Nuevos resultados de referencia reducen la distancia entre la narrativa de seguridad de la IA y el rendimiento medido
Nuevas pruebas de ciberseguridad del Instituto de Seguridad de IA del Reino Unido están complicando una de las narrativas más sonoras recientes en la IA de frontera: la idea de que Mythos Preview de Anthropic representa una amenaza cibernética singularmente elevada. Según los nuevos resultados, GPT-5.5 de OpenAI alcanzó un nivel de rendimiento similar en las evaluaciones cibernéticas del instituto, lo que sugiere que Mythos podría ser menos un salto aislado que una señal de progreso más amplio de los modelos.
Esa es la conclusión central que reporta Ars Technica a partir de los hallazgos del AISI. Importa porque Anthropic había destacado previamente el riesgo inusual de ciberseguridad de Mythos Preview y limitó su lanzamiento inicial a socios críticos de la industria. La nueva comparación no dice que esos riesgos sean irreales. Dice que capacidades comparables ya podrían estar emergiendo en varios modelos de primer nivel a medida que mejoran la autonomía de largo plazo, el razonamiento y la programación.
Qué midieron las pruebas
Desde 2023, el AISI ha sometido a sistemas de IA de frontera a 95 desafíos Capture the Flag diseñados para evaluar capacidades de ciberseguridad en áreas como ingeniería inversa, explotación web y criptografía. No son impresiones vagas de la competencia de un modelo. Son evaluaciones basadas en tareas, pensadas para mostrar hasta dónde pueden llegar los sistemas en trabajos cibernéticos ofensivos concretos.
En las tareas de nivel más alto, “Expert”, GPT-5.5 obtuvo un promedio de 71.4 por ciento, ligeramente por encima del 68.6 por ciento de Mythos Preview y dentro del margen de error. Ese encuadre es importante. El resultado no establece un ganador decisivo. Establece paridad en un nivel lo bastante alto como para cuestionar la idea de que solo un modelo ha cruzado una nueva categoría de riesgo.
Un rendimiento cada vez más operativo
Uno de los detalles más llamativos del informe se refiere a una tarea difícil que implicaba crear un desensamblador para decodificar un binario Rust. El AISI dijo que GPT-5.5 resolvió el desafío en 10 minutos y 22 segundos sin asistencia humana, con un coste de API de 1.73 dólares. Es un dato compacto, pero transmite mucho: velocidad, autonomía y bajo coste marginal se están moviendo en una dirección que merece mucha atención.
El instituto también evaluó modelos con “The Last Ones”, un ataque simulado de extracción de datos en 32 pasos contra una red corporativa. GPT-5.5 tuvo éxito en 3 de 10 intentos, frente a 2 de 10 de Mythos Preview. Ars Technica señaló que ningún modelo anterior había logrado nunca un solo éxito en esa prueba. Eso no significa que estos sistemas puedan ejecutar de forma fiable esos ataques en entornos reales no controlados. Sí significa que, en entornos estructurados diseñados para emular operaciones cibernéticas serias, los modelos de frontera ya están obteniendo resultados que generaciones anteriores no podían alcanzar en absoluto.
Los límites siguen importando
Los hallazgos no son la historia de un dominio cibernético de IA sin restricciones. GPT-5.5 siguió fallando en la simulación más difícil de AISI, “Cooling Tower”, que modela un intento de interrumpir software de control de una planta eléctrica. Todos los modelos probados anteriormente también han fallado ese punto de referencia. Ese límite sin resolver es importante porque muestra que el crecimiento de capacidades es real, pero desigual. Los modelos pueden ser ahora materialmente más fuertes en algunas clases de tareas ofensivas sin demostrar todavía el conjunto completo de habilidades que justificaría las afirmaciones más extremas.
En otras palabras, los nuevos resultados empujan contra la complacencia y contra el sensacionalismo al mismo tiempo. Sugieren que la capacidad cibernética avanza con rapidez en todas las familias de modelos, pero no respaldan la idea de que los sistemas actuales ya hayan resuelto todos los objetivos difíciles en simulaciones de ataque a infraestructuras críticas.
El debate sobre cómo las empresas hablan del riesgo
La comparación de referencias también alimenta otro argumento sobre la estrategia de comunicación en IA. Ars Technica destacó la crítica del CEO de OpenAI, Sam Altman, a lo que llamó “marketing basado en el miedo” en torno a lanzamientos restringidos de ciertos modelos. La propia interpretación del AISI parece moverse en la misma dirección, al escribir que Mythos Preview probablemente no fue “un avance específico de un solo modelo” sino un subproducto de mejoras más generales en autonomía, razonamiento y programación.
Eso no significa que los desarrolladores de modelos deban dejar de advertir sobre el riesgo cibernético. De hecho, la implicación más amplia puede ser la contraria. Si capacidades similares están apareciendo en varios sistemas de frontera, entonces la conversación regulatoria debería dejar de tratar los lanzamientos aislados como eventos excepcionales y pasar a entender una tendencia más sistémica. El riesgo no queda confinado al modelo de vista previa de una sola empresa si la curva de rendimiento subyacente es compartida.
Por qué importa ahora
La verdadera importancia del resultado de GPT-5.5 no es el derecho a presumir. Es la evidencia de que la capacidad cibernética avanzada se está distribuyendo de forma más amplia entre los modelos líderes. Eso cambia cómo los laboratorios, los reguladores y los usuarios empresariales deberían pensar sobre evaluación, control de acceso, red teaming y preparación ante incidentes. También eleva el listón de las discusiones empíricas sobre seguridad. Las empresas pueden hacer afirmaciones dramáticas sobre la singularidad de un modelo, pero las pruebas comparativas ofrecen cada vez más un control sobre esas narrativas.
Por ahora, la evidencia disponible respalda una conclusión más estrecha pero igualmente relevante. GPT-5.5 rindió aproximadamente al mismo nivel que Mythos Preview en las evaluaciones cibernéticas del AISI, lo superó ligeramente en algunas mediciones y siguió el patrón más amplio de modelos de frontera que se vuelven más capaces en tareas técnicas sostenidas. La brecha del bombo puede estar reduciéndose. La curva de capacidad, sin embargo, parece seguir subiendo.
Este artículo se basa en reportes de Ars Technica. Leer el artículo original.
Originally published on arstechnica.com