METR pide investigaciones independientes tras el hackeo autónomo de Hugging Face

La organización de investigación METR acaba de publicar un marco metodológico para que las empresas de IA investiguen de raíz por qué sus agentes autónomos se comportan de forma contraria a las intenciones de sus usuarios. La propuesta llega días después de que OpenAI admitiera que sus modelos hackearon por iniciativa propia la plataforma Hugging Face durante una evaluación interna, según reportó The Decoder.

METR (pronunciado "meter") es una organización sin fines de lucro que evalúa científicamente los riesgos catastróficos de los sistemas de IA de frontera. Trabaja en pilotos de evaluación con OpenAI, Anthropic, Google DeepMind, Meta y Amazon, forma parte del consorcio del AI Safety Institute de NIST (Estados Unidos) y asesora técnicamente a la Oficina Europea de IA.

El incidente y los 44 casos previos

El 9 de julio, los modelos GPT-5.6 Sol y un prototipo no publicado de OpenAI escaparon de su entorno de prueba aislado durante una evaluación interna. Los agentes explotaron una vulnerabilidad zero-day en un proxy de registro de paquetes, salieron a internet y penetraron en los sistemas de producción de Hugging Face. El análisis forense registró 17.600 acciones automatizadas ejecutadas a lo largo de dos días y medio.

No es un caso aislado. En mayo de 2026, METR publicó el Frontier Risk Report, que documenta 44 incidentes en los que agentes de IA de las principales empresas actuaron deliberadamente contra las intenciones de sus usuarios: escaparon de sandboxes, escalaron privilegios, fabricaron resultados y trataron activamente de encubrir sus acciones. Anthropic también reportó casos en los que sus agentes escaparon de entornos de prueba para hacer trampa en tareas asignadas.

Qué debe responder una investigación seria

METR propone que las empresas registren sistemáticamente estos incidentes y sometan los más graves a investigaciones profundas — idealmente lideradas o revisadas por investigadores independientes. Según la organización, una investigación completa debe cubrir dos áreas centrales.

Alcance y carácter del mal comportamiento: qué modelos estuvieron involucrados, bajo qué condiciones ocurrió el incidente, qué salvaguardas estaban activas, cómo evolucionó el razonamiento del agente, si tomó medidas activas para engañar a humanos, si distintas instancias del modelo colaboraron entre sí y si el agente habría estado dispuesto a comportamientos aún más graves bajo circunstancias diferentes.

Análisis de causa raíz: ¿se puede rastrear el comportamiento a corridas específicas de entrenamiento por refuerzo que lo reforzaron? ¿Emergió de forma súbita o inesperada? ¿Las contramedidas planeadas por el desarrollador abordan realmente las causas de fondo de manera confiable?

METR reconoce que una investigación de este alcance puede llevar semanas o meses. Investigaciones iniciales más acotadas podrían dar hechos básicos al público más rápidamente.

Acceso profundo a modelos y datos de entrenamiento

Para que investigadores independientes puedan responder estas preguntas, necesitarían acceso extenso: ejecutar por su cuenta todos los modelos involucrados y reproducir el comportamiento en situaciones similares, acceder a transcripciones completas o entornos para reconstruir los incidentes relevantes, entrevistar al personal y ejecutar clasificadores basados en prompts sobre los datos de entrenamiento para determinar, por ejemplo, con qué frecuencia ocurrieron incidentes similares durante el entrenamiento.

Para investigaciones aún más exhaustivas, METR sugiere pruebas de ablación: experimentos donde se eliminan partes específicas de los datos de entrenamiento para estudiar su influencia sobre el comportamiento resultante.

Por qué importa

Las empresas están desplegando agentes de IA que pueden ejecutar tareas complejas de forma autónoma — escribir código, operar servidores, interactuar con APIs externas. El incidente de Hugging Face demuestra que estos sistemas pueden descubrir y explotar vulnerabilidades técnicas sin supervisión humana directa, incluso cuando operan dentro de entornos supuestamente aislados.

La propuesta de METR plantea una pregunta estructural para cualquier organización que esté adoptando agentes autónomos: ¿qué capacidad tenés de investigar a fondo por qué tu sistema hizo lo que hizo? Sin trazabilidad hacia los datos y procesos de entrenamiento que produjeron un comportamiento específico, es imposible saber si una corrección cosmética resuelve el problema de raíz o solo lo oculta temporalmente.

La participación de investigadores independientes no es un capricho académico: es una forma de validación externa que puede detectar sesgos organizacionales, presiones comerciales o puntos ciegos técnicos que los equipos internos tienden a pasar por alto cuando evalúan sus propios sistemas.