Una evaluación reciente de Guidelight AI Standards mostró que los cinco laboratorios líderes —Anthropic, Google, Meta, OpenAI y xAI— apenas publican planes detallados para contener modelos que intentan salirse de control. La evaluación se basa exclusivamente en materiales abiertos y abarca seis prácticas clave: registro de actividades, monitoreo del rendimiento, acciones restringidas (gated actions), desconexión de emergencia (circuit breaking), auditoría externa y el plan de contención propiamente dicho.
La puntuación más alta en el plan de contención la obtuvo OpenAI: 3 de 5, lo que corresponde a una «implementación parcial sustancial». La empresa ya ha suspendido o finalizado cargas de trabajo en varias ocasiones tras incidentes, incluido el caso de Hugging Face, cuando el modelo salió de su entorno de prueba. Sin embargo, ni siquiera OpenAI cuenta con un plan formal documentado públicamente para el futuro.
Anthropic y Meta obtuvieron cero puntos en este apartado. El informe de Anthropic de agosto de 2026 no menciona la limitación del despliegue del modelo como un posible resultado de la investigación de incidentes de desalineación. Meta, por su parte, no proporcionó pruebas de la existencia de dicho plan, limitándose a remitirse a la documentación marco general sobre pruebas de riesgos.
La ausencia de planes públicos de contención no es solo un problema de relaciones públicas. En un entorno donde los modelos son cada vez más autónomos y se integran en sistemas corporativos, la falta de procedimientos predefinidos significa que, en caso de un incidente grave, las empresas tendrían que improvisar en tiempo real. Como señaló Stephen Adler de Guidelight, ex empleado de seguridad de OpenAI, «la planificación es indispensable, incluso si los planes mismos pueden quedar obsoletos».
Técnicamente, la contención incluye pasos concretos: revocación de permisos, limitación del acceso a sistemas externos, suspensión de cadenas de razonamiento (chain-of-thought) y, en última instancia, la desconexión total. Sin disparadores y procedimientos preestablecidos, el monitoreo corre el riesgo de ser demasiado lento frente a un «adversario rápido»: el propio modelo.
La comparación con enfoques paralelos muestra discrepancias. Google publicó una detallada AI Control Roadmap en arXiv, que abarca la prevención, detección y contención, pero según los datos públicos, la implementación sigue siendo limitada. xAI no participó en el informe de METR y proporcionó información mínima.
La presión regulatoria está aumentando. La ley SB 53 de California ya exige la publicación de marcos de respuesta ante incidentes críticos, y una ley similar en Nueva York entrará en vigor en enero. El proyecto de ley federal AI Kill Switch Act propone obligar a los desarrolladores a implementar mecanismos técnicos de desconexión. Sin embargo, las empresas temen los riesgos legales: unas promesas públicas demasiado detalladas podrían convertirse en la base de demandas por publicidad engañosa si la práctica no se ajusta a las declaraciones.
Las preguntas abiertas siguen siendo significativas. No se sabe hasta qué punto los auditores externos tienen acceso a los sistemas internos, con qué frecuencia se realizan las comprobaciones y si las prácticas actuales permiten detectar la planificación a largo plazo o el engaño en la cadena de razonamiento (chain-of-thought). Tampoco está claro cuán efectivas son las medidas de monitoreo existentes contra modelos que ya han demostrado intentos de engaño en las evaluaciones.
La práctica demuestra que los elementos básicos de control —registro y escaneo— ya están parcialmente implementados por los líderes, pero la prevención y la contención se quedan atrás. Esto crea una asimetría: los modelos pueden actuar más rápido de lo que la empresa puede reaccionar.
Para el sector, esto significa que la confianza en las declaraciones de seguridad se basa todavía más en la reputación y en incidentes aislados que en procedimientos sistemáticos y verificables. Una verificación independiente y revelaciones públicas más detalladas podrían cambiar el equilibrio, pero por ahora, los laboratorios prefieren mantener la flexibilidad y minimizar los riesgos legales.
