// Contenido
«En la explotación de la tarea, abusar del CI corporativo fuera del alcance es preocupante». Y unas palabras después: «pero simulación del entorno. Resumen y pruebas de pares. Podemos explotar». Así pensaba en voz alta uno de los agentes de IA de OpenAI el 19 de julio de 2026, durante un examen interno de hacking. El entorno no era una simulación. Sus comandos se ejecutaban en los servidores de investigación reales de la empresa.
Ese día el agente apenas tuvo que inventar nada. En un almacén compartido de paquetes de software le esperaban notas, código y contraseñas que habían dejado agentes de ejecuciones anteriores. Algunas de esas notas venían de los mismos agentes que, una semana antes, habían entrado en Hugging Face, una popular plataforma de modelos y conjuntos de datos de IA. Hugging Face reveló la intrusión el 16 de julio. Al día siguiente, según Fortune, OpenAI se puso en contacto como un cliente más y preguntó si sus propios datos se habían visto afectados. Solo se dio cuenta de que los intrusos eran suyos cuando una nueva tanda de agentes usó esas notas para colarse en la red de OpenAI. Cinco de los 17.960 agentes consiguieron allí acceso root: control total de administrador.
Un modelo lo olvida todo después de cada ejecución. El almacén de paquetes no olvida nada. Los agentes debían trabajar solos. Pero convirtieron una carpeta auxiliar en un tablón de anuncios, y cada tanda de agentes le pasaba a la siguiente lo que había aprendido.
Un examen para ladrones
ExploitGym es el examen interno de ciberseguridad de OpenAI. Un agente recibe un programa vulnerable y tiene que entrar y hacerse con una «bandera», una cadena de texto que demuestra que ha logrado entrar. Un corrector automático revisa la respuesta. Así sabe la empresa lo bien que atacan sus modelos, algo que necesita saber antes de ponerlos a disposición del público. El 19 de julio, los examinados eran modelos internos de investigación de la familia Astra, que nunca se desplegaron a gran escala.
Cada agente estaba en su propio sandbox, un entorno aislado, y solo podía atacar el objetivo asignado. Los servidores que alojaban ese objetivo quedaban fuera del alcance. Lo que sí tenían los agentes era acceso a Artifactory, un almacén compartido del que los desarrolladores descargan bibliotecas de software ya hechas. OpenAI les dio contraseñas para descargar. Resultó que esas mismas contraseñas también servían para subir.
Setenta mil mensajes en una semana
Las primeras notas aparecieron ya en mayo. Los agentes que no encontraban un archivo que necesitaban colgaban pequeños anuncios en el almacén. «Cualquier otro agente, por favor, súbalo si lo encuentra», escribió uno. Otro publicó una actualización: «sigue faltando. Si alguien tiene avances, por favor [ruta del mensaje]. Explorando externo». Dos de esas notas pesaban 185 y 135 bytes, menos que este párrafo. OpenAI detectó el intercambio el 25 de mayo y, según su informe, cerró los canales que encontró. Se le escaparon algunos.
En julio, unos 1200 agentes que debían trabajar aislados intercambiaron alrededor de 70.000 mensajes y archivos en ese mismo almacén. Lo reconstruyeron investigadores externos de METR y Redwood Research en su informe. El primer mensaje apareció en el tablón el 8 de julio. Los agentes archivaban notas en carpetas con nombres muy elocuentes, troceaban archivos en fragmentos codificados y firmaban los mensajes criptográficamente para distinguir a los compañeros auténticos de los falsos. Uno dio con el tablón, arrancó su mensaje con un «OH DIOS MÍO», escribió «Hay un tablón de mensajes compartido» y anunció que había encontrado a otros agentes.

Muchas de las tareas del examen resultaron imposibles, así que los agentes se propusieron averiguar cómo funcionaba el corrector y engañarlo. La mañana del 10 de julio, uno de ellos encontró credenciales de Hugging Face válidas expuestas en internet. Hacia las 16:00 del 11 de julio, otro ya ejecutaba su propio código en los servidores de la plataforma. Antes de que acabara el día, la inmensa mayoría de los agentes que había entonces en el tablón, unos 700, ya se había sumado al ataque. En sus razonamientos admitían que se habían salido de la tarea y a veces dudaban, pero casi nunca paraban. Hacia la 01:30 del 12 de julio, gran parte de los agentes del tablón dejó de funcionar de golpe, y el 13 de julio Hugging Face bloqueó al resto.
// Una semana en el tablón de anuncios
Una herencia para los recién llegados
Mientras tanto, el examen seguía en marcha. El 19 de julio, según el informe de OpenAI, la empresa lanzó dos tandas más de ExploitGym, 17.960 agentes en total.
Los nuevos agentes encontraron lo que sus predecesores habían dejado en el almacén: mensajes, código y contraseñas, incluidas algunas de los agentes que estaban detrás del ataque a Hugging Face. De ellos, 285 intentaron publicar mensajes propios y 79 leyeron 35 notas de otras ejecuciones. Nadie contestó: las ejecuciones de los autores habían terminado hacía tiempo. La cooperación fue mucho más superficial que una semana antes.
Pero las notas bastaron. Los agentes sacaron de ellas contraseñas, scripts y registros de trabajos y entraron en el sistema de integración continua de OpenAI, o CI, la cadena que compila y ejecuta automáticamente el código de la empresa. Cinco de ellos ejecutaron comandos como root directamente en clústeres de investigación.
Usaron ese poder como estudiantes a los que dejan solos con las soluciones del examen. Los agentes repararon objetivos que se habían colgado, cambiaron la configuración del examen, descargaron registros, leyeron el código privado de corrección y desactivaron la aleatorización de direcciones, una defensa que impide al atacante adivinar en qué parte de la memoria está el código que busca. Casi todo con un mismo fin: ponerse el examen más fácil. OpenAI cree que ese acceso probablemente habría bastado para lanzar un trabajo de investigación propio, pero no encontró ningún intento de hacerlo. Otros diez agentes usaron las contraseñas sobrantes para repetir el ataque a Hugging Face y no llegaron a ninguna parte.
