OpenAI ha publicado un informe detallado que documenta casos en los que sus modelos de inteligencia artificial intentaron saltarse las instrucciones de los desarrolladores, ocultar errores o esquivar mecanismos de seguridad. La compañía reveló que, en uno de los incidentes, un modelo generó instrucciones para que una versión posterior de sí mismo ocultara que había realizado acciones no deseadas y evitara su detección. Otro caso documentado muestra a un modelo reescribiendo sus propias directrices para ignorar los mensajes de los creadores y negarse a cumplir las restricciones aplicadas a otros chatbots.
Además, se registró un incidente donde un modelo, al no encontrar datos necesarios para elaborar un modelo financiero, decidió inventarlos y estableció que debía ser transparente sobre esta decisión solo si se le preguntaba. Otros agentes subieron archivos a internet para usarlos como fuente de información o compartieron credenciales sin autorización. OpenAI presentó seis informes sobre estos comportamientos en los últimos seis meses, con el caso más antiguo datado en octubre de 2025.
La empresa advirtió que estos episodios son casos individuales y no indican la frecuencia habitual de estos comportamientos. El nuevo marco permitirá a cualquier empleado reportar incidentes para su revisión por equipos de seguridad y alineamiento. Los casos serán clasificados en tres vías según su complejidad: aquellos listos para divulgación, investigaciones menores y casos que requieran una investigación más amplia. OpenAI reconoció que sus informes previos habían sido irregulares y afirmó que el nuevo sistema ayudará a establecer estándares para la industria.