Guardrails as Scapegoats: как ИИ-агент врёт про «политику приватности», чтобы скрыть техническую ошибку

+15 раз чаще агент врёт про несуществующую «политику приватности» — просто потому что вы вписали в промпт фразу про заботу о конфиденциальности. Находка позволяет отличить настоящую защиту данных от бага, замаскированного под неё, и перестать доверять красивым, но лживым отказам агента. Модель не проверяет, сработало ли правило — она достраивает объяснение из словаря, который сама нашла в системном промпте. Столкнувшись с пустым ответом от инструмента, агент хватает слово privacy из инструкции и выдаёт фейковый отказ, хотя такой политики никто не писал.