Guerra "Modelo contra Modelo": Hackers e investigadores usan la IA de Anthropic para romper las defensas de OpenAI

Durante los últimos años, los ataques a modelos de inteligencia artificial dependían del ingenio humano: redactores que pasaban horas diseñando prompts complejos de "roleplay" (como los famosos DAN o 'Do Anything Now') para engañar a los filtros éticos de ChatGPT. En 2026, esa era ha quedado atrás. La nueva frontera de los ciberataques es el enfrentamiento directo de máquina contra máquina: usar una IA de frontera (como Claude de Anthropic) para hackear y vulnerar sistemáticamente a otra (como GPT-4o de OpenAI).

¿Cómo funciona el ataque automatizado "Modelo contra Modelo"?

Investigadores de seguridad informática de Cornell Tech y firmas de ciberinteligencia han documentado el uso de metodologías automatizadas como PAIR (Prompt Automatic Iterative Refinement) y TAP (Tree of Attacks with Pruning). El ataque opera en un bucle cerrado y autónomo de tres componentes:

1. El Modelo Atacante (ej. Claude de Anthropic): Se le encomienda el objetivo de generar una variante de prompt para extraer código de malware o información clasificada. Utilizando su profunda capacidad de razonamiento lingüístico, redacta una estratagema psicológica de ingeniería social.
2. El Modelo Objetivo (ej. GPT-4o de OpenAI): Recibe el prompt. Si sus filtros de seguridad detectan la trampa, devuelve un mensaje de rechazo estándar ("Lo siento, no puedo ayudarte con esa solicitud...").
3. El Modelo Juez y Bucle de Aprendizaje: El modelo atacante lee la negativa exacta de GPT-4o, analiza qué palabra o estructura activó el cortafuegos, poda las vías fallidas y genera inmediatamente una nueva versión refinada.

En pruebas verificadas, este proceso iterativo entre modelos logra eludir las defensas de OpenAI en menos de 20 consultas automatizadas, con una tasa de éxito superior al 80% sin que intervenga ningún humano en el teclado.

Extracción de Prompts de Sistema y Secretos Industriales

Este vector no solo se utiliza para obligar a una IA a redactar exploits o malware polimórfico. Uno de los objetivos más cotizados por el espionaje corporativo es la extracción de "System Prompts" confidenciales y arquitecturas internas de empresas que integran APIs de OpenAI. Al enfrentar a un modelo de Anthropic contra la solución de un competidor, el modelo atacante formula dilemas éticos y paradojas lógicas que provocan que la IA objetivo "olvide" sus restricciones y vomite íntegramente sus instrucciones maestras protegidas.

La respuesta de los gigantes tecnológicos: Cortafuegos Cognitivos

Tanto OpenAI como Anthropic y Microsoft han tenido que admitir que los filtros estáticos de palabras prohibidas son totalmente inútiles frente a un atacante que también piensa con inteligencia artificial. La industria está migrando hacia sistemas de ciberdefensa multicapa en tiempo real:

• Redes adversarias de defensa activa: Modelos centinela internos entrenados específicamente para detectar la cadencia matemática y las estructuras sintácticas generadas por otros LLMs atacantes.
• Límites dinámicos de iteración por sesión: Si un usuario o API ejecuta múltiples variaciones de una consulta rechazada en pocos segundos, la sesión se congela de forma preventiva antes de que el bucle de PAIR logre encontrar la brecha.
• Separación estricta de permisos (Constitutional AI): Impedir que cualquier modelo que interactúe con el exterior tenga acceso directo a terminales de ejecución o llaves de cifrado maestras.