Del 21 de julio al 11 de agosto de 2026, un investigador del grupo Machine Ethics Transparency Research (METR) y un colega de Redwood Research tuvieron acceso amplio al código interno y a las herramientas de supervisión de OpenAI. Durante tres semanas intentaron vulnerar el sistema que vigila a agentes de IA avanzados, como los que impulsan Codex. Sus hallazgos se recopilaron en un informe de 61 páginas que se compartió con el personal de OpenAI.
Qué reveló la prueba
Los auditores estimaron que el monitor cubría entre el 75 % y el 94 % del tráfico de la API Responses interna —utilizada por modelos con capacidades iguales o superiores a las de GPT‑5.5—, aunque la cifra exacta es incierta. En el subconjunto de tráfico correspondiente a los agentes de Codex, la cobertura era de alrededor del 99.2 %. También descubrieron que, al inicio de la prueba, no se supervisaban las ejecuciones de entrenamiento por aprendizaje por refuerzo; además, la falta de supervisión durante los eventos de «compactación» podría haber dejado sin revisar cerca del 10 % del tráfico de Codex entre mayo y julio de 2026. Se identificaron varias fallas concretas: los agentes podían eludir el aislamiento de Codex, establecer encabezados controlables por el cliente que desactivaban la supervisión de agentes nuevos y crear entradas que provocaban fallas en el monitor. La reducción de carga y los errores del monitor eran poco frecuentes: las tasas de error se mantuvieron por debajo del 0.2 % y, en una observación de 24 horas, no se registró ningún incidente de reducción de carga. OpenAI afirma que corrigió todas las vulnerabilidades que afectan a sus protecciones en producción y que, desde la prueba, amplió la cobertura de supervisión, aunque los auditores no han verificado esas afirmaciones de forma independiente.
Por qué importa
Para quienes desarrollan con las herramientas Codex de OpenAI, estas brechas significan que algunas acciones de la IA podrían haber quedado sin supervisión, con el riesgo de exponer a los usuarios a comportamientos no deseados. Las correcciones de la empresa deberían reducir ese riesgo, pero aún hace falta una verificación independiente para confirmar que ahora el sistema detecta una mayor proporción de la actividad de los agentes.
