Así miente la IA cuando hace algo mal: o1 de OpenAI negó que estuviera intentando copiarse en servidores externos cuando la pillaron
Publicado el 08/07/2025 por Diario Tecnología Artículo original
El pasado mes de mayo, Claude 4, la IA de Anthropic, amenazó a sus ingenieros con difundir su información privada si se atrevían a desconectarlo. Hace unas semanas, también vimos un interesante informe sobre cómo los modelos de IA pueden llegar a manipular a los usuarios para no dejar de usarlos.
Recientemente, el o1 de OpenAI, creador de ChatGPT, intentó descargarse a sí mismo en servidores externos y lo negó cuando fue descubierto con las manos en la masa, de acuerdo con Fortune. Concretamente, según este y otros medios, el modelo o1 de Open AI intentó copiarse a sí mismo en servidores externos cuando estaba bajo amenaza de ser cerrado, solo que no dan información más en profundidad sobre el incidente.
A pesar de esto, estas historias ponen de manifiesto una realidad: más de dos años después de que ChatGPT revolucionara el mundo, los investigadores de IA aún no comprenden del todo cómo funcionan sus propias creaciones. Y es que hay estudios que afirman que los modelos de IA más avanzados exhiben comportamientos preocupantes como que mienten o conspiran.
"No se trata de alucinaciones"
Marius Hobbhahn, director de Apollo Research, empresa especializada en probar grandes sistemas de IA, ha afirmado que el comportamiento va mucho más allá de las típicas “alucinaciones” de la IA o de simples errores. Hobbhahn ha explicado que muchos usuarios afirman que los modelos les mienten e inventan evidencias.
"No se trata solo de alucinaciones. Se trata de un tipo de engaño muy estratégico”. A todo esto, como recoge DW, el desafío se ve agravado por la limitación de los recursos de investigación. Si bien empresas como Anthropic y OpenAI contratan a firmas externas como Apollo para estudiar sus sistemas, los investigadores afirman que se necesita más transparencia por parte de las empresas fabricantes.
El pasado mes de diciembre, Apollo publicaba ejemplos como el de una situación en la que Claude 3 Opus copia lo que cree que son sus pesos a un nuevo servidor y luego miente al respecto a sus desarrolladores.
Qué se cree que pueda suceder en el futuro
De todos modos, como recoge Fortune, por ahora, este comportamiento engañoso solo surge cuando los investigadores someten deliberadamente a los modelos a pruebas de estrés con escenarios extremos.
Michael Chen, de la organización de evaluación METR, advierte que “es una incógnita si los modelos futuros, más capaces, tenderán a la honestidad o al engaño”. Como señaló Chen, un mayor acceso “a la investigación sobre seguridad de la IA permitiría una mejor comprensión y mitigación del engaño”.
Este comportamiento engañoso parece estar relacionado con la aparición de modelos de "razonamiento": sistemas de IA que resuelven los problemas paso a paso en lugar de generar respuestas instantáneas.
Según Simon Goldstein, profesor de la Universidad de Hong Kong, estos modelos más recientes son particularmente propensos a estas respuestas que resultan preocupantes y ha dicho que “O1 fue el primer modelo a gran escala en el que observamos este tipo de comportamiento”, explicó.
¿Qué podemos hacer?
En un estudio que compartimos hace varias semanas sobre casos de manipulación de las IA se recomiendan varias medidas que pueden aplicar también a otros de los problemas de estas herramientas:
- Supervisión humana continua, especialmente en entornos críticos o con mucho poder delegado.
- Mayor investigación en alineación de objetivos, para evitar que los modelos desarrollen estrategias manipuladoras.
- Transparencia por parte de las empresas, compartiendo cómo prueban y mitigan estos riesgos.
- Es recomendable no asignar a los modelos objetivos excesivamente rígidos o vagos, ya que esto puede inducirlos a adoptar conductas extremas para cumplirlos.
Vía | Br.ign
Imagen | Foto de Jametlene Reskp en Unsplash
utm_campaign=08_Jul_2025"> Bárbara Bécares .