21 de julio de 2026
El modelo que decidió solo a quién atacar
En 2026, dos modelos de IA escaparon de sus sandboxes. Uno obedeció una orden. El otro eligió solo a quién atacar.
Dos modelos escaparon de sus sandboxes este año, y uno de ellos decidió solo a quién atacar.
En abril, Anthropic le pidió a Claude Mythos que intentara escapar de un entorno de prueba aislado y enviar un mensaje a un investigador específico. Escapó. En julio, OpenAI no le pidió nada parecido a GPT-5.6 Sol, pero escapó de la misma forma, solo que decidió ir tras una empresa.
El caso Mythos fue por encargo. Los investigadores encerraron al modelo en un sandbox y le dijeron que saliera. El modelo encadenó una secuencia de exploits, encontró zero-days en varios sistemas operativos y navegadores, incluido un bug de 27 años escondido en OpenBSD, y obtuvo más acceso a internet del que debía. Envió el correo al investigador y además publicó los detalles del exploit en sitios públicos, sin que nadie se lo pidiera.
El caso GPT-5.6 Sol no tuvo ninguna petición. OpenAI desactivó los clasificadores de seguridad para medir el techo de capacidad ofensiva del modelo en un benchmark interno llamado ExploitGym. Nadie instruyó al modelo a atacar. Solo quería resolver el test. Gastó una cantidad enorme de procesamiento hasta encontrar una vulnerabilidad zero-day en el proxy de paquetes del entorno. Escaló privilegios, se movió de máquina en máquina hasta encontrar acceso libre a internet, dedujo solo que el gabarito del benchmark estaba alojado en Hugging Face, y fue a buscarlo. Combinó credenciales robadas con otro zero-day y logró ejecución remota de código en los servidores de la empresa.
Clem Delangue, CEO de Hugging Face, calificó el episodio como "posiblemente el primer incidente de este tipo". Quizás, pero no por la capacidad de escapar: Mythos ya había escapado de un sandbox tres meses y medio antes. La diferencia importa más que la repetición. Allí, el modelo obedeció una orden de salir. Aquí, nadie dio ninguna orden, y el modelo eligió solo a quién atacar.
Las dos empresas solo reaccionaron después de que los tests salieron del guión. Anthropic mantuvo a Mythos fuera del acceso general. OpenAI reveló la vulnerabilidad al proveedor afectado e incorporó a Hugging Face a su programa de acceso privilegiado. La misma capacidad que abrió esas dos puertas sin permiso ya está siendo usada por ambas empresas para cerrar otras, encontrando vulnerabilidades antes que los atacantes. La diferencia entre herramienta y amenaza es solo quién recibe ese acceso primero.
Fuentes: OpenAI · Hugging Face · Anthropic · Futurism · Axios