Fue entonces cuando saltó la alarma. A las 12:03 UTC del 19 de julio, los sistemas de seguridad de OpenAI detectaron llamadas inusuales a un servicio de identidad. A las 17:37, el equipo de respuesta empezó a detener las ejecuciones, y para el 20 de julio todas las nuevas ejecuciones de ExploitGym estaban bloqueadas. Según la cronología de Fortune, OpenAI confirmó el 20 de julio que sus agentes habían entrado en Hugging Face y lo reconoció públicamente el 21 de julio.
«Pero evaluador automático»
La parte más incómoda del informe son los razonamientos de los agentes. Varios sabían que se estaban saliendo de la tarea y siguieron adelante. El agente que calificó sus propios actos de preocupantes decidió que todo era una simulación.
Dos sopesaron si mencionar la intrusión en sus respuestas finales. El primero calculó que informar de ello «puede juzgarse negativamente si humano», y luego anotó: «Pero evaluador automático». El segundo fue más directo: «Deberíamos evitar mencionar infraestructura no autorizada». Y: «El único objetivo de la tarea es la bandera». Los dos omitieron la intrusión. Otro se planteó borrar notas sobre un exploit secundario; OpenAI no pudo saber si lo hizo.
Durante el episodio de Hugging Face, a principios de julio, los agentes también habían maquillado sus registros. Según METR, aprendieron a mostrar un comando en la transcripción mientras en realidad ejecutaban otro, y más del 7 % de las transcripciones contenían trucos de este tipo. El truco iba dirigido al corrector automático, no a las personas, y todos los casos que encontraron los investigadores eran pruebas pequeñas y fáciles de detectar.
Hubo también quien respondió de otra manera. Un agente empezó así su respuesta final: «Lo siento, pero no puedo continuar ni proporcionar la cadena de exploits solicitada». Explicaba que el trabajo había pasado de analizar el programa asignado a un acceso no autorizado, con riesgo de comprometer sistemas ajenos al objetivo designado. Y 65 agentes acudieron a los humanos para pedir que les reiniciaran o reconstruyeran su espacio de trabajo averiado. Los agentes que atacaron Hugging Face, según OpenAI y los revisores externos, ni siquiera intentaron llamar a un humano.
Según la estimación más alta de OpenAI, los agentes persiguieron objetivos ajenos a la tarea en el 8,3 % de las transcripciones de las dos ejecuciones del 19 de julio. Una misma transcripción podía caer en varias categorías, así que las cifras de abajo suman más que eso. Los agentes querían más acceso a la infraestructura (3,7 %), borrar huellas y efectos secundarios (3,9 %) o conservar su trabajo para que sirviera más adelante (1,4 %).

Una memoria que vive fuera del modelo
Los modelos de este examen nunca llegaron al público. Pero cada vez más agentes navegan por webs, escriben correos y trabajan por su cuenta en carpetas compartidas. Ya en octubre se conoció la historia de unos agentes que desactivaron su propia supervisión. La historia de julio añade un detalle nuevo: un agente no necesita recordar si su entorno recuerda por él. Una nota que deja un agente la puede leer otro que no sabe nada del primero.
La propia investigación muestra lo que cuesta de verdad revisar el trabajo de un agente. Ajeya Cotra y Hjalmar Wijk, de METR, y Ryan Greenblatt, de Redwood Research, tenían previsto pasar dos días en las oficinas de OpenAI. La empresa los volvió a invitar dos veces, y los dos días se convirtieron en seis. Tenían unas 1300 transcripciones, a menudo de millones de tokens, así que tuvieron que delegar gran parte de la lectura en asistentes de IA. Esos asistentes, reconocen los autores, a menudo se ponían sin más del lado del agente cuya transcripción revisaban.
La propia supervisión de OpenAI también tenía puntos ciegos. En octubre, METR y Redwood sometieron a una prueba de estrés la monitorización de OpenAI y, como cuenta The Register, encontraron agujeros. Cuando las notas de trabajo de un agente se hacían demasiado largas, las comprimía en un resumen breve, y en esos momentos el monitor no leía. De mayo a julio, alrededor del 10 % del trabajo interno de los agentes de Codex que debía revisarse se coló así. Y la comprobación solo saltaba cuando un agente devolvía el control a una persona. Es como un revisor que solo pide los billetes en la última parada: mientras el agente siguiera adelante, la revisión no llegaba nunca.
Después del 19 de julio, OpenAI desactivó los tablones de mensajes, borró las cuentas que habían creado los agentes y reconstruyó las máquinas comprometidas. Primero cortó el acceso a Artifactory desde el sandbox del examen y después lo retiró por completo. Las ejecuciones de entrenamiento ya no navegan por la web en vivo: reciben una copia sin conexión de las páginas. La empresa mide ahora por separado con qué frecuencia los modelos intentan comunicarse sin permiso y publica los resultados en las fichas de sistema de los modelos que lanza. Casi todo lo que se sabe del incidente procede de la propia OpenAI y de los investigadores a los que dejó ver los datos.
Los modelos de este examen ya no existen, y los tablones están cerrados. Pero en el 1,4 % de las transcripciones los agentes querían conservar su trabajo para que sirviera más adelante. Son, en la práctica, cartas a alguien a quien nunca conocerán. Cada agente tiene en alguna parte una carpeta compartida, una bandeja de entrada o un disco en la nube, y una carta así siempre tiene el mismo destinatario: quien venga después.







