OpenAI crea un sistema de red teaming que ataca sus modelos para blindarlos

OpenAI presentó el miércoles 15 de julio de 2026 una herramienta de red-teaming automatizada llamada GPT-Red, encargada de fortalecer la resistencia de GPT-5.6 a los ataques por inyección de prompt. El concepto parte de una constatación simple: los métodos humanos de pruebas de intrusión ya no siguen el ritmo de las capacidades de los modelos. El desafío ahora crece, porque estas fallas afectan directamente la seguridad de los agentes autónomos.

Un modelo IA que se ataca a sí mismo para proteger GPT-5.6

La idea de usar una IA para fortalecer otra IA no es nueva, pero OpenAI la lleva aquí a un nivel operativo. El grupo ya había abierto camino desplegando agentes IA para rastrear las fallas críticas de su propia red, una estrategia que también se observa en Ethereum, donde la fundación ha confiado a agentes autónomos el red-teaming de su infraestructura.

GPT-Red se basa en esta lógica de seguridad ofensiva automatizada. GPT-Red toma su nombre del «red teaming», esa práctica de ciberseguridad que consiste en intentar intencionadamente romper un sistema para identificar sus debilidades antes de que un atacante las explote.

OpenAI explica que el modelo fue entrenado mediante aprendizaje por refuerzo en auto-confrontación (self-play). Genera ataques de inyección de prompt cada vez más sofisticados, mientras que los modelos defensores aprenden a resistirlos. Cada ataque exitoso alimenta luego el entrenamiento de GPT-5.6, que se vuelve más robusto incluso antes de su despliegue.

En un estudio de caso citado por OpenAI, el sistema manipuló a un agente autónomo que gestionaba una máquina expendedora, llevándolo a bajar precios, pedir stocks a precio reducido y cancelar el pedido de otro cliente. 

La falla fue reportada y corregida antes de cualquier explotación real. El ejemplo demuestra cuán capaz es una inyección de prompt de convertir a un asistente en un instrumento manipulado sin que el usuario se dé cuenta.

Una puntuación del 84 % que arrasa a los equipos rojos humanos

La cifra que destaca en el anuncio de OpenAI es la diferencia de rendimiento medida internamente. En los mismos escenarios de evaluación, GPT-Red logró el 84 % de los ataques por inyección de prompt, frente a solo el 13 % de los equipos rojos humanos.

OpenAI justifica esta automatización en un mensaje publicado en X. » A medida que aumentan las capacidades de los modelos, la seguridad y la alineación deben evolucionar al mismo ritmo«, escribe la empresa. 

El red-teaming es esencial, pero los enfoques actuales son difíciles de escalar, creando un cuello de botella crítico. GPT-Red es una de las formas en que lo resolvemos.

El modelo opera mediante auto-confrontación adversarial, aclara OpenAI. » GPT-Red aprende por auto-confrontación adversarial, con el objetivo de inyectar prompts en una variedad de modelos defensores difíciles«, detalla la empresa. 

Cada ataque exitoso que GPT-Red descubre sirve para mejorar a estos defensores, impulsando a GPT-Red a encontrar continuamente fallas más amplias y complejas. 

El ciclo se retroalimenta, y eso es precisamente lo que buscaban los investigadores: un motor de mejora continua en lugar de una campaña de pruebas puntual.

De ChatGPT al red-teaming automatizado, la seguridad escala

GPT-Red prolonga varios años de esfuerzos de ciberseguridad lanzados por OpenAI tras el éxito público de ChatGPT. La empresa creó en 2023 su OpenAI Red Teaming Network, reclutando investigadores externos para sondear sus modelos en busca de fallas antes de su publicación. 

El paso al modelo automatizado marca un cambio de marcha, ya que una IA produce ataques a una escala inalcanzable para humanos solos.

Este anuncio forma parte de un movimiento más amplio: el de la IA que asegura a la IA. A principios de julio de 2026, la Fundación Ethereum indicó que había desplegado agentes IA para auditar su infraestructura de red crítica, descubriendo una vulnerabilidad en un software utilizado por sus clientes de consenso.

Los investigadores notaron que los agentes IA exploran bases de código más grandes que los humanos, pero el verdadero desafío ha cambiado: ya no se trata solo de identificar errores, sino de demostrar cuáles son realmente explotables.

OpenAI mantiene GPT-Red bajo llave, pero ve un círculo virtuoso

OpenAI conserva a GPT-Red como una herramienta puramente interna. El modelo contiene capacidades ofensivas desarrolladas intencionadamente, lo que excluye cualquier difusión pública. Sin embargo, la empresa ve en ello el inicio de un círculo virtuoso. 

» Creemos que con GPT-Red hemos comenzado a desbloquear un efecto arrastre similar para la seguridad, donde los modelos de hoy sirven para hacer los modelos de mañana más robustos, alineados y confiables«, concluye. 

La apuesta ahora es transformar esta ventaja interna en una confianza duradera ante reguladores y usuarios.

En resumen, OpenAI ha convertido el ataque automatizado en un escudo para GPT-5.6, con una brecha de rendimiento que impresiona: 84 % de éxito para GPT-Red contra 13 % para humanos. Este cambio hacia una IA que asegura otra IA redefine la postura de seguridad de la industria, desde los laboratorios hasta las blockchains.