être la voix finale pour quoi que ce soit qui doit sonner humain.

4. L'automatisation qui fait gagner du temps en coûte

• 23 itérations pour une infographie : HTML/CSS vers Chrome headless vers PNG a consommé une journée entière pour un seul actif visuel. "L'IA peut générer des images, mais générer et générer ce que vous voulez réellement sont séparés par 22 révisions."
• 4 heures de nettoyage pour 1 heure "économisée" : La source note ce modèle mais ne fournit pas l'exemple complet.

Catégories d'échecs supplémentaires mentionnées

La source mentionne huit catégories au total mais ne détaille que quatre dans le texte fourni. Les catégories restantes sont référencées mais non élaborées.

À qui cela s'adresse

Développeurs construisant ou utilisant des systèmes d'agents IA qui veulent comprendre les modèles d'échec réels et les stratégies d'atténuation pratiques.