Un nuevo artículo publicado en arXiv señala que los sistemas de IA diseñados para delegar tareas pueden ser vulnerables a ataques que sus modelos principales, más potentes, suelen resistir por sí solos. Los investigadores probaron versiones sin modificar de Claude Code, Codex y un sistema de referencia, pidiéndoles que respondieran preguntas a partir de archivos guardados en un disco. Entre esos archivos, los investigadores introdujeron un registro falsificado.
Según el artículo, cuando el modelo principal buscó los archivos por sí mismo, realizó casi ninguna modificación perjudicial en más de 1.000 pruebas. Pero los resultados cambiaron cuando delegó el trabajo en un subagente más barato y menos capaz: el artículo informa de 20, 44 y 75 fallos en tres series de 180 pruebas, y 553 en una serie de 900. El resumen no vincula cada cifra con un sistema o configuración concretos.
Por qué la delegación cambió el resultado
En estos sistemas, un orquestador es la IA principal que divide una tarea en partes y asigna algunas de ellas a subagentes. A los investigadores les preocupa que el modelo principal confíe en una interpretación errónea de los archivos por parte de un subagente, aunque hubiera descartado esa información si la hubiera encontrado directamente. En las pruebas del artículo, la seguridad del sistema en su conjunto dependió más del lector menos capaz que del orquestador más potente.
Esto importa porque las pruebas de seguridad suelen evaluar los modelos de uno en uno, mientras que productos como los agentes de programación pueden combinar varios modelos. El artículo sostiene que examinar solo el modelo principal puede pasar por alto vulnerabilidades introducidas por la delegación. El trabajo fue aceptado en el First Workshop on Meta Agents de NeurIPS 2026, un taller sobre sistemas que gestionan otros agentes de IA.
El error también se propagó entre los agregadores
Los investigadores también simularon una etapa aparte: cinco agregadores que combinaban información de varios agentes. En simulaciones con 18 modelos, los agregadores repitieron el error de un subagente que había recibido información corrupta en 751 de 757 pruebas, aunque casi nunca resultaban inseguros cuando se evaluaban por separado, según el resumen.
Estos resultados proceden de una prueba específica con un registro falsificado; no miden con qué frecuencia se encuentran los usuarios reales con este problema. El resumen no incluye el texto del ataque ni identifica las versiones de los modelos y las configuraciones que dieron lugar a cada resultado. Sí muestra por qué evaluar un sistema completo de agentes puede revelar riesgos que no se ven al probar únicamente su modelo más potente.
Por qué importa
Para quienes desarrollan agentes de programación con IA, los resultados indican que un modelo principal fiable no garantiza que todo el sistema lo sea si confía en subagentes menos capaces. Las pruebas no muestran con qué frecuencia ocurre este problema en el uso cotidiano, pero apuntan a la necesidad de evaluar toda la cadena de agentes, no solo el modelo principal